Parametrized Quantum Circuit Learning for Quantum Chemical Applications

화학자들은 분자가 어떻게 행동하는지 예측하기 위해 강력한 컴퓨터에 오랫동안 의존해 왔으며, 이 작업은 종종 전자라는 보이지 않는 세계를 이해하기 위해 믿을 수 없을 정도로 복합적인 방정식을 풀어내는 것을 필요로 합니다. 수십 년 동안 이러한 계산은 정보를 직선적이고 단계적인 방식으로 처리하는 고전 컴퓨터의 영역이었습니다. 그러나 과학자들이 가장 작은 입자들을 지배하는 물리학인 양자 역학의 기묘한 법칙을 활용하여 이러한 화학적 난제들을 해결하려고 시도하는 새로운 개척지가 등장했습니다. 양자 컴퓨터는 동시에 여러 상태로 존재할 수 있으므로, 연구자들이 언젠가 과거 어느 때보다 빠르고 정확하게 분자의 특성을 예측할 수 있기를 바라는 희망이 있습니다. 양자 머신러닝이라고 불리는 특정 접근 방식은 인간이 경험으로부터 배우는 것과 마찬가지로, 양자 컴퓨터를 사용하여 화학 데이터의 패턴을 학습함으로써 이 두 세계를 결합하려고 시도합니다. 하지만 이론은 흥미롭지만, 이 기계들이 우리가 이미 일상적인 화학 문제에 사용하는 고전 컴퓨터보다 실제로 더 뛰어난 성능을 낼 수 있을지는 여전히 불분명합니다.

한 연구팀은 양자 컴퓨터에서 실행되도록 설계된 매우 다양한 디지털 회로를 구축하고 훈련시켜 이 아이디어를 테스트하기로 했습니다. 그들은 회로가 얼마나 잘 학습하는지 확인하기 위해 두 가지 매우 다른 화학적 과제에 집중했습니다. 첫 번째 과제는 대규모 분자 집단에서 특정 화학 결합을 끊는 데 필요한 에너지를 예측하는 것이었는데, 이는 표준 컴퓨터에게는 비교적 간단한 작업입니다. 두 번째 과제는 더 전문화된 것으로, 물 분자 내의 전자 행동을 예측하는 것이었으며, 이는 양자 역학 자체에 깊게 뿌리를 둔 문제입니다. 이를 위해 과학자들은 데이터를 기계에 입력하는 14가지 방법과 정보를 처리하도록 설계된 12가지의 서로 다른 내부 구조를 혼합하여 총 168개의 서로 다른 버전의 양자 회로를 제작했습니다. 그들은 5개와 16개의 양자 비트(양자 시스템의 기본 정보 단위)를 가진 양자 컴퓨터 시뮬레이션에서 이 회로들을 테스트한 후, 마침내 그들의 가장 우수한 설계안들을 실제 물리적 양자 하드웨어에서 실행했습니다.

결과는 약속과 상당한 한계를 동시에 보여주었습니다. 연구진이 결합 해리 에너지 데이터에 대해 회로를 테스트했을 때, 양자 모델은 엄청나게 고전했습니다. 가장 성능이 좋은 회로조차 유용한 정확도로 에너지 값을 예측하지 못했으며, 종종 모든 분자에 대해 단순히 평균값을 추측하는 것보다 나은 성과를 내지 못했습니다. 이 연구는 화학 데이터를 양자 컴퓨터가 이해할 수 있는 형식으로 변환하는 과정에서 너무 많은 세부 사항이 제거되어, 기계가 학습할 수 있는 정보가 너무 적어졌을 수 있음을 시사합니다. 반면, 양자 회로는 전자 행동을 직접 다루는 물 분자 데이터에 대해서는 훨씬 더 좋은 성능을 보였습니다. 여기서 모델은 패턴을 충분히 잘 학습하여 정확한 예측에 도달했으며, 이는 유용하다고 간주될 수 있는 수준의 성공에 도달했습니다. 이러한 차이는 양자 기계가 고전 컴퓨터가 이미 쉽게 처리하는 문제를 억지로 해결하려 하기보다는, 본질적으로 양자적인 성격을 띠는 문제에 더 적합할 수 있음을 시사합니다.

연구진은 회로를 더 복잡하게 만드는 것이 학습에 도움이 되는지 또한 조사했습니다. 그들은 모델이 더 복잡한 패턴을 파악할 수 있도록 돕기 위한 기술으로서, 회로에 더 많은 층을 추가하고 데이터를 기계에 여러 번 통과시키는 실험을 시도했습니다. 결합 해리 데이터의 경우, 복잡성을 더하는 것은 아무런 차이를 만들지 못했으며 모델은 정체된 상태에 머물렀습니다. 그러나 물 분자 데이터의 경우, 회로의 깊이를 늘리는 것이 정확도를 향상시켜 모델이 더 효과적으로 학습할 수 있게 했습니다. 그럼 하지만 이러한 개선에도 불구하고, 양자 모델은 여전히 두 문제 모두를 거의 완벽한 정확도로 해결한 최고의 고전 컴퓨터 모델에는 미치지 못했습니다. 이 연구는 단순히 양자 회로에 더 많은 매개변수나 훈련 데이터를 추가한다고 해서 자동으로 우수한 결과로 이어지는 것은 아니라는 점을 명시적으로 주장하며, 이러한 특정 화학적 과제들에 대해서는 현재 양자 방식이 전통적인 방식에 뒤처져 있음을 보여주었습니다.

마지막 테스트는 가장 성공적인 물 분자 모델을 공개적으로 사용 가능한 실제 양자 컴퓨터에서 실행하는 것이었습니다. 컴퓨터 상의 시뮬레이션은 높은 정확도로 결과를 예측했지만, 실험이 실제 물리적 장치로 옮겨지는 순간 성능이 무너졌습니다. 간섭과 오류로 가득 찬 실제 기기의 노이즈가 심한 환경은 예측을 신뢰할 수 없게 만들고 부정확하게 만들었습니다. 이 결과는 주요한 장애물을 강조합니다. 즉, 수학적 이론은 완벽하고 노이즈가 없는 시뮬레이션에서는 잘 작동하지만, 현재 세대의 양자 하드웨어는 실질적인 화학적 응용을 위한 섬세한 계산을 처리하기에는 너무 불완전하다는 것입니다. 연구는 양자 머신러닝이 본질적으로 양자적인 문제들에 대해 이론적 잠재력을 가지고 있지만, 기술이 설계된 화학적 과제들을 다루기 위해 고전 컴퓨터를 대체할 준비가 아직 되지 않았다고 결론지었습니다. 저자들은 앞으로 나아갈 길은 단지 더 큰 기계를 만드는 것이 아니라, 양자 컴퓨팅의 독특한 능력을 진정으로 활용할 수 있도록 화학 문제를 구성하는 새로운 방법을 찾는 데 있다고 제언합니다.