Designing lattice proteins with variational quantum algorithms

이 논문은 격자 단백질 설계의 서열 최적화 단계에 변분 양자 알고리즘을 적용하는 것을 조사하며, 시뮬레이션에서는 문제 불가지론적 회로가 문제 정보 기반 회로보다 우수한 성능을 보이지만, 두 접근 방식 모두 모델링되지 않은 시간적 노이즈 특성으로 인해 실제 양자 하드웨어에서는 어려움을 겪는다는 것을 발견하였다.

핵심

당신이 새로운 레시피를 발명하려는 마스터 셰프라고 상상해 보십시오. 당신은 머릿속에 아주 구체적이고 완벽한 요리(목표 구조)를 그려두었고, 당신의 목표는 그 요리를 완성하기 위해 정확히 어떤 재료(아미노산 서열)가 필요한지 알아내는 것입니다.

생물학의 세계에서 이것을 **단백질 설계(protein design)**라고 부릅니다. 보통, 적절한 재료를 찾는 것은 마치 건더기 속에서 바늘을 찾는 것만큼 어렵습니다. 이 논문은 양자 컴퓨터(양자 역학의 기묘한 법칙을 이용해 문제를 해결하는 기계)가 우리가 그 재료를 더 빠르게 찾도록 도울 수 있는지 탐구합니다.

다음은 연구자들이 무엇을 했는지, 어떻게 했는지, 그리고 무엇을 발견했는지에 대한 간단한 요약입니다.

문제점: 너무 많은 재료, 너무 많은 선택지

단백질을 구슬이 꿰어진 줄이라고 생각해 보십시오. 각 구슬은 두 가지 유형 중 하나가 될 수 있습니다: 소수성(물을 싫어함, 여기서는 "기름진"이라고 부릅시다) 또는 친수성(물을 좋아함, 여기서는 "축축한"이라고 부릅시다).

연구자들은 이 기름진 구슬과 축축한 구슬을 특정 패턴으로 배열하여, 줄이 가장 낮은 에너지 상태(가장 안정적인 상태)를 가진 완벽한 모양으로 접히도록 만들고 싶어 했습니다.

• 어려운 방법: 보통은 구슬의 배열을 추측한 다음, 그것이 어떻게 접히는지 시뮬레이션하고, 제대로 작동하는지 확인해야 합니다.
• 지름길: 이 논문은 첫 번째 단계, 즉 이미 알고 있는 형태에 대해 최적의 구슬 배열을 찾는 데에만 집중했습니다. 이는 집의 설계도를 받은 뒤, 지붕이 샐지 여부를 걱정하기 전에 그 집을 짓기 위한 최적의 벽돌 배열을 찾아내는 것과 같습니다.

도구: 두 가지 유형의 양자 알고리즘

연구팀은 오늘날의 양자 컴퓨터(여전히 "노이즈"가 있어, 마치 잡음이 섞인 라디오처럼 실수를 하기 쉬운 상태인)에서 이 퍼즐을 풀기 위해 두 가지 다른 "전략"(알고리즘)을 테스트했습니다.

1. "전문가" 전략 (QAOA)

• 비유: 범죄 현장의 특정 규칙을 완벽하게 알고 있는 형사를 상상해 보십시오. 그들은 사건을 해결하기 위해 매우 복잡하고 맞춤 제작된 지도를 만듭니다.
• 작동 방식: 이 알고리즘(QAOA)은 이 단백질 문제를 위해 특별히 설계되었습니다. 솔루션을 탐색하기 위해 깊고 복잡한 회로(많은 층의 단계)를 사용했습니다.
• 결과: 완벽하고 조용한 세상(노이즈가 없는 시뮬레이션)에서는 이 전문가가 매우 뛰어났습니다. 정답을 찾아냈습니다. 하지만 "잡음(static)"을 켜자마자(시뮬레이션된 노이즈), 이 전문가는 혼란에 빠졌습니다. 지도가 너무 길고 복잡했습니다. 잡음이 단서들을 삼켜버렸고, 결과는 무너졌습니다.

2. "범용 기술자" 전략 (HEA)

• 비유: 특정 범죄 규칙은 모르지만, 자신이 가진 공구함의 도구들을 사용하는 데 매우 능숙한 수리공을 상상해 보십시오. 그는 열려고 하는 특정 문에 딱 맞는 단순하고 튼튼한 사다리를 만듭니다.
• 작동 방식: 이 알고리즘(HEA)은 특정 단백질 규칙에 신경 쓰지 않았습니다. 대신, 실제 양자 컴퓨터 하드웨어의 물리적 한계에 맞도록 설계되었습니다. 훨씬 짧고 단순한 회로를 사용했습니다.
• 결과: 이 접근 방식은 훨씬 더 견고했습니다. "잡음"(노이즈)이 있는 상황에서도 전문가보다 더 잘 작동했습니다. 그것은 마치 바람이 불어도 흔들리지 않는 튼튼한 사다리와 같았습니다.

실험: 시뮬레이션 vs 현실

연구자들은 이 테스트를 두 가지 방식으로 수행했습니다:

1. 컴퓨터 시뮬레이션: 완벽한 양자 컴퓨터와 노이즈가 있는 양자 컴퓨터에서 알고리즘을 실행하는 척했습니다.
2. 실제 하드웨어: 실제로 "범용 기술자"(HEA) 전략을 IBM의 실제 양자 컴퓨터("Torino" 장치)에서 실행했습니다.

연구 결과

• 전문가(QAOA)는 노이즈 속에서 실패했다: 복잡하고 맞춤 제작된 지도들은 너무 길었습니다. 현재의 양자 컴퓨터에 있는 노이즈는 이렇게 긴 회로를 감당하기에는 너무 강력했습니다. 이론적으로는 작동했지만, 실제로는 실패했습니다.
• 범용 기술자(HEA)는 괜찮았지만 완벽하지는 않았다: 하드웨어 친화적인 단순한 접근 방식은 시뮬레이션에서 훨씬 더 잘 작동했습니다. 짧은 사슬(구슬 약 12개까지)에 대한 문제를 해결할 수 있었습니다.
• 현실 점검: 연구자들이 실제 IBM 기기에서 HEA를 실행했을 때, 매우 짧은 사슬에 대해서는 작동했지만, 성공률이 시뮬레이션이 예측했던 것보다 더 빠르게 떨어졌습니다.
  • 이유는? 연구자들은 시뮬레이션 모델이 "시간적(temporal)" 노이즈—예를 들어, 컴퓨터의 성능이 시간에 따라 미세하게 변하거나 오류가 뭉쳐서 발생하는 현상—를 놓쳤을 것이라고 추측합니다. 시뮬레이션은 비가 올 것이라고 예보했지만 갑작스러운 우박 폭풍은 놓친 일기 예보와 같았습니다.

결론

이 논문은 양자 컴퓨터가 단백질 설계를 위해 유망한 가능성을 가지고 있지만, 오늘날의 기계들은 여전히 너무 노이즈가 심하다(복잡한 맞춤형 전략인 QAOA를 쓰기에)고 결론짓습니다.

더 단순하고 하드웨어 친화적인 전략(HEA)은 더 탄력적이며 작은 문제를 해결할 수 있지만, 여전히 문제가 커짐에 따라 어려움을 겪습니다. 연구자들은 우리가 이 도구들을 실제 세계의 단백질 설계에 사용하기 전에, 양자 컴퓨터의 "잡음(static)"을 해결할 더 나은 방법(오류 완화 기술)이 필요하다고 제안합니다.

요약하자면: 우리는 양자 컴퓨터를 사용하여 단백질 레시피를 설계하려고 노력했습니다. "맞춤형 전문가"는 노이즈 때문에 혼란에 빠졌고, "단순한 수리공"은 작은 레시피에 대해서는 제법 잘 해냈지만 더 큰 레시피 앞에서는 여전히 비틀거렸습니다. 이 기술이 진정으로 새로운 의약품을 만들어내려면 더 조용한 기계가 필요합니다.

기술 요약

기술 요약: 변분 양자 알고리즘을 이용한 격자 단백질 설계

문제 정의
본 논문은 단백형 서열을 특정 표적 구조로 접히게 하는 아미노산 서열을 식별하는 단백질 설계의 역문제(inverse problem)를 다룹다. 저자들은 특히 주어진 표적 형태 내에서 에너지를 최소화하는 서열을 찾는 것이 목표인 "서열 최적화" 단계에 집중한다. 본 연구는 최소한의 2차원 소수성/친수성(HP) 격자 모델을 활용한다. 이는 단백질 접힘 문제(특정 서열에 대한 구조를 찾는 것)와 달리, 공간적 위치보다는 아미노산의 유형(H 또는 P)을 최적화하는 작업이므로 큐비트 수 측면에서 자원 요구량이 적다. 그러나 이 문제는 여전히 양자 휴리스틱을 테스트하기에 적합한 조합 최적화 과제이다. 저자들은 알고리즘 성능을 명확하게 평가하기 위해 고유한 바닥 상태 솔루션(해당 구조로 접히는 것으로 알려진)을 가진 문제 인스턴스를 선택하였다.

방법론
저자들은 두 가지 구별되는 접근 방식을 비교하며 잡음이 있는 중간 규모 양자(NISQ) 장치에서의 변분 양자 알고리즘(VQA)의 유용성을 조사한다:

1. 문제 정보 기반 회로 (QAOA 변형):

   • 저자들은 양자 근사 최적화 알고리즘(QAOA)과 그 변형들을 구현한다.
   • 총 소수성(H) 비드의 수를 제어하기 위한 패널티 항을 사용하여, HP 에너지 최소화를 이차 무제약 이진 최적화(QUBO) 형태로 인코딩한다.
   • 다섯 가지 특정 QAOA 구성을 테스트하며, 믹서 해밀토니안(표준 X-믹서 vs. XY-믹서: 완전 연결형 및 링 토폴로지)과 초기 상태(균등 중첩 상태, 특정 기저 상태, 또는 디케(Dicke) 상태)를 변화시킨다.
   • XY-믹서는 소프트 패널티 항 없이도 알고리즘이 실행 가능한 상태(올바른 해밍 가중치)로 탐색 공간을 제한할 수 있게 해주지만, 더 깊은 회로를 요구한다.

2. 문제 불가지론적 회로 (하드웨어 효율적 안사츠 - HEA):

   • QAOA의 깊이 문제를 완화하기 위해, 저자들은 하드웨어 효율적 안사츠(HEA)를 채택한다.
   • 이 회로들은 표적 하드웨어(IBM의 Torino 장치)의 연결성에 맞춰 배열된 매개변수화된 단일 큐비트 회전과 얽힘 게이트(CNOT)의 교차 레이어로 구성된다.
   • 단일 레이어 및 2-레이어 SU(2) 2-로컬 회로를 모두 테스트한다.

최적화 전략
변분 매개변수의 고전적 최적화는 중요한 병목 구간이다. 저자들은 다음을 사용한다:

• 반복적 레이어별 최적화: QAOA의 경우, $p$ 레이어에 대한 매개변수를 $p-1$ 레이어에서 최적화된 매개변수의 선형 보간을 사용하여 초기화한다.
• 매개변수 기증 (Parameter Donation): HEA의 경우, 작은 문제 인스턴스(예: $N=4$)에서 최적화된 매개변수를 더 큰 인스턴스(예: $N=8$)의 초기 추측값으로 전달하며, 나머지 매개변수는 무작위로 초기화한다. 이 "웜 스타트(warm-start)" 방식은 잡음이 없는 시뮬레이션과 잡음이 있는 시뮬레이션 모두에 적용된다.
• 하드웨어 트레이닝: HEA의 경우, 매개변수 기증을 사용하여 하드웨어에서 직접 매개변수를 훈련시킨다.

결과
연구는 고전적 시뮬레이션(무잡음 및 잡음 포함)과 IBM Torino 장치에서의 하드웨어 실험을 통해 성공률(알려진 바닥 상태를 찾는 빈도)을 통해 성능을 평가한다.

• QAOA 성능:

  • 무잡음 시뮬레이션에서, XY-믹서와 디케 초기 상태를 사용하는 QAOA 변형은 작은 문제 크기($N \le 16$)에 대해 수용 가능한 성공률을 달행한다.
  • 그러나 잡음(시뮬레이션 및 실제) 환경에서는 성능이 급격히 저하된다. 저자들은 이를 XY-믹서와 디케 상태 준비에 필요한 상당한 회로 깊이(N=16일 때 깊이 >2000) 때문이라고 분석한다.
  • 레이어 수($p$)를 줄이는 것은 잡음이 있는 환경에서 성능을 회복시키지 못했다.

• HEA 성능:

  • HEA 회로는 QAOA 회로보다 훨씬 얕다.
  • 무잡음 시뮬레이션에서, HEA는 최고의 QAOA 변형과 대등한 성공률을 달성한다.
  • 잡음 시뮬레이션에서, HEA(특히 단일 레이어 변형)는 QAOA에 비해 우수한 잡음 내성을 보여준다.
  • 하드웨어 실험: IBM Torino 장치에서 실행되었을 때, HEA는 $N \approx 11$까지의 인스턴스를 상당한 성공률로 해결한다. $N \ge 12$의 경우 성공률이 거의 0으로 떨어진다.
  • 시뮬레이션 vs. 실제: IBM의 잡음 모델을 사용한 잡음 시뮬레이션은 실제 하드웨어에서 관찰된 성공률, 특히 $12 \le N \le 16$ 구간에서 성공률을 과대평가한다. 저자들은 이 차이가 하드웨어 잡음의 시간적 측면과 비마르코프적 효과를 포착하지 못하는 잡음 모델의 한계 때문이라고 설명한다.

주요 기여 및 의의
본 논문은 생물물리학적 최적화 작업을 위한 문제 정보 기반(QAOA) 및 문제 불가지론적(HEA) VQA에 대한 비교 분석을 제공한다. 주요 기여는 다음과 같다:

1. 깊이 민감성 입증: 본 연구는 QAOA와 같은 문제 정보 기반 알고리즘이 이상적인 조건에서는 잘 작동할 수 있지만, 잡음이 존재할 때 현재의 NISQ 하드웨어에서는 실용적이지 않다는 점을 강조한다.
2. 하드웨어 효율적 접근 방식의 이점: 저자들은 문제 부호화 과정이 결여되었음에도 불구하고, HEA가 얕은 회로 구조 덕분에 잡음에 대한 더 나은 강건성을 제공하며 현재 장치에 더 적합함을 보여준다.
3. 현재 잡음 모델의 한계: 게이트 오류, 판독 오류, 열 완화 등을 포함하는 표준 잡음 모델이 하드웨어 성능을 완전히 예측하는 데 실패한다는 중요한 발견을 제시하며, 이는 모델링되지 않은 시간적 잡음 상관관계 때문일 가능성이 높다.
4. 실행 가능 범위 설정: 본 연구는 특정 HP 서열 최적화 문제에 대해 현재의 양자 하드웨어가 신뢰할 수 있는 짧은 사슬 길이($N \le 12$)까지만 해결할 수 있음을 확립한다.

결론
저자들은 VQA가 이산 최적화를 위한 유망한 프레임워크를 제공하지만, 현재의 하드웨어에서 단백질 설계에 대한 실질적인 적용은 잡음과 회로 깊이에 의해 제한된다고 결론짓는다. 그들은 특히 더 정교한 QAOA 접근법의 잠재력을 끌어내기 위해서는 오류 완화 전략이 필수적이라고 주장한다. 본 연구는 양자 변분 접근법과 조합 생물학적 최적화 사이의 상호작용에 대한 현실적인 평가를 제공하며, NISQ 패러다임의 기회와 현재의 한계를 동시에 식별한다.