Protein folding on a 64 qubit trapped-ion hardware via counterdiabatic quantum optimization

본 논문은 64 큐비트 바륨 시스템을 기반으로 편향장 디지털화 반단열 양자 최적화 (BF-DCQO) 방법을 활용하여 고전적 기준 에너지와 일치하는 복잡한 펩타이드 서열에 대한 구조화된 저에너지 샘플을 성공적으로 생성함으로써, 현재까지의 가장 대규모 이온 트랩 격자 단백질 접힘 최적화 시연을 보고한다.

핵심

긴 꼬인 실을 특정 비밀 메시지를 담을 수 있는 완벽한 모양으로 접어보려 한다고 상상해 보세요. 실제 세계에서는 단백질이 바로 이 일을 합니다: 단백질은 아미노산 사슬로, 우리 몸에서 필수적인 역할을 수행하기 위해 꼬이고 구부러져 복잡한 3 차원 형태를 만듭니다. "완벽한" 모양 (즉, 가장 낮은 에너지를 가진 모양) 을 찾는 것은 우주에 있는 별의 수보다 더 많은 가능한 오답을 가진 거대하고 다차원적인 퍼즐을 푸는 것과 같습니다.

이 논문은 과학자들이 64 개의 "큐비트" (양자 비트) 를 가진 강력한 양자 컴퓨터 (구체적으로는 포획 이온 방식의 기계) 를 사용하여 6 가지 서로 다른 단백질 사슬에 대한 이 접기 퍼즐을 푸는 데 도움을 준 새로운 실험을 설명합니다.

다음은 그들이 무엇을 했는지, 어떻게 했는지, 그리고 무엇을 발견했는지를 간단한 비유를 통해 정리한 내용입니다.

1. 문제: 꼬인 매듭

단백질 사슬을 구슬로 이어진 줄로 생각하세요. 각 구슬은 다양한 방향으로 회전할 수 있습니다. 목표는 실이 스스로를 교차하지 않도록 하면서 (이는 물리적으로 불가능함), 구슬들이 가장 효율적으로 뭉칠 수 있도록 하는 회전 순서를 찾는 것입니다.

• 도전 과제: 단순히 무작위로 추측하면 모양을 얻을 수는 있지만, 그것은 대부분 높은 에너지를 가진 (불안정한) 지저분한 매듭이 될 가능성이 큽니다.
• 규모: 연구원들은 14 개에서 16 개의 구슬을 가진 단백질을 테스트했습니다. 작게 들릴지 모르지만, 그 뒤의 수학은 놀라울 정도로 복잡하여 표현하는 데 최대 61 개의 양자 비트가 필요합니다. 이는 포획 이온 양자 컴퓨터에서 수행된 가장 큰 단백질 접기 실험입니다.

2. 방법: "자기 나침반" (BF-DCQO)

단순히 무작위로 추측하는 대신, 팀은 **Bias-Field Digitized Counterdiabatic Quantum Optimization (BF-DCQO)**이라는 특수 알고리즘을 사용했습니다.

• 비유: 안개가 낀 계곡에서 가장 낮은 지점을 찾으려 한다고 상상해 보세요.
  • 무작위 샘플링: 그냥 무작위 방향으로 걷기 시작합니다. 우연히 낮은 곳을 발견할 수도 있지만, 대부분 목적 없이 헤매게 됩니다.
  • BF-DCQO: 이는 걸을 때마다 더 똑똑해지는 나침반을 가진 것과 같습니다.
    1. 컴퓨터가 지금까지 찾은 가장 좋은 모양들의 "스냅샷"을 찍습니다.
    2. 이 스냅샷들을 분석하여 "이런 좋은 모양들에서는 이 특정 구슬이 보통 북쪽을 향하고 있었어"라고 말합니다.
    3. 그런 다음 다음 실험 라운드가 북쪽을 향하도록 끌어당기는 "자기 편향 (magnetic bias)" (부드러운 밀어내기) 을 생성합니다.
    4. 이 과정을 반복하며, 매 라운드마다 올바른 방향으로 점점 더 집중하게 됩니다.

3. 하드웨어: "모두 연결된" 팀

이 실험은 64 큐비트 바륨 이온 시스템 (향후 IonQ Tempo 라인업과 유사함) 에서 수행되었습니다.

• 중요성: 많은 컴퓨터에서 비트는 줄지어 앉은 사람들과 같습니다; 한쪽 끝에 있는 사람과 대화하려면 메시지를 줄을 따라 전달해야 합니다 (느리고 지저분함). 하지만 이 포획 이온 시스템에서는 모든 큐비트가 다른 모든 큐비트에 연결되어 있어, 마치 모두 서로 즉시 대화할 수 있는 원형으로 서 있는 사람들 그룹과 같습니다. 이는 단백질 접기에 이상적입니다. 왜냐하면 단백질 내의 구슬들은 이웃뿐만 아니라 멀리 떨어진 다른 구슬들과도 상호작용하기 때문입니다.

4. 결과: 패턴 학습

연구원들은 양자 컴퓨터가 단순히 운이 좋았던 것이 아니라, 실제로 문제의 구조를 학습했다는 것을 발견했습니다.

• 원시 데이터: 양자 컴퓨터가 생성한 원시 모양들을 살펴보면, 여전히 지저분했습니다 (주로 컴퓨터가 실이 스스로를 교차하지 못한다는 규칙을 엄격히 적용하지 않았기 때문입니다). 그러나 이러한 지저분한 모양들의 "에너지"는 무작위 추측보다 훨씬 낮았습니다.
• "접촉" 비밀: 양자 컴퓨터는 특히 어떤 구슬들이 서로 접촉해야 하는지 ("접촉" 변수) 파악하는 데 탁월했습니다. 그것은 다음과 같은 패턴을 학습했습니다: "실이 이렇게 접힐 때, 이 두 구슬은 반드시 접촉해야 한다."

5. 해결책: "합의" 파이프라인

양자 컴퓨터가 실이 스스로를 교차하는 "불법" 모양을 일부 생성했기 때문에, 팀은 컴퓨터가 찾은 좋은 패턴을 잃지 않으면서 이를 수정할 방법이 필요했습니다. 그들은 두 가지 방법을 시도했습니다:

• 방법 A ("솔로 수리"): 한 번에 하나의 모양을 가져와 불법적인 교차를 수정한 후, 접촉 관계를 처음부터 다시 계산했습니다.
  • 결과: 이는 양자 컴퓨터가 학습한 좋은 패턴들을 지워버렸습니다. 훌륭한 스케치를 가져와 기억만으로 다시 그려 화가의 원래 스타일을 잃어버린 것과 같습니다.
• 방법 B ("합의" 파이프라인): 그들은 컴퓨터가 찾은 모든 좋은 모양들을 살펴보고, "이 모양들의 대다수가 무엇을 동의했는가?"라고 물은 후, 그 합의를 바탕으로 최종적인 합법적인 모양을 만들었습니다.
  • 결과: 이것이 훨씬 잘 작동했습니다. 양자 컴퓨터의 "집단 투표"를 유지함으로써 학습된 패턴들을 보존했습니다.

결과:
"합의" 방법을 사용하여, 팀은 테스트한 6 개 단백질 서열 중 4 개에 대해 수학적으로 완벽한 에너지 상태를 정확히 찾았습니다. 양자 컴퓨터의 힌트 대신 무작위 추측을 사용했을 때는 6 개 중 1 개만 성공했습니다.

요약

이 논문은 64 큐비트 양자 컴퓨터가 복잡한 단백질 접기 퍼즐을 풀기 위한 지능적인 안내자 역할을 할 수 있음을 증명합니다. 하드웨어의 노이즈와 제약으로 인해 퍼즐 전체를 완벽하게 혼자 해결하지는 못하지만, "접촉 규칙" (어떤 구슬들이 접촉해야 하는지) 을 매우 잘 학습합니다. 이 양자 학습을 지능적인 인간이 만든 "합의" 수정 기법과 결합하면, 무작위 추측보다 훨씬 더 나은 결과를 얻을 수 있습니다.

핵심 교훈: 양자 컴퓨터는 "구조" (상호작용 패턴) 를 제공하고, 고전 컴퓨터는 "실행 가능성" (모양이 물리적으로 가능한지 확인) 을 제공했습니다. 함께 작동함으로써 그들은 어느 쪽이 혼자서도 해결할 수 없는 더 어려운 문제를 해결했습니다.

기술 요약

"64 큐비트 트랩드 이온 하드웨어를 통한 역반사 양자 최적화를 이용한 단백질 접힘"에 대한 상세한 기술 요약입니다.

1. 문제 제기

본 논문은 아미노산 서열로부터 단백질의 3 차원 구조를 예측하는 단백질 접힘 문제를 다룹니다. 이는 사슬 길이에 따라 구성 공간이 기하급수적으로 증가하는 NP-난해한 조합 최적화 문제입니다.

• 모델: 저자들은 거시적 사면체 격자 모델을 사용합니다. 이 모델에서 아미노산 잔기는 사면체 격자 위의 구슬로 표현됩니다. 골격은 자기회피 보행으로 인코딩되며, 상호작용은 미야자와 - 저니건 (Miyazawa–Jernigan) 퍼텐셜로 정의됩니다.
• 해밀토니안 공식화: 문제는 이징 해밀토니안 ($H = H_{back} + H_{contact}$) 으로 매핑됩니다:
  • $H_{back}$: 기하학적 제약 (후퇴 및 중첩 방지) 을 강제합니다.
  • $H_{contact}$: 서열상에서 5 개 이상의 위치만큼 떨어져 있지만 3 차원 공간상에서는 가까운 잔기 간의 쌍별 상호작용을 인코딩합니다.
• 과제: 결과적으로 생성된 해밀토니안은 장거리 상호작용 (최대 5 체 항) 과 밀집된 연결성을 가진 고차 스핀 글래스 문제입니다. 이를 해결하려면 밀집된 접촉 상호작용을 최적화하면서 엄격한 기하학적 제약을 만족해야 하는데, 이는 노이즈와 "불가능 표본" 문제 (대부분의 양자 출력이 기하학적 제약을 위반함) 로 인해 근미래 양자 하드웨어에게는 어려운 작업입니다.

2. 방법론

본 연구는 64 큐비트 트랩드 이온 프로세서에서 **편향장 디지털 역반사 양자 최적화 (BF-DCQO)**를 적용합니다.

A. 하드웨어 플랫폼

• 시스템: 64 큐비트 바륨 개발 시스템 (향후 IonQ Tempo 라인과 유사).
• 장점: 이 플랫폼은 **전체 연결 (all-to-all connectivity)**을 특징으로 하여, 단백질 접힘 모델이 요구하는 밀집된 이징 결합을 구현하기 위해 SWAP 게이트가 필요하지 않습니다. 이는 인접 이웃 아키텍처 (예: 초전도 큐비트) 에 비해 회로 깊이와 오버헤드를 크게 줄여줍니다.

B. 알고리즘: BF-DCQO

이 알고리즘은 역반사 (CD) 구동과 반복적 편향장 업데이트 메커니즘을 결합합니다:

1. 역반사 구동: 느린 단열 진화 대신, 알고리즘은 근사 역반사 항 ($A_\lambda \approx i\alpha_1 [H_i, H_f]$) 이 지배적인 단시간 진화를 사용합니다. 이는 단열 전이를 억제하고 얕은 회로를 가능하게 합니다.
2. 디지털화: 진화는 트로터화를 통해 디지털화됩니다. 회로 깊이를 줄이기 위해 작은 계수를 가진 파울리 항은 제거됩니다.
3. 편향장 업데이트 (반복적 정제):
   • 초기 해밀토니안에는 종방향 편향장 ($h_j Z_j$) 이 포함됩니다.
   • 각 라운드 $r$에서 시스템을 진화시키고 저에너지 표본 ($S_l$) 을 측정합니다.
   • 편향장은 저에너지 표본의 기대값을 기반으로 업데이트됩니다: $h^{(r+1)}_j = -K_s \langle \sigma^z_j \rangle_{S_l}$.
   • 이 메커니즘은 변분 파라미터 최적화 없이도 초기 상태를 좋은 해가 포함된 힐베르트 공간 영역으로 점진적으로 유도합니다.

C. 후처리 휴리스틱

원시 양자 표본은 종종 자기회피 보행과 같은 기하학적 제약을 위반하므로, 두 가지 고전적 후처리 파이프라인이 테스트되었습니다:

1. 합의 파이프라인 (제안): 많은 양자 표본의 정보를 집계합니다. 상위 $k$개 표본에 걸쳐 접촉 큐비트의 기대값을 계산하여 "합의" 접촉 비트열을 생성합니다. 이 합의는 최적의 유효 구조를 찾기 위해 유효한 골격 기하학 풀(pool) 과 결합됩니다.
2. 표본별 수리: 각 표본을 독립적으로 처리합니다. 기하학적 실현 가능성을 필터링한 후, 포괄적 열거를 사용하여 접촉 큐비트를 처음부터 다시 최적화합니다.

3. 주요 기여

1. 규모 기록: 이는 지금까지 트랩드 이온 하드웨어에서 수행된 가장 큰 규모의 단백질 접힘 시연으로, 14~16 개의 아미노산 펩타이드 서열을 인코딩하기 위해 64 개 중 61 개의 큐비트를 활용했습니다. 이는 이전의 한계 (예: 12 개 아미노산에 대한 33 개 큐비트) 를 능가합니다.
2. 알고리즘 적용: 이 규모에서 단백질 접힘에 BF-DCQO 를 적용한 첫 사례로, 고차 밀집 상호작용 해밀토니안을 처리할 수 있는 능력을 입증했습니다.
3. 후처리 통찰: 논문은 단순한 후처리가 양자 우위를 지울 수 있음을 지적합니다. "표본별 수리" 방법은 양자 알고리즘이 학습한 접촉 패턴을 덮어쓰는 반면, "합의 파이프라인"은 양자 프로세서가 생성한 구조화된 통계 정보를 보존합니다.
4. 하드웨어 검증: SWAP 오버헤드를 피하면서 밀집 최적화 문제에 대한 전체 연결 트랩드 이온 하드웨어의 유효성을 입증했습니다.

4. 결과

본 연구는 6 개의 펩타이드 서열 (46 에서 61 개 큐비트 범위) 을 테스트했습니다.

• 원시 에너지 분포: BF-DCQO 는 균일 무작위 샘플링보다 평균 에너지가 2.9 배 낮아진 표본을 생성했습니다. 분포는 일관되게 낮은 에너지 쪽으로 이동하여, 하드웨어 노이즈에도 불구하고 알고리즘이 상호작용 구조를 성공적으로 학습했음을 나타냅니다.
• 접촉 큐비트 편극: 알고리즘은 접촉 큐비트에서 강한 편극 (0 또는 1 에 가까운 값) 을 보인 반면, 무작위 샘플링은 0.5 근처에 머물렀습니다. 이는 알고리즘이 의미 있는 상호작용 패턴을 학습했음을 확인시켜 줍니다.
• 후처리 성능:
  • 합의 파이프라인: BF-DCQO 표본으로 시드될 경우, 파이프라인은 6 건 중 4 건에서 정확한 고전 참조 에너지에 도달했습니다. 반면, 무작위 시드 합의는 6 건 중 1 건에서만 참조에 도달했습니다.
  • 표본별 수리: 이 방법은 양자 우위를 유지하지 못했습니다. 각 표본에 대해 접촉을 처음부터 다시 최적화함으로써 "양자가 학습한" 구조를 지워버렸고, 그 결과 무작위 시드와 유사한 성능을 보였습니다.
• 확장성 한계: 61 개 큐비트 (16 개 아미노산) 에서 우위는 약간 감소했는데, 게이트 수 (~1,000 개의 얽힘 게이트) 를 관리 가능한 수준으로 유지하기 위해 가지치기 임계값 ($\theta$) 을 공격적으로 설정해야 했기 때문에 결과 품질에 영향을 미쳤기 때문입니다.

5. 의의 및 결론

• 하이브리드 워크플로우 검증: 본 논문은 근미래 양자 컴퓨팅을 위한 실현 가능한 워크플로우를 확립합니다. 즉, 양자 프로세서는 접촉 큐비트와 같은 유리한 상호작용 패턴을 식별하는 구조화된 샘플러로 작용하고, 고전적 휴리스틱은 기하학적 제약을 강제하며 최종 구조를 조립합니다.
• 전략적 통찰: 단백질 접힘과 같은 제약 문제가 있는 경우, 양자 하드웨어의 가치는 단일 완벽한 해를 생성하는 것이 아니라 고전 솔버를 안내하는 **구조화된 통계 정보 (편향)**를 제공하는 데 있음을 강조합니다.
• 향후 방향: 저자들은 향후 연구가 유효하지 않은 골격 생성을 줄이기 위해 제약 보존 구동기에 집중하고, 기하학과 접촉 큐비트의 고유한 역할을 더 잘 반영하기 위해 편향장 처리를 분리해야 한다고 제안합니다.

요약하자면, 이 작업은 양자 계산 생물학 분야에서 중요한 이정표로, 대규모 트랩드 이온 하드웨어에서의 역반사 최적화가 무작위 샘플링보다 우수하며 올바른 고전적 후처리와 결합될 때 이전에는 도달할 수 없었던 복잡한 단백질 접힘 사례를 해결할 수 있음을 입증했습니다.