Constraint-Aware Quantum Optimization of Defect Configurations in Doped ZrO2: XY-Mixer QAOA and Grover Adaptive Search

기술 요약: 도핑된 ZrO2 내 결함 구성을 위한 제약 조건 인식 양자 최적화

문제 정의
본 논문은 재료 설계, 특히 핵심 열 차폐 코팅(TBC) 재료인 가돌리늄 도핑 지르코니아(Gd-doped ZrO2) 내의 결함 구성을 최적화하는 조합론적 과제를 다룹니다. 목표는 고정된 조성의 초격자(supercell) 내에서 양이온 치환(Zr을 Gd로 대체)과 산소 공석(oxygen vacancy)의 저에너지 배열을 식별하는 것입니다. MACE와 같은 머신러닝 원자간 포텐셜(MLIP)을 사용하면 빠른 에너지 평가가 가능하지만, 이러한 이산적이고 제약이 있는 구성을 양자 최적화 워크플로우로 매핑하기 위해서는 고정된 조성 제약(정확히 2개의 Gd 치환과 1개의 산소 공석)을 엄격하게 준수하면서 문제를 이차 무제약 이진 최적화(QUBO) 모델로 인코딩해야 합니다. 저자들은 표준적인 "블랙박스" 양자 접근 방식이 이러한 물리적 제약을 효율적으로 준수하지 못하는 경우가 많으며, 따라서 제약 인식 설계 전략이 필요하다고 주장합니다.

방법론
저자들은 $2^{24}$의 공간 내에 포함된 448개의 실행 가능한 구성에 대해 정밀한 고전적 열거법(exact classical enumeration)으로 검증된 엔드 투 엔드(end-to-end) 워크플로우를 개발했습니다. 방법론은 세 가지 주요 구성 요소로 이루어집니다.

1. QUBO 정식화 및 대리 모델링(Surrogate Modeling):

   • 24개 변수 QUBO 모델을 MACE-MPA-0 에너지 데이터(8개 양이온 변수, 16개 산소-공석 변수)에 적합시켰습니다.
   • 이 모델은 사이트별 기여를 위한 선형 항과 쌍별 상호작용(양이온-양이온 및 양이온-공석)을 위한 이차 항을 포함합니다. 단일 공석 제약으로 인해 공석-공석 항은 제외되었습니다.
   • 리지 회귀(Ridge regression)를 사용하여 180개의 피처(24개 선형, 156개 이차)를 적합시켰으며, 홀드아웃(held-out) $R^2$ 값 0.997, RMSE 27.6 meV를 달성했습니다.

2. 근미래 양자 알고리즘 접근법 (QAOA):

   • 두 가지 QAOA 전략을 벤치마킹했습니다: 표준 페널티 QAOA(Penalty QAOA)(비용 해밀토니안에 제약 페널티를 추가)와 **제약 보존 XY-믹서 QAOA(Constraint-Preserving XY-Mixer QAOA)**입니다.
   • XY-믹서 방식은 양이온 섹터와 공석 섹터에 각각 작용하는 고정 해밍 무게(fixed-Hamming-weight) 믹서를 활용합니다. 이러한 구조는 수학적으로 양자 진화를 448차원의 실행 가능한 부분 공간(feasible subspace) 내로 제한하여, 페널티 튜닝 없이도 실행 가능성을 보장합니다.

3. 결함 허용 임계값 탐색 (Grover Adaptive Search - GAS):

   • 제약 조건이 있는 GAS 오라클(oracle)을 명시적으로 구축하고 검증했습니다. 이는 고수준 추상화를 넘어, 고정점 에너지 평가를 위한 가역적 산술 회로를 구축하는 과정을 포함합니다.
   • 오라클은 항-플래그 매핑(term-flag mapping), 양수/음수 가중치 누적, 분기 안전 비교(부호 있는 정수를 부호 없는 로직으로 처리), 실행 가능성 체크, 그리고 위상 킥백(phase kickback)을 포함합니다.
   • 저자들은 정확한 가역적 비교를 보장하기 위해 부동 소수점 산술을 피하고, 계수를 18비트 소수점 정수(fractional fixed-point integers)로 변환했습니다.

주요 결과

• 대리 모델 충실도(Surrogate Fidelity): QUBO 대리 모델은 MACE 에너지 지형을 정확하게 재현합니다($R^2 = 0.999$ 전체 데이터). 다만, 저자들은 저에너지 매니폴드가 근사 퇴화(near-degenerate) 상태에 있음을 언급했습니다. QUBO의 전역 최솟값은 MACE의 바닥 상태와 약간 다르며, 이는 양자 샘플링 후 MACE로 재순위화(re-ranking)를 수행하는 하이브리드 워크플로우의 필요성을 시사합니다.
• QAOA 성능:
  • 페널티 QAOA: 실행 가능한 샘플을 안정적으로 생성하는 데 실패했습니다. 테스트된 12개 설정(깊이 및 페널티 강도 변화) 중 6개에서 실행 가능한 상태를 찾을 확률이 0이었습니다. 가장 좋은 실행 가능 사례에서도 확률은 7%에 불과했습니다.
  • XY-믹서 QAOA: 구조적으로 100% 실행 가능성을 달려했습니다. 깊이 $p=3$에서, 이 모델은 확률 질량의 85.9%를 MACE 최적값으로부터 1 meV 이내에, 86.1%를 상위 50개 MACE 구성 내에 집중시켰습니다.
  • 노이즈 분석: 1차 생존 계수(survival factor) 분석 결과, 2-큐비트 게이트 수가 주요 에러 원인임을 확인했습니다. 99.99%의 2-큐비트 충실도에서 $p=2$ 회로는 높은 성공 확률을 유지하는 반면, 99.9%에서는 더 얕은 $p=1$ 회로가 선호됩니다.
• GAS 자원 추정:
  • 제약 조건이 있는 위상 오라클(phase oracle)은 324개의 고수준 논리 큐비트(보수적인 클린-애넌시(clean-ancilla) 계산 시 352~358개)를 필요로 합니다.
  • 반복당 Toffoli 게이트 비용은 임계 케이스(표식 상태 수)에 따라 35,799에서 43,175 사이입니다.
  • 비용은 단순히 변수의 개수가 아니라, 고정 소수점 정밀도와 QUBO 항의 개수에 의해 결정됩니다.

의의 및 주장
본 논문은 **제약 인식(constraint awareness)**이 재료 과학을 위한 양자 최적화의 결정적인 설계 선택이며, 근미래(NISQ) 및 결함 허용(FTQC) 환경 모두에 적용 가능하다는 점을 주장합니다.

• NISQ를 위해: 본 연구는 제약을 믹서에 직접 인코딩하는 것(XY-믹서)이 페널티 기반 방식보다 훨씬 우월함을 입증했습니다. 페널티 방식은 실행 가능한 상태를 찾는 데 자주 실패합니다. 이를 통해 알고리즘은 계산 자원을 완전히 물리적으로 유의미한 부분 공간에 집중할 수 있습니다.
• 결함 허용 컴퓨팅을 위해: 이 작업은 Grover Adaptive Search를 단순한 블랙박스로 취급하는 것을 넘어섭니다. 가역적 산술 레이어를 구축하고 검증함으로써, 저자들은 구체적이고 감사 가능한 자원 추정치를 제공합니다. 그들은 오라클 비용이 변수 수 자체가 아니라 산술의 복잡성(고정 소수점 정밀도, 항 누적)에 의해 지배됨을 보여줍니다.
• 실행 가능 공간 증폭(Feasible-Space Amplification): 저자들은 Grover 증폭을 전체 $2^{24}$ 공간이 아닌 448개 상태의 실행 가능한 부분 공간으로 제한할 경우, 총 Toffoli 비용을 약 240배 줄일 수 있다는 이상적인 상한선을 제시합니다. 이들은 이것이 아직 구현되지 않은 이론적 목표이며, 제약 보존 디퓨저(constraint-preserving diffuser)가 필요함을 명시했습니다.

결론
본 논문은 재료 정보 기반의 QUBO 모델링과 양자 최적화 사이의 검증된 가교를 구축합니다. 저자들은 특정 재료 문제에 대한 교정된 자원 추정치를 제공하며, 향후 스케일링 노력은 효율성을 유지하기 위해 제약 보존 알고리즘과 희소 국소 대리 모델(sparse-local surrogate models)을 우선시해야 한다고 주장합니다. 이 워크플로우는 양자 샘플링이 후보를 제안하고, 이후 MLIP 또는 제일원리 계산(first-principles calculations)에 의해 정밀화되는 하이브리드 루프의 일부로 설계되었습니다.