기술 요약: 생성형 ML 지원 QSCI를 통한 NISQ 및 결함 허용 레짐 간의 가교 형성

1. 문제 정의

단백질-리간드 시스템의 결합 에너지를 정확하게 계산하는 것은 신약 개발의 핵심적인 병목 구간입니다. 고전적 방법론은 근본적인 트레이드오프에 직면해 있습니다: 고정밀 커플드 클러스터 이론(CCSD(T))은 $O(N_{orb}^7)$로 스케일링되어 대규모 시스템에는 적용이 불가능하며, Full Configuration Interaction (FCI)는 지수적으로 스케일링됩니다. 반면, 밀도 범함수 이론(DFT)은 실행 가능하지만 단백질-리간드 상호작용을 지배하는 특정한 전자 구조 현상을 포착하는 데 실패하는 경우가 많습니다.

양자 컴퓨팅은 다항식 스케일링으로 FCI 수준의 정확도에 도달할 수 있는 경로를 제공하지만, 현재의 노이즈 중간 단계 양자(NISQ) 하드웨어는 깊은 회로를 실행하는 데 필요한 결맞음 깊이(coherence depth)가 부족합니다. 또한, 기존의 샘플링 기반 양자 알고리즘인 양자 선택적 구성 상호작용(QSCI) 및 샘플 기반 양자 대각화(SQD)는 다음과 같은 구조적 비효율성을 겪습니다:

• QSCI는 사후 선택(post-selection)에 의존하여 대칭성을 위반하는 샘플을 버리는데, 이는 저노이즈 레짐에서 희소한 부분 공간(sparse subspace)을 초래하고 수렴성을 저하시킵니다.
• SQD는 유효하지 않은 샘플을 복구하기 위해 확률적 구성 복구(CR)를 사용하지만, 이는 화학적 정확도에 도달하기 위해 대칭 제약이 있는 힐베르트 공간 전체를 포화시켜야 하는 경우가 많아, 결과적으로 과도한 고전적 대각화 비용을 발생시킵니다.
• 안사츠 초기화(Ansatz Initialization): 경쟁 관계에 있는 안사츠인 Local Unitary Cluster Jastrow (LUCJ)는 $O(N^6)$ CCSD 초기화를 요구하므로, 큰 활성 공간에 대해 계산 비용이 매우 높습니다.

2. 방법론

본 연구는 **QARP(Quantum Application Research Package)**를 사용하여 Fujitsu FX700 이상적 상태 벡터 시뮬레이터에서 실행되는 하이브리드 양자-고전 워크플로우를 제안합니다. 이 방법론은 세 가지 핵심 혁신을 통합합니다:

A. LCNot-UCCSD 안사츠

저자들은 Linear Scaling CNOT Unitary Coupled Cluster Singles and Doubles (LCNot-UCCSD) 안사츠를 활용합니다. 표준 UCCSD 구현이 $O(N^5)$의 CNOT 수를 갖는 것과 달리, LCNot-UCCSD는 큐비트-들뜸(qubit-excitation-based, QEB) 연산자를 사용하여 $O(N^4)$로 스케일링합니다.

• 초기화: 파라미터는 CCSD 진폭($O(N^6)$) 대신 MP2 진폭($O(N^4)$)을 사용하여 초기화되며, 이를 통해 고전적 전처리 시간을 크게 단축합니다.
• 하드웨어 불가지론(Hardware Agnosticism): 이 회로는 이중 들뜸(double excitations)을 위해 삼중 제어 $R_y$ 게이트($CCCR_y$)를 사용합니다. FX700에서 이러한 게이트는 트랜스파일링에 따른 깊이 팽창을 피하기 위해 분해 없이 네이티브 멀티 큐비트 유니터리로 시뮬레이션됩니다.

B. QSCI-RBM: 생성형 부분 공간 확장

본 논문은 SQD의 확률적 구성 복구를 **제한된 볼츠만 머신(Restricted Boltzmann Machine, RBM)**으로 대체하는 QSCI-RBM 변형 모델을 도입합니다.

• 워크플로우: 양자 회로는 비트 문자열을 생성합니다. 입자 수 $N$과 스핀 $S_z$를 보존하는 유효한 샘플은 사후 선택됩니다. RBM은 이 유효한 샘플들을 학습하여 지배적인 결정론(determinants)의 확률 분포를 학습합니다.
• 반복적 확장: 학습된 RBM은 깁스 샘플링(Gibbs sampling)을 수행하여 새로운 대칭-유효 구성을 생성합니다. 이들은 부분 공간 $S_{sub}$에 병합되며, 이후 Davidson 솔버를 사용하여 고전적으로 대각화됩니다.
• 장점: SQD가 단일 궤도 플립(single-orbital flips)을 통해 구성을 증식시키는 것(종종 힐베르트 공간을 포화시킴)과 달리, RBM은 파동 함수의 고확률 지지 영역(high-probability support)에 샘플링을 집중시켜 컴팩트한 부분 공간을 유지합니다.

C. 밀도 행렬 임베딩 이론 (DMET)

대규모 분자 시스템 문제를 해결하기 위해, 워크플로우는 DMET 내에 임베딩됩니다. 시스템은 불순물(예: SARS-CoV-2 프로테아제 복합체의 경우 10개 조각, Amantadine의 경우 11개 조각)로 분할되며, 각 불순물은 환경을 고전적으로 처리하면서 4 HOMO–4 LUMO 활성 공간(조각당 최대 16 큐비트)을 가진 양자 솔버를 통해 독립적으로 해결됩니다.

D. 제어된 오차 분석

NISQ와 결함 허용 레짐 사이의 간극을 메우기 위해, 저자들은 14단계의 제어된 인공 오차($\sigma$)를 스윕(sweep)합니다. 측정 전 무작위 회전 $R_y(\theta_i)$가 적용되며, 여기서 $\theta_i \sim N(0, \sigma^2)$입니다. 이를 통해 이상적인 결함 허용 한계($\sigma=0$)부터 노이즈가 있는 NISQ 조건까지 알고리즘의 견고성을 평가할 수 있습니다.

3. 주요 결과

A. 8개 분자 STO-3G 벤치마크

8개의 분자(H2부터 N2까지)에 대해 14단계의 오차 레벨을 적용하여 평가한 결과:

• SQD 성능: $\sigma=0$ (이상적) 상태에서, SQD는 더 큰 분자들에 대해 화학적 정확도에 도달하지 못하며(최대 270 mHa 오차), 이는 사후 선택된 부분 공간이 너무 희소하기 때문입니다. SQD는 중간 또는 높은 노이즈 레벨($\sigma \ge 0.2$ ~ $2.0$)에서만 화학적 정확도에 도달하며, 이때 전체 힐베르트 공간 차원$|S|$의 **72–100%**를 요구합니다.
• QSCI-RBM 성능: 모든 14개 오차 레벨과 모든 분자에 대해 화학적 정확도($\le 1.59$ mHa)를 달성했습니다. 특히 이상적인 $\sigma=0$ 케이스에서도 마찬가지입니다.
• 부분 공간 컴팩트성: $\sigma=0$에서 QSCI-RBM은 CO 및 N2에 대해 힐베르트 공간의 **25–27%**만을 사용하여 화학적 정확도를 달성했습니다. 이는 SQD가 요구하는 약 97–100%와 비교했을 때, 고전적 대각화 비용을 73–74% 감소시킨 결과입니다.

B. N2 퍼텐셜 에너지 표면 (PES) 스캔

cc-pVDZ 기저 함수 세트에서의 (4,4) 활성 공간을 대상으로 한 결과:

• 견고성: SQD는 낮은 노이즈에서 평형점 근처 및 결합 해리 과정 중 불안정성과 발산을 보이며, 이를 정규화하기 위해 인공 노이즈($\sigma=2.0$)가 필요합니다.
• QSCI-RBM: $\sigma=0$에서 전체 PES를 따라 CASCI 참조 에너지를 성공적으로 추적하며 화학적 정확도를 유지합니다.
• 적응형 스케일링: RBM은 다중 참조 특성(압축된 기하 구조에서의 ~31%에서 해리 시 ~100%까지)에 따라 부분 공간 커버리지를 동적으로 조정하는 반면, SQD는 경직된 근사 전 영역 커버리지를 강제합니다.

C. 약물-타겟 응용 (DMET)

이 워크플로우는 STO-3G, 6-31G, cc-pVDZ 기저 함수 세트에 걸쳐 Amantadine(11개 조각) 및 SARS-CoV-2 메인 프로테아제(Mpro)–Carmofur 복합체(10개 조각)에 적용되었습니다.

• Amantadine: QSCI-RBM은 모든 기저 함수 세트에서 $\sigma=0$ 및 $\sigma=0.01$일 때 화학적 정확도를 달성했으며, 이때 부분 공간 커버리지($\eta_{sub}$)는 0.17–0.29였습니다. SQD는 더 높은 노이즈($\sigma \ge 1.0$)와 더 큰 부분 공간($\eta_{sub} \approx 0.58–0.89$)을 필요로 했습니다.
• Mpro–Carmofur: 이는 DMET-QSCI 프레임워크 내에서 수행된 이 복합체의 첫 번째 양자 시뮬레이션입니다. QSCI-RBM은 활성 영역에 대해 $\sigma=0$ (STO-3G) 및 $\sigma=1.0$ (6-31G/cc-pVDZ)에서 화학적 정확도를 달성했습니다.
• 확장성: 유효 스케일은 활성 영역(10–11개 조각)에 대해 약 160–176 큐비트에 도달했습니다. QSCI-RBM은 최적 작동 지점에서 SQD보다 일관되게 8–17% 적은 부분 공간 커버리지를 요구했으며, 이는 고전적 대각화 자원의 상당한 절감을 의미합니다.

4. 의의 및 주장

저자들은 본 연구가 다음과 같은 몇 가지 "최초"의 성과와 중요한 진전을 이루었다고 주장합니다:

1. 최초의 배포: 이는 QSCI 워크플로우 내에서 LCNot-UCCSD 안사츠를 양자 시뮬레이터에 적용한 최초의 사례이며, 산업적으로 중요한 단백질-리간드 시스템(Mpro–Carmofur)에 DMET-QSCI(LCNot-UCCSD)-RBM을 적용한 최초의 사례입니다.
2. 레짐 간의 가교: 본 연구는 현재의 노이즈가 있는 레짐부터 미래의 결함 허용 한계까지 효과적으로 작동하는 통합 프레임워크를 입증합니다. 결정적으로, QSCI-RBM은 SQD가 실패하는 결함 허용(저노이즈) 레짐에서 탁월한 성능을 보이는 반면, SQD는 고노이즈 레짐에서만 견고해지며 이때는 계산 비용이 매우 높아진다는 점을 보여줍니다.
3. 효율성: $O(N^6)$ CCSD 초기화를 $O(N^4)$ MP2 초기화로 대체하고, RBM을 사용하여 대각화 부분 공간을 36–74% 압축함으로써, 이 접근법은 신약 개발을 위한 상관 전자 구조 계산에 대해 더 경제적인 경로를 제공합니다.
4. 하드웨어 관련성: 본 연구는 LCNot-UCCSD 안사츠가 고유의 멀티 큐비트 게이트 구조를 가지고 있어, 게이트 에러율이 개선된다면 향후 중성 원자(Rydberg) 하드웨어에 적합하다는 것을 검증합니다.

결론적으로, 이 하이브리드 워크플로우는 Cleveland Clinic, RIKEN, IBM의 최첨단 연구들이 요구하는 고전적 자원의 일부만을 사용하여 더 효율적이고 확장 가능한 신약 개발 시뮬레이션을 가능하게 합니다.