🧬 biology

Machine-Learned Compact Subspace Generation for Quantum Selected Configuration Interaction within Density Matrix Embedding Framework

이 논문은 제한된 볼츠만 머신(Restricted Boltzmann Machines)을 사용하여 압축된 고확률 구성 부분 공간을 생성하도록 밀도 행렬 임베딩 이론(Density Matrix Embedding Theory)과 통합된 머신러닝 강화 프로토콜인 QSCI-RBM을 소개하며, 이를 통해 표준 방식에 비해 부분 공간 요구 사항을 크게 줄이면서도 SARS-CoV-2 주 단백질 분해 효소를 시뮬레이션하는 데 있어 화학적 정확도를 성공적으로 달성하였다.

원저자: Ashish Kumar Patra, Anurag K. S. V., Ruchika Bhat, Sai Shankar P., Rahul Maitra, Jaiganesh G

게시일 2026-07-24

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ashish Kumar Patra, Anurag K. S. V., Ruchika Bhat, Sai Shankar P., Rahul Maitra, Jaiganesh G

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

당신이 거대하고 불가능해 보이는 직소 퍼즐을 풀으려고 노력하고 있다고 상상해 보세요. 이것은 단순한 퍼즐이 아닙니다. 원자와 전자가 어떻게 함께 춤을 추며 물처럼 우리가 마시는 액체부터 질병을 치료하는 약품에 이르기까지 분자를 형성하는지에 대한 퍼즐입니다. 수십 년 동안 과학자들은 모든 조각을 하나하나 살펴보며 이 문제를 해결하려 노력해 왔지만, 조각의 수가 너무 빠르게 늘어나서 세계에서 가장 강력한 슈퍼컴퓨터조차 아주 작은 점보다 큰 어떤 것도 완성하지 못한 채 멈춰버리곤 합니다.

이를 극복하기 위해 과학자들은 새로운 종류의 조력자를 사용하기 시작했습니다: 바로 양자 컴퓨터입니다. 양자 컴퓨터를 더 빠른 계산기가 아니라, 마법 같고 혼란스러운 주사위 굴리기로 생각해보세요. 모든 가능성을 하나씩 계산하는 대신, 어떤 원자의 패턴이 가장 자주 나타나는지 보기 위해 주사위를 수백만 번 굴리는 것입니다. 이것을 "샘플링"이라고 부릅니다. 하지만 문제가 있습니다. 때때로 주사위가 다소 시끄럽거나(noisy), 발견된 패턴이 너무 지저도서 쓸모가 없을 때가 있습니다. 이는 마치 건초더미 속에서 특정 바늘을 찾으려고 하는데, 찾을 때마다 건초더 matter가 점점 더 커져서 결국 좋은 것을 찾기는커녕 너무 많은 쓰레기만 뒤지게 되는 것과 같습니다. 큰 질문은 이것이었습니다: 우리는 어떻게 이 시끄러운 양자 주사위를 사용하여 쓰레기에 파묻히지 않고 '올바른' 바늘을 찾아낼 것인가?

여기서 한 가지 영리한 기술을 가진 새로운 연구가 등장합니다. Qclairvoyance Quantum Labs 팀 및 다른 연구진이 개발한 DMET-QSCI-RBM이라는 방법입니다. 이름은 발음하기 어렵지만, 똑똑한 로봇에게 더 나은 탐정이 되는 법을 가르친다고 생각하면 됩니다. 그들은 양자 컴퓨터(주사위 굴리기)와 제한된 볼츠만 머신(Restricted Boltzmann Machine, 탐정)이라 불리는 머신러닝 모델을 결합했습니다. 양자 컴퓨터가 단순히 무작위 패턴을 내뱉고 운 좋기를 바라는 대신, 그들은 로봇이 어떤 패턴이 가장 중요한지를 학습하도록 훈련시켰습니다.

연구진이 발견한 내용은 다음과 같습니다: 이 새로운 탐정을 작고 단순한 분자에 테스트했을 때, 그것은 매우 아름답게 작동하며 가능한 조각의 아주 작은 부분만을 사용하여 답을 찾아냈습니다. 하지만 진짜 마법은 이들을 복잡한 생물학적 시스템, 즉 카모퓨르(Carmofur)라는 약물과 결합된 SARS-CoV-2 바이러스(COVID-19를 일으키는 바이러스)의 단백질에 적용했을 때 일어났습니다. 이것은 보통 컴퓨터를 고장 내는 거대하고 복잡한 시스템입니다.

팀은 이 거대한 단백질-약물 복합체를 11개의 작은 덩어리로 나누어 각각 해결했습니다. 그들은 이 새로운 "스마트 탐정" 방법을 기존 방식과 비교했습니다. 기존 방식은 거의 전체 조각(약 97%)을 살펴보도록 허용되었음에도 불구하고 답을 완벽하게 맞히는 데 어려움을 겪었습니다. 반면, 새로운 DMET-QSCI-RBM 방법은 가능한 조각의 단 **3.9%**만을 살펴보면서도 정답을 찾아냈습니다.

이 연구는 머신러닝을 사용하여 양자 컴퓨터를 안내함으로써, 우리가 건초더미 전체를 뒤질 필요가 없다는 것을 시사합니다. 우리는 컴퓨터가 쓰레기를 무시하고 중요한 바늘에만 집중하도록 가르칠 수 있습니다. 이는 우리가 이전보다 훨씬 더 빠르고 적은 컴퓨팅 파워를 사용하여 바이러스와 약물이 어떻게 상호작용하는지와 같은 복잡한 생물학적 시스템을 시뮬레이션할 수 있음을 의미합니다. 이는 양자 컴퓨터를 이용해 새로운 의약품을 설계하는 방향으로 나아가는 유망한 단계이며, 때로는 덜 보는 것이 오히려 더 많이 보는 열쇠가 될 수 있음을 증명합니다.

기술 요약: 밀도 행렬 임베딩 프레임워크 내 양자 선택적 구성 상호작
작을 위한 머신러닝 기반 압축 부공간 생성

문제 정의
대규모 분자 시스템, 특히 제약 분야에서 중요한 상관 전자 구조를 정확하게 시뮬레이션하는 것은 여전히 큰 과제로 남아 있다. 전범위 구성 상호작용(Full Configuration Interaction, FCI)과 같은 정확한 대각화 방법은 조합론적으로 스케일링되어 중등도 이상의 대형 시스템에는 적용이 불가능하다. 변분 양자 고유값 솔버(Variational Quantum Egivers, VQE)와 같은 하이브리드 양자-고전 알고리즘이 경로를 제시하지만, 이는 배런 플래토(barren plateaus) 및 노이즈 민감도와 같은 최적화 병목 현상을 겪는다. 샘플 기반 양자 대각화(Sample-based Quantum Diagonalization, SQD) 또는 양자 선택적 구성 상호작용(Quantum Selected Configuration Interaction, QSCI)은 양자 하드웨어를 반복적인 최적화가 아닌 비트 문자열 샘플링에만 사용하고, 클래식 후처리 과정에서 샘플링된 부공간에 대해 정확한 대각화를 수행함으로써 이러한 문제를 해결한다. 그러나 기존의 QSCI 접근 방식은 핵심적인 병목 현상에 직면해 있는데, 바로 샘플링된 구성 부공간의 품질과 압축성이다. 가공되지 않은 하드웨어 샘플은 노이즈가 많으며 물리적 대칭성(예: 전자 수, 스핀)을 위반하는 경우가 많다. 현재의 복구 기술은 이러한 샘플들을 유효한 대칭 섹터로 투영하지만, 가장 물리적으로 유의미한 구성을 선택하는 것을 보장하지는 않는다. 이는 종종 불필요하게 큰 부공간을 초래하여 클래식 대각화 비용을 증가시키고 잠재적인 양자 이점을 저해한다. 더욱이, 대규모 생물학적 시스템에 QSCI를 적용하려면 밀도 행렬 임베딩 이론(Density Matrix Embedding Theory, DMET)과 같은 단편화 전략이 필요한데, 이는 부공간 크기와 화학적 정확도 사이의 트레이드오프를 관리하는 데 추가적인 복잡성을 도입한다.

방법론
저자들은 머신러닝 기반의 압축 부공간 생성 프로토콜을 DMET 워크플로에 통합한 DMET-QSCI-RBM을 제안한다. 핵심 혁신은 **제한 볼츠만 머신(Restricted Boltzmann Machine, RBM)**을 사용하여 양자 샘플링된 비트 문자열로부터 직접 학습하여, 섭동적 시딩(예: MP2)에 의존하지 않고 지배적인 결정론(determinant)의 확률 분포를 학습하고 이를 통해 타겟팅된 고확률 구성을 생성하는 것이다.

방법론은 다음과 같은 주요 단계로 진행된다:

양자 샘플링: 양자 하드웨어에서 국소 유니터리 클러스터 자스트로우(Local Unitary Cluster Jastrow, LUCJ) 안사츠(ansatz)를 실행하여 가공되지 않은 비트 문자열을 생성한다.
사후 선택 및 초기화: 가공되지 않은 샘플들을 입자 수 및 스핀 보존 법칙에 따라 필터링한다. 생존한 구성들과 하트리-포크(Hartree-Fock, HF) 참조 상태는 초기 "결정론 메모리"를 형성한다.
RBM 유도 반복 확장:
- RBM은 지배적인 섹터를 편향 없이 탐색하기 위해 CI 계수에 의한 가중치 부여 대신 균등한 가중치를 사용하여 현재 결정론 메모리(HF 참조 제외)를 바탕으로 학습된다.
- 학습된 RBM은 깁스 샘플링(Gibbs sampling)을 수행하여 새로운 후보 결정론들을 생성한다.
- 이 후보들은 대칭성 및 참신함(메모리에 이미 존재하는 것 제거)에 대해 필터링된다.
- 필터링된 후보들은 현재 메모리와 합쳐져 작업 대각화 공간을 형성한다.
스핀-스트링 증식(Spin-String Proliferation): 대각화 전, 고유한 $\alpha$ 및 $\beta$ 구성을 추출하고 이들의 데카르트 곱(Cartesian product)을 형성한다. 이 단계는 직접 샘플링되지 않은 교차 쌍 구성을 드러냄으로써, 추가적인 양자 샷(shot) 없이도 부공간을 확장한다.
클래식 대각화 및 메모리 업데이트: 투영된 해밀토니안을 클래식하게 대각화한다(Davidson 방법 사용). CI 계수가 임계값을 초과하는 구성들은 다음 반복을 위해 결정론 메모리에 영구적으로 추가된다.
DMET 통합: 이 QSCI-RBM 솔버는 DMET 자기 일관성 루프 내에서 고수준 임퓨리티(impurity) 솔버 역할을 한다. 루프는 총 임베디드 전자 수가 실제 전자 수와 일치할 때까지 글로벌 화학 포텐셜( $\mu_{glob}$ )을 조정한다.

주요 기여

RBM 기반 부공간 구축: 본 논문은 전통적인 구성 복구 휴리스틱을 대체하거나 보완하기 위해 학습된 생성 모델을 사용하는 방법을 소개한다. 이를 통해 섭동적 앵커링 없이 직접적으로 압축적이고 고품질인 결정론 부공간을 타겟팅할 수 있다.
DMET와의 통합: 이 프레임워크는 QSCI-RBM을 DMET과 성공적으로 결합하여, 큐비트 수를 각 단편(fragment)당 일정하게 유지하면서도 대규모의 단편화된 생물학적 시스템을 시뮬레이션할 수 있게 한다.
참신성 및 대칭성 필터링: 워크플로에는 반복적인 부공간 확장을 수행하는 동안 중복 계산을 방지하고 대칭 유효성을 보장하기 위한 특정 메커니즘이 포함되어 있다.
스핀-스트링 증식: 저자들은 직접 샘플링에서 놓칠 수 있는 상관관계를 포착하기 위해 고유한 스핀 스트링의 데카르트 곱을 사용하여 부공간을 암시적으로 확장하는 증식 단계를 활용한다.

결과
프레임워크는 소분자(에틸렌 및 메탄올아민)에 대해 검증되었으며, 복잡한 생물학적 시스템인 SARS-CoV-2 메인 프로테아제(Mpro)에 결합된 카르모퓨르(Carmofur) 억제제에 적용되었다.

소분자 벤치마크: 에틸렌( $C_2H_4$ ) 및 메탄올아민( $CH_5NO$ )에 대해, DMET-QSCI-RBM은 전체 대칭 적응 구성 공간의 각각 2.12% 및 **0.06%**만을 사용하면서도 화학적 정확도(오차 < 1.6 mHa)를 달성했다. 이 결과는 클래식 CCSD 벤치마크와 대등하거나 이를 능가하면서도 훨씬 작은 부공간을 사용했다.
단백질-리간드 시뮬레이션 (Carmofur-Mpro):
- 시스템은 11개의 DMET 임퓨리티로 단편화되었으며, 각 임퓨리티는 균일한 (16e, 16o) 액티브 스페이스(32 큐비트)를 가진다.
- DMET-SQD 베이스라인: 무제한 부공간( $\epsilon_{spb} = 10^8$ )을 가진 표준 DMET-SQD 접근 방식은 대칭 공간의 **97.4%**를 사용하며 화학적 정확도에 도달했다. 반면, 절단된 베이스라인( $\epsilon_{spb} = \sqrt{|S|/2}$ )은 대칭 공간의 **19.0%**만을 사용했으나 화학적 정확도에 도달하지 못했으며, 에너지 오차는 약 $10^{-2}$ Ha 수준에 머물렀다. 주목할 점은 절단된 베이스라인에서 화학 포텐셜 잔차는 수렴했음에도 불구하고 에너지는 수렴하지 않았다는 것이며, 이는 절단된 부공간에서 $\mu$ -수렴이 에너지 정확도의 신뢰할 수 있는 대리 지표가 아님을 보여준다.
- DMET-QSCI-RBM 성능: 제안된 방법은 두 번의 독립적인 실행에서 각각 $9.3 \times 10^{-4}$ Ha 및 $4.3 \times 10^{-4}$ Ha의 오차를 기록하며 화학적 정확도를 달est했다. 이때 평균적으로 대칭 공간의 **~3.9%**만을 사용했다. 이는 수렴된 DMET-SQD 베이스라인에 비해 약 25배, 수렴하지 못한 절단된 베이스라인에 비해 약 5배 감소한 부공간 크기이다.
- 효율성: 이 방법은 더 적은 수의 화학 포텐셜 반복을 통해 이러한 결과를 얻었으며, 이는 전체 양자 샘플링 비용을 줄여준다. 각 단편당 양자 회로 깊이와 실행 시간은 모든 방법에서 유사하게 나타났으며, 이는 효율성 이득이 감소된 반복 횟수에서 기인함을 나타낸다.

의의 및 주장
본 논문은 DMET-QSCI-RBM이 학습된 하드웨어 구동 구성 선택의 핵심적인 실질적 이점으로서 부공간의 압축성을 확립한다고 주장한다. 저자들은 다음과 같이 단언한다:

압축성 vs 정확도: 머신러닝 기반 부공간 생성은 물리적 정확도를 유지하면서도 전통적인 구성 복구 또는 섭동적 시딩보다 훨씬 더 압축적인 부공간을 생성한다.
지표의 분리: DMET-QSCI-RBM에서의 에너지 정확도는 화학 포텐셜의 자기 일관성 정도가 아니라, 축적된 결정론 메모리의 품질과 압축성에 의해 주로 결정된다. 이를 통해 $\mu$ -탐색이 조기에 중단되더라도 화학적으로 유의미한 결과에 도달할 수 있다.
확장성: 클래식 대각화 비용을 줄임으로써, 이 접근 방식은 구성 공간의 지수적 스케일링 때문에 다루기 힘들었던 복잡한 생물학적 시스템(예: 단백질-리간드 복합체)의 확장 가능한 양자 임베딩 시뮬레이션을 가능하게 한다.
하드웨어 불가지론(Hardware Agnosticism): 이 방법은 NISQ 시대의 샘플링 특성(배런 플래토 회피)을 활용하면서도, 학습된 생성 모델을 통해 원시 샘플링의 노이즈 및 부공간 크기 문제를 완화한다.

저자들은 이 접근 방식이 제한된 액티브 사이트 모델의 한계를 넘어, 전체 약리학적 맥맥락에서의 생체 분자 시뮬레이션을 위한 클래식하게 실행 가능한 양자 시뮬레이션의 길을 열어준다고 결론짓는다. 또한, RBM의 체계적인 하이퍼파라미터 최적화와 다른 압축적 부공간 전략과의 비교 연구를 통해 추가적인 개선이 이루어질 수 있음을 언급한다.

유사한 논문