Sparse Quantum Voxel Encoding for Readout-Efficient Molecular Geometry Reconstruction on NISQ Devices

기술 요약: 판독 효율적인 분자 기하학 재구성을 위한 희소 양자 복셀 인코딩 (Sparse Quantum Voxel Encoding)

문제 정의
현재 분자 생성 모델링 및 설계를 위한 양자 접근 방식은 근본적인 "측정 병목 현상(measurement bottleneck)"에 직면해 있다. 진폭 인코딩(amplitude encoding)과 같은 방법은 $n$개의 큐비트를 사용하여 $2^n$개의 진폭을 저장함으로써 지수적인 정보 밀도로 분자 구조를 표현할 수 있지만, 이러한 상태로부터 전체 분자 기하학을 추출하려면 전체 양자 상태 토모그래피(full quantum state tomography)가 필요하다. 이 과정은 노이즈가 있는 중간 규모 양자(NISQ) 장치에서 통계적 정확도를 달-성하기 위해 $O(3^n \times 10^{2-3})$의 측정 샷(measurement shots)을 요구하며, 이는 실행 불가능할 정도로 비용이 많이 든다. 대안적인 인코딩 방식인 각도 인코딩(angle encoding)은 준비 비용의 지수적 증가 문제는 피할 수 있으나, 재구성의 모호성 문제를 겪으며, 얽힌 상태로부터 입력 파라미터를 복원하는 것이 난해하다. 결과적으로, 근접한 하드웨어에서 원시 측정 결과로부터 3D 분자 기하학을 직접 재구성할 수 있는 판독 효율적인 표현 방식이 부재한 실정이다.

방법론: 희소 양자 복셀 인코딩 (Sparse Quantum Voxel Encoding)
저자들은 "양자 복셀화 인코딩(Quantum Voxelization Encoding)"을 제안한다. 이는 분자 재구성을 지수적인 토모그래피 문제에서 다항식 수준의 서포트 회복(support recovery) 문제로 변환하는 희소 계산 기저 표현 방식이다. 방법론은 다음과 같이 진행된다:

1. 이산화 (Voxelization): 연속적인 3D 분자 공간을 $V^3$개의 복셀로 구성된 정규 격자로 이산화한다. 각 원자의 위치 $(x, y, z)$와 화학적 유형 $\tau$는 고유한 정수 인덱스 $c_a$로 매핑된다. 이 인덱스는 선형화된 복셀 좌표 $v_a$와 원자 유형 $\tau_a$를 $c_a = v_a \cdot T + \tau_a$ (여기서 $T$는 서로 다른 원자 유형의 수)를 통해 결합한다.
2. 상태 준비 (State Preparation): 분자는 점유된 복셀에 해당하는 계산 기저 상태들의 균등 중첩(equal superposition)으로 인코딩된다:
   $$|\psi_{M^*}\rangle := \frac{1}{\sqrt{A}} \sum_{c_a \in M^*} |c_a\rangle$$
   여기서 $A$는 원자의 수이다. 저자들은 상태 준비 방법이 존재한다고 가정하며(여기서는 등거리 사상(isometry) 기반 초기화를 통해 입증됨), 디코딩 효율성에 초점을 맞춘다.
3. 쿠폰 수집 샘플링을 통한 디코딩 (Decoding via Coupon Collector Sampling): Pauli 연산자를 측정하여 토모그래피를 수행하는 대신, 양자 상태를 계산 기저에서 반복적으로 측정한다. 각 측정은 상태를 단일 계산 기저 상태로 "붕괴"시켜, 하나의 원자의 위치와 유형을 드러낸다. 재구성 문제는 수학적으로 **쿠폰 수집 문제(coupon collector problem)**와 동일하다: 모든 $A$개의 서로 다른 원자를 모두 회복하기 위해 기대되는 샷의 수는 $E[S] \approx A \ln A$, 즉 높은 신뢰도를 위해 $O(A \log A)$이다.

주요 기여
본 논문은 다음 네 가지 주요 기여를 통해 이 인코딩 방식을 공식화하고 검증한다:

1. 희소 서포트 표현의 공식화: 저자들은 일단 희소 서포트 상태가 준비되면, 이상적인 노이즈 없는 환경에서 $A$-원자 분자의 완전한 판독 재구성을 위해 $O(A \log A)$ 샷만 필요함을 증명하여, 진폭 인코딩의 지수적 비용을 크게 줄였다.
2. 해상도-자원 트레이드오프 특성화: 본 연구는 큐비트 요구 사항($n = \lceil \log_2(V^3 T) \rceil$)과 공간 양자화 오차 사이의 관계를 도출한다. 또한, 원자당 최대 유클리드 오차가 $\Delta_{max} = \frac{\sqrt{3}}{2}s_{voxel}$ ($s_{voxel}$은 복셀 모서리 길이)에 의해 제한됨을 확립한다.
3. NISQ 하드웨어에서의 실험적 검증: 이 방법은 156-큐비트 IBM Kingston 프로세서에서 8-큐비트 회로를 사용하여 10-원자 에틸아민($C_2H_7N$) 분자를 재구성하는 데 구현되었다.
4. 노이즈 탄력성 입증: 연구는 상당한 하드웨어 노이즈(빈 복셀 또는 잘못된 인덱스 감지와 같은 "낭비된 샷"의 높은 비율 포함)에도 불구하고 이 인코딩이 실용적임을 보여준다.

실험 결과
저자들은 IBM Kingston 장치와 노이즈 시뮬레이터에서 47에서 300 사이의 샷 수를 대상으로 실험을 수행했다:

• 재구성 재현율 (Reconstruction Recall): 적어도 한 번 이상 회복된 원자의 비율로 정의되는 평균 재구성 재현율($\bar{R}$)은 실제 하드웨어에서 $S=116$일 때 0.94, $S=200$일 때 0.98에 도달했다. $S=200$에서 10번의 실험 중 8번이 완벽한 재현율($R=1$)을 달성했다.
• 노이즈 특성: 하드웨어에서 탈동조(decoherence) 및 판독 오류로 인해 약 **74%**의 샷이 "낭비"되었으며(빈 복셀 또는 잘못된 인덱스 감지), 이는 바닥 상태($|00\dots0\rangle$)로 강한 편향을 보였다. 그럼에도 불구하고, 쿠폰 수집 메커니즘을 통해 성공적인 구조 회복이 가능했다.
• 효율성: 이 접근 방식은 전체 상태 토모그래피 방식과 비교하여 측정 비용을 2~3 자릿수 감소시켰으며, $O(10^{4-6})$ 샷이 아닌 $O(10^2)$ 샷만을 필요로 했다.
• 신호 대 잡음비 (SNR): 저자들은 사전 지식 없이 유효한 원자를 식별하기 위해 SNR 지표를 도입하였으며, 유효한 원자 상태가 노이즈로 인한 빈 복셀 감지와 구별 가능하다는 것을 발견했다 (하드웨어 SNR $\approx 7.8$).

의의 및 주장
본 논문은 이 작업이 복셀화된 분자 원자 유형 포인트 클라우드(point cloud)에 대한 최초의 NISQ 시연이라고 주장한다. 이 연구의 의의는 분자 기하학이 계산 기저 라벨로 배치되어, 비용이 많이 드는 토모그래피 없이도 원시 측정을 통해 구조를 회복할 수 있는 "판독 가능한 양자 표현"을 제공한다는 데 있다.

저자들은 이 작업을 양자 생성 모델링(예: 양자 오토인코더, QGAN)의 핵심 구성 요소로 명시적으로 위치시킨다. 여기서 모델의 출력은 반드시 디코딩되어 화학적으로 유효한 구조로 변환되어야 하는 양자 상태이다.

한계 및 제한적 주장
논문은 범위와 한계에 대해 다음과 같이 겸허한 어조를 유지한다:

• 상태 준비 병목 현상: 저자들은 디코딩은 효율적이지만, 임의의 희소 상태 $|\psi_{M^*}\rangle$를 준비하는 문제는 이 연구에서 해결되지 않았으며, 현재는 깊은 회로(예: 8-큐비트 인스턴스의 경우 약 1200개의 게이트)를 필요로 하여 확장성의 병목으로 남아 있음을 명시한다.
• 공간 정밀도: 이 인코딩은 판독 효율성을 위해 공간 정밀도를 본질적으로 희생한다. 이 방법은 서브-복셀(sub-voxel) 정보를 회복할 수 없으므로, 격도 해상도를 높이지 않는 한 정밀한 도킹(docking)과 같이 서브-옹스트롬(sub-angstrom) 정확도가 필요한 응용 분야에 사용하기 어렵다.
• 대칭성 문제: 복셀 격자는 회전 또는 병진 불변성을 보존하지 않으므로, 인코딩이 분자의 방향과 격자의 정렬에 의존한다는 단점이 있으며, 이는 기저의 분자 물리학을 학습하는 데 불리하다.
• 범위: 본 연구는 엄격하게 원자 위치와 유형(포인트 클라우드)을 회복하는 데 집중하며, 결합(bonds), 스핀 상태 또는 전자 구조 정보는 명시적으로 제외한다.