⚛️ quantum physics

Quantum machine learning interatomic potential: Application of variational quantum algorithm

이 연구는 양자 전이 학습을 통해 양자 회로를 고전 신경망에 통합하는 것이, 특히 사전 훈련된 고전 모델의 개선 여지가 있을 때 분자 에너지 예측을 위한 머신러닝 원자 간 포텐셜의 정확도를 약간 향상시킬 수 있음을 입증한다.

원저자: Kohei Numata, Wataru Mizukami, Kosuke Mitarai, Keisuke Fujii, Yutaka Imamura

게시일 2026-07-31

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Kohei Numata, Wataru Mizukami, Kosuke Mitarai, Keisuke Fujii, Yutaka Imamura

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

자동차 엔진이나 살아있는 세포와 같은 복잡한 기계가 설계도만 보고 어떻게 작동할지 예측하는 일을 상상해 보십시오. 화학의 세계에서 과학자들은 이와 유사한 과제에 직면해 있습니다. 그들은 원자들이 어떻게 서로 결합하고 얼마나 많은 에너지를 보유하는지 알고 싶어 합니다. 이를 완벽하게 수행하기 위해, 그들은 대개 슈뢰딩거 방정식이라는 거대하고 머리가 아픈 수학 문제를 풀어야 합니다. 이는 마치 폭풍 속에서 모든 빗방울의 정확한 경로를 계산하려는 것과 같습니다. 매우 정확하지만, 거대하고 복잡한 분자들에게는 너무나 많은 컴퓨터 연산 능력을 요구하기 때문에 종종 불가능에 가깝습니다.

여기 "머신러닝 기반 원자 간 포텐셜(MLIPs)"이 등장합니다. 이것들을 아주 똑똑하게 훈련된 조수라고 생각하십시오. 매번 어려운 수학 문제를 처음부터 푸는 대신, 이 조수들은 사례를 통해 학습합니다. 이들은 수천 개의 알려진 분자들을 연구하고, 원자들이 어떻게 배열되는지의 패턴을 암기하며, 새로운 분자의 에너지를 즉각적으로 추측합니다. 이는 수십 년간의 폭풍우를 연구하여 내일의 비를 순식간에 예측할 수 있는 일기 예보관과 같습니다. 최근 과학자들은 이 조수들에게 생각하는 것을 돕기 위해 작은 실험적인 "양자 뇌"를 제공한다면 어떨까 하는 기발한 질문을 던지기 시작했습니다. 양자 컴퓨터는 입자가 동시에 두 곳에 존재할 수 있는 미립자 세계의 기묘한 규칙을 사용하여 일반 컴퓨터가 할 수 없는 방식으로 정보를 처리합니다. 이 논문은 표준적인 화학 예측 모델의 작은 부분을 양자 회로로 교체하는 것이 더 나은 예측가가 될 수 있는지 탐구합니다.

이 연구의 연구진은 이 아이디어를 테스트하기 위해 ANI(Accurate NeurAl networK engINe for Molecular Energies)라는 인기 있고 고성능인 모델을 사용하기로 결정했습니다. ANI를 분자 에너지 예측을 위한 레시피를 완성하기 위해 수년간 노력해 온 매우 숙련된 클래식 셰프로 상상해 보십시오. 팀의 전략은 이 셰프의 마지막 단계, 즉 요리를 접시에 담는 순간을 "양자 수셰프(sous-chef)"로 교체하는 것이었습니다. 이 새로운 수셰프는 변분 양자 알고리즘, 구체적으로는 양자 회로 학습(QCL) 모델입니다. 아이디어는 클래식 셰프가 재료(원자와 그 위치)를 이해하는 모든 힘든 작업을 수행하고, 그 정보를 요약본으로 압축한 다음, 최종 에너지 계산을 위해 양자 수셰프에게 전달하는 것입니다.

연구진은 이 하이브리드 주방이 클래식 주방 단독보다 더 잘 작동하는지 확인하기 위해 일련의 시뮬레이션을 실행했습니다. 그들은 물이나 메탄과 같은 단순한 분자부터 콜레스테롤 및 그 이성질체와 같은 더 복잡한 분자에 이르기까지 다양한 분자 데이터셋을 대상으로 테스트했습니다. 그들은 양자 회로의 "깊이"(양자 로직의 층수)와 "큐비트"(양자 정보 비트)의 수를 조정하며 무엇이 가장 효과적인지 확인했습니다.

결과는 "완전한 혁명은 아니지만" "유망한 잠재력"이 섞인 모습이었습니다. 연구 결과, 양자 강화 모델이 모든 상황에서 클래식 모델을 자동으로 이기지는 못했습니다. 실제로 클래식 셰프가 이미 방대한 양의 데이터로 훌륭하게 역할을 수행하고 있을 때(이미 충분히 훈련되었을 때), 양자 수셰프는 큰 가치를 더하지 못했습니다. 그러나 이 논문은 클래식 모델이 정확도에 대해 조금 더 "배고픈" 상태, 즉 초기 훈련이 완벽하지 않았거나 데이터셋이 더 작을 때 양자 접근 방식이 빛을 발한다고 제안합니다. 이러한 특정 조건에서 양자 회로를 포함한 모델은 특정 테스트에서 클래스 전용 버전의 1.80 kcal/mol에 비해 RMSE(평균 제곱근 오차)가 1.48 kcal/mol로 떨어지는 등 약간 더 낮은 오차를 달ей했습니다.

그들이 콜레스테롤과 같은 실제 세계의 복잡한 분자에 대해 테스트했을 때, 양자 모델은 계속해서 그 가치를 보여주었습니다. 이 모델은 고수준 계산과 비교하여 10 kcal/mol 미만의 오차로 콜레스테롤과 그 이성질체의 에너지를 성공적으로 예측했으며, 분자의 다양한 형태에 대한 에너지 순서도 올바르게 예측했습니다. 저자들은 다만, 이중 결합이 긴 사슬을 가진 특정 이성질체의 경우, 훈련 데이터에 해당 특정 패턴에 대한 예시가 충분하지 않았기 때문에 정확도가 개선되지 않았다고 언급했습니다.

궁극적으로 이 논문은 양자 컴퓨터가 모든 화학 문제를 즉시 해결하는 마법 지팡이는 아닐지라도, 우리가 한계에 부딪혔을 때 모델을 미세 조정할 수 있는 강력한 도구가 될 수 있음을 시사합니다. 연구는 양자 이점이 클래식 모델이 "개선할 여지"가 있을 때 가장 뚜렷하게 나타난다고 결론짓습니다. 클래식 모델이 이미 완벽에 가깝다면 양자 부분은 별 도움이 되지 않습니다. 하지만 제한된 데이터나 더 단순한 네트워크로부터 추가적인 정확도를 짜내야 하는 상황에서는 양자 회로를 삽입하는 것이 핵심이 될 수 있습니다. 연구진은 이러한 결과가 실제 양자 하드웨어가 아닌 클래식 컴퓨터 상의 시뮬레이션에서 나온 결과임을 강조하며, 다음 단계는 이 결과가 실제 노이즈가 있는 양자 기계에서 양자 회로를 실행했을 때도 유지되는지 확인하는 것이라고 말합니다. 현재로서는, 구식과 신식을 섞는 것이 차세대 분자 발견을 위한 레시피가 될 수 있다는 희망적인 신호입니다.

기술 요약: 변분 양자 알고리즘을 통한 양자 머신러닝 원자 간 포텐셜

문제 정의
머신러닝 원자 간 포텐셜(MLIP)은 슈뢰딩거 방정식을 직접 푸는 대신 포텐셜 에너지 표면을 근사함으로써 화학 시뮬레이션을 가속화하는 데 필수적인 요소가 되었습니다. 신경망 기반의 범용 MLIP(예: ANI, M3GNet, CHGNet)는 밀도 범함수 이론(DFT)에 근접한 정확도를 달ages 달성했지만, 분야에서는 여전히 성능 향상을 위한 노력이 계속되고 있습니다. 상호작용 에너지는 근본적으로 양자 역학적이기 때문에, 양자 컴퓨팅 특성을 도입하는 것이 순수 고전적 접근 방식보다 이점을 제공할 수 있다는 가설이 존재합니다. 그러나 양자 머신러닝(QML)을 MLIP에 적용하려는 이전의 시도들은 매우 작은 시스템(예: 6개의 원자로 구성된 이량체)에 국한되었거나, 시스템 크기에 따라 양자 자원이 스케일링되는 문제를 겪어 더 큰 분자에 대한 실질적인 적용에 한계가 있었습니다.

방법론
저자들은 변분 양자 알고리즘인 **양자 회로 학습(QCL)**을 ANI(Accurate Neuronal Network engINe for Molecular Energies) 구조에 통합하는 하이브리드 양자-고전 프레임워크를 제안합니다. 핵심 전략은 "양자 전이 학습(quantum transfer learning)" 접근 방식입니다:

사전 훈련(Pre-training): 먼저 대규모 분자 에너지 데이터셋을 사용하여 고전적 ANI 모델을 사전 훈련합니다. 고차원 원자 환경 벡터(AEV)를 에너지로 매핑하는 이 네트워크의 마지막 층은 저차원 벡터( $n_q$ )를 출력하는 압축된 고전 층( $L_{in}$ )으로 교체됩니다.
양자 삽입(Quantum Insertion): 최종 고전 출력 층을 매개변수화된 양자 회로(QCL 모델, $Q$ )로 교체합니다. 전체 구조는 $L_{transferred} = L_{out} \circ Q \circ L_{in}$ 이 됩니다.
회로 설계: 양자 회로 $Q$ $Q$ 는 $n_q$ $n_{q}$ 개의 큐비트를 사용합니다. 입력 인코딩 $V(x)$ $V (x)$ 와 매개변수화된 회전 게이트 $P(\theta)$ $P (θ)$ 는 두 가지 구성으로 테스트되었습니다:
- $R_y$ 회전만 사용.
- $R_z$ 이후 $R_y$ 회전 사용 ( $R_zR_y$ ).
  회로 깊이( $d$ )는 1 또는 5로 설정되었습니다. 모든 매개변수가 0일 때 출력이 입력과 일치하도록 회로를 초기화하여, 훈련 시작 시 정확도 저하를 방지했습니다.
훈련 프로토콜: 전이 학습 단계 동안 사전 훈련된 고전 층( $L_{in}$ 및 $L_{out}$ )의 매개변수는 고정됩니다. 오직 양자 회로의 매개변수( $\theta$ )만이 타겟 에너지에 대한 평균 제곱 오차(MSE)를 최소화하기 위해 경사 하강법(AdamW/SGD)을 통해 최적화됩니다.
벤치마크: 연구는 비수소 원자 수를 기준으로 세분화된 ANI 데이터셋(H, C, N, O 원자)을 활용하였습니다( $D_1$ ~ $D_4$ ). 수치 시뮬레이션은 하드웨어 노이즈를 무시한 Pennylane StateVectorSimulator를 사용하여 수행되었습니다. 고전적 참조 모델로는 양자 회로를 대체하는 단일 완전 연결 층이 사용되었습니다.

주요 기여

하이브리드 구조: 본 논문은 사전 훈련된 고전적 네트워크의 압축된 표현을 활용하여 양자 회로를 작고 관리 가능한 수준으로 유지함으로써, MLIP의 판독(readout) 단계에 변분 양자 회로를 임베딩하는 구체적인 방법을 입증합니다.
전이 학습 전략: 고전적 백본을 사전 훈련하고 양자 모듈만을 미세 조정함으로써, 전체 시스템을 처음부터 다시 훈련하지 않고도 기존의 고성능 MLIP에 QML을 통합할 수 있는 경로를 보여줍니다.
체계적 평가: 본 연구는 QML 성능이 큐비트 수( $n_q$ ), 회로 깊이( $d$ ), 사전 훈련된 네트워크의 깊이( $l$ ), 그리고 데이터셋 복잡도에 따라 어떻게 달라지는지에 대한 종합적인 수치적 평가를 제공합니다.

결과

특정 조건에서의 정확도 향상: QCL 강화 모델은 특정 조건에서 완전한 고전적 신경망보다 약간 더 높은 정확도(낮은 RMSE)를 달성했습니다.
- 회로 유형: $R_zR_y$ 회로가 $R_y$ 전용 회로 및 고전적 참조 층보다 더 적은 매개변수를 사용하면서도 일관되로 우수한 성능을 보였습니다.
- 사전 훈련 상태: 개선 효과는 사전 훈련된 고전 모델이 "개선 여지"가 있을 때(즉, 얕은 사전 훈련 $l=1$ 또는 $2 $일 때) 가장 두드러졌습니다. 이미 매우 정확한 사전 훈련된 모델(깊은 사전 훈련$ l=3, 4$)의 경우, 양자 모델은 미미한 이점만을 제공했습니다.
- 데이터셋 크기: 양자 이점은 더 크고 복잡한 데이터셋( $D_3, D_4$ )보다 작은 데이터셋( $D_1$ )에서 더 명확하게 나타났는데, 이는 복잡한 데이터셋에서는 고전적 사전 훈련이 이미 높은 정확도에 도달했기 때문입니다.
확장성 및 안정성: 회로 깊이를 $d=1$ 에서 $d=5$ 로 증가시켜도 정확도가 크게 향상되지 않았으며 오히려 최적화 불안정성을 초래했습니다. 큐비트 수( $n_q$ )를 늘리는 것은 양자 성능보다 고전적 성능을 더 크게 향상시켰는데, 이는 현재의 맥락에서 고전적 네트워크가 차원 증가에 더 효율적으로 확장됨을 시사합니다.
실제 응용: 모델은 콜레스테롤 및 그 이성질체(더 큰 규모의 실제 분자)에 대해 테스트되었습니다. 양자-전이 모델은 DFT 계산된 에너지 순위를 성공적으로 재현하였으며, 7-데히드로콜레스테롤(특정 공액 모티프가 훈련 데이터에서 희귀했던 경우)을 제외한 대부분의 이성질체에 대해 10 kcal/mol 미만의 오차를 달성하며 기존 ANI 모델보다 우수한 성능을 보였습니다.

의의 및 주장
저자들은 하이브리드 구조가 고전적 모델이 아직 최적화되지 않았을 때 정확도 향상을 가져올 수 있음을 입в증함으로써, MLIP를 위한 양자 머신러닝 적용을 진전시키는 데 기여한다고 주장합니다.

본 논문은 양자 접근 방식이 유망하긴 하지만, 아직 고전적 방법론에 대한 결정적이고 보편적인 우월성을 입증하지는 못했다고 겸허히 결론짓습니다. 그 이점은 다음과 같이 조건부적입니다:

사전 훈련된 고전 모델이 화학적 정확도 임계값에 도달하지 못한 경우에 가장 효과적입니다.
현재는 더 깊은 회로를 최적화하거나 큐비트 수를 확장하는 데 어려움이 따릅니다.

저자들은 이 접근 방식의 주요 가치가 고전적 모델이 데이터나 네트워크 용량의 제약으로 인해 표현력의 공백이 발생하는 시나리오에 있다고 상정합니다. 그러나 실제로는 고전적 네트워크가 단순히 차원을 높임으로써 이러한 공백을 메울 수 있는 경우가 많으므로, 명확한 "양자 이점"을 입증하는 것이 도전적인 과제임을 인정합니다. 향후 연구 과제로 회로의 표현력 개선, 최적화 알고리즘 고도화, 그리고 노이즈에 대한 견고함을 평가하기 위한 실제 양자 하드웨어에서의 테스트가 필요하다고 명시했습니다.

유사한 논문