유용한 양자 컴퓨터를 구축하기 위한 경쟁 속에서, 과학자들은 종종 기계 그 자체에 집착하곤 합니다. 즉, 큐비트가 몇 개인지, 상태를 얼마나 오래 유지할 수 있는지, 그리고 노이즈에 얼마나 잘 저항하는지에 집중합니다. 그러나 많은 실질적인 작업에서 병목 현상은 하드웨어의 성능이 아니라, 정보를 입력하는 방식의 어려움에서 발생합니다. 양자 컴퓨터는 켜져 있거나 꺼져 있는 일련의 전등 스위치와 같은 이산적인 비트의 언어를 사용합니다. 반면, 약물 분자의 복잡한 화학 구조와 같은 현실 세계의 데이터는 무한한 색조와 변화가 존재하는 연속적이고 유동적인 세계에 존재합니다. 이 풍부하고 연속적인 데이터를 작고 딱딱한 양자 레지스터에 억지로 밀어 넣으려는 것은, 마치 1갤런의 물을 티스푼에 부으려는 것과 같습니다. 대부분의 정보는 밖으로 흘러넘치고, 남은 것은 대개 원래의 형태를 알아볼 수 없을 정도로 왜곡된 버전이 됩니다. 이 문제는 특히 화학 분야에서 두드side집니다. 연구자들은 양자 기계를 사용하여 분자가 어떻게 행동할지 예측하기를 희망하지만, 현재의 화학 데이터를 양자 코드로 변환하는 방법들은 정확한 예측을 만드는 데 필요한 바로 그 세부 사항들을 놓치는 경우가 많습니다.

연구팀은 이제 더 큰 기계를 만드는 대신, 데이터가 양자 회로에 들어가기도 전에 컴퓨터가 데이터를 다르게 인식하도록 가르침으로써 이 번역 문제를 직접적으로 해결했습니다. 뇌혈관 장벽을 통과할 수 있는지 여부를 예측하는 데 초점을 맞춘 연구(이는 신경 질환 치료에 있어 결정적인 단계입니다)에서, 연구팀은 데이터를 준비하는 방식이 그것을 처리하는 알고리즘만큼이나 중요하다는 것을 입증했습니다. 그들은 단순히 표준 화학 데이터를 양자 분류기에 입력했을 때, 서로 다른 분자들이 동일한 디지털 코드로 압축되어 구분이 불가능해짐으로써 기계가 어려움을 겪는다는 것을 발견했습니다. 이러한 디지털 압축을 구체적으로 고려하는 새로운 학습 방법을 도입함으로써, 그들은 데이터가 몇 개의 비트로 축소된 후에도 서로 다른 분자들이 고유성을 유지할 수 있도록 데이터를 재형성할 수 있었습니다. 그 결과, 양자 모델은 고전 컴퓨터의 성능과 일치했을 뿐만 아니라, 특정 조건 하에서는 실제로 고전 컴퓨터를 능가했으며, 이는 정보 병목 현상을 올바르게 관리한다면 오늘날의 제한된 하드웨어에서도 양자 이점이 가능하다는 것을 증명했습니다.

문제의 핵심은 데이터를 양자 컴퓨터에 로드하는 방식에 있습니다. 계산을 실행하려면 분자를 기계의 메모리에 적합한 0과 1의 문자열로 변환해야 합니다. 이 연구에서 연구진은 이미 수백만 개의 분자로부터 화학의 일반적인 언어를 학습한, '파운데이션 모델'이라고 알려진 강력한 사전 학습 인공지능 모델을 사용했습니다. 이 모델은 각 분자에 대한 풍부하고 고차원적인 묘사를 생성하여 미세한 구조적 세부 사항을 포착했습니다. 그러나 이 묘사를 작은 양자 레지스터에 맞추기 위해, 연구진은 이를 매우 급격하게 압축하여 복잡한 숫자 벡터를 짧은 이진 문자열로 바꾸어야 했습니다. 이 압축 단계가 바로 문제가 발생한 지점이었습니다. 압축이 너무 거칠었기 때문에, 많은 서로 다른 분자들이 정확히 같은 이진 코드를 갖게 되었습니다. 연구진의 용어로, 이것은 '충돌(collision)'이었습니다. 만약 성질이 다른 두 분자(하나는 뇌혈관 장벽을 통과할 수 있고 하나는 통과할 수 없는 경우)가 동일한 코드를 공유하게 된다면, 양자 컴퓨터든 고전 컴퓨터든 둘을 구분할 수 없습니다. 기계는 서로 다른 두 질문에 대해 동일한 입력을 받게 되고, 결국 추측할 수밖에 없으며, 이는 낮은 정확도로 이어집습니다.

연구진은 이러한 모델을 학습시키는 표준적인 방식이 불충분하다는 것을 깨달았습니다. 보통 과학자들은 모델이 데이터를 연속적이고 매끄러운 공간에서 서로 다른 클래스로 분리하도록 학습시키며, 이 분리가 압축될 때도 자연스럽게 유지되기를 기대합니다. 하지만 이번 연구는 압축이 이토록 심할 경우 이 접근 방식이 실패한다는 것을 보여주었습니다. 모델이 내부 수학적으로는 두 분자를 완벽하게 분리할 수 있을지라도, 만약 그들이 압축 과정에서 반올림되어 버리는 디지털 경계의 반대편에 놓이게 된다면, 그들은 여전히 충돌하게 됩니다. 연구진은 압축 과정 자체를 이해하는 방법이 필요했습니다. 그들은 '이산화 인식 미세 조정(discretization-aware fine-tuning)'이라고 부르는 기술을 개발했습니다. 이는 두 단계의 학습 과정을 포함합니다. 먼저, 모델이 두 유형의 분자를 일반적으로 구별할 수 있도록 예열(warm up) 단계를 거칩니다. 그다음, 더 결정적인 두 번째 단계에서, 학습에 특별한 페널티를 추가했습니다. 이 페널티는 단순히 모델이 맞았는지 틀렸는지만을 보는 것이 아니라, 서로 다른 두 분자가 압축 후에 동일한 디지털 빈(bin)에 들어갈 확률을 계산했습니다. 만약 모델이 디지털 경계를 존중하는 방식으로 그 분자들을 서로 밀어내도록 학습한다면, 페널티는 감소했습니다. 이는 모델이 몇 개의 비트로 축소된 후에도 가장 중요한 화학적 특징들이 보존될 수 있는 표현 방식을 학습하도록 강제했습니다.

이 새로운 방법을 테스트했을 때, 차이는 극명했습니다. 이 특별한 학습법 없이는 양자 컴퓨터가 수천 쌍의 서로 다른 분자들이 충돌하는 혼란스러운 입력을 마주하게 됩니다. 기계의 정확도는 낮았고, 동일한 압축 데이터를 사용하는 단순한 고전 컴퓨터보다 성능이 떨어졌습니다. 흔히 미래의 컴퓨팅으로 꼽히는 양자 이점은 입력 데이터가 너무 오염되었기 때문에 완전히 사라진 상태였습니다. 그러나 연구진이 이산화 인식 미세 조정을 적용하자, 충돌 횟수가 수천 건에서 거의 제로에 가깝게 급격히 줄어들었습니다. 이제 분자들은 차이점을 보존하는 고유한 코드를 할당받게 되었습니다. 이 깨끗한 입력을 통해 양자 컴퓨터의 성능은 치솟았습니다. 정확도가 12퍼센트 포인트 이상 향상되었는데, 이는 단순한 도구에서 매우 효과적인 분류기로 변모시킨 엄청난 도약이었습니다.

그러나 가장 중요한 발견은 이 개선이 고전적인 기계와 비교했을 때 양자 기계에 어떤 영향을 미쳤는가 하는 점이었습니다. 연구진이 양자 회로를 표준 로지스틱 회귀 모델(단순하고 잘 알려진 고전적 알고리즘)과 비교했을 때, 두 모델 모두 정확히 동일하게 압축된 비트 문자열을 입력받았습니다. 새로운 학습법이 없었을 때, 고전 모델이 양자 회로보다 6퍼센트 포인트 더 높은 성능을 보이며 쉽게 승리했습니다. 양자 기계는 엉망인 데이터로 인해 제약을 받고 있었습니다. 하지만 새로운 학습법이 적용되자 상황은 역전되었습니다. 데이터가 깨끗해졌기 때문에 두 모델 모두 개선되었지만, 양자 기계가 고전 모델보다 훨씬 더 많이 개선되었습니다. 양자 회로는 정확도가 12퍼센트 포인트 이상 상승한 반면, 고전 모델은 약 3퍼센트 포인트 상승하는 데 그쳤습니다. 10 큐비트 수준에서 양자 모델은 88.3%의 정확도를 기록하며 고전 모델의 85.5%를 앞질렀습니다. 이 역전 현상은 우연이 아니었습니다. 이는 여러 번의 무작위 실험과 다양한 통계적 검증을 통해서도 일관되게 나타났습니다.

왜 양자 기계가 깨끗한 데이터로부터 훨씬 더 많은 이득을 얻었을까요? 연구진은 두 유형의 컴퓨터가 정보를 처리하는 방식이 근본적으로 다르다고 설명합니다. 이 특정 설정에서 고전 모델은 선형 분류기처럼 작동합니다. 즉, 비트를 살펴보고 카테고리를 나누기 위해 직선을 긋는 것입니다. 데이터의 노이즈가 줄어들면 성능이 좋아질 수는 있지만, 선형적인 특성이라는 한계가 있습니다. 반면 양자 컴퓨터는 큐비트를 서로 연결하는 '얽힘(entanglement)'이라는 과정을 사용합니다. 이를 통해 양자 컴퓨터는 단순한 선형 모델은 볼 수 없는 비트 사이의 복잡하고 고차적인 패턴과 상호작용을 감지할 수 있습니다. 데이터가 엉망이었을 때 양자 기계는 이러한 패턴을 찾을 수 없었습니다. 하지만 학습법을 통해 충돌이 제거되고 데이터가 구조화된 방식으로 제시되자, 양자 기계는 숨겨진 상관관계를 찾아내는 자신의 능력을 온전히 활용할 수 있었습니다. 복잡한 상호작용을 볼 수 있는 능력이 없는 고전 모델은 깨끗한 데이터를 그만큼 효과적으로 활용할 수 없었던 것입니다.

이 연구는 양자 머신 러닝이 실제 세계, 특히 데이터가 복잡하고 하드웨어가 제한적인 화학 분야에서 성공하기 위해서는 단순히 더 나은 회로를 만드는 것에만 집중해서는 안 된다고 결론짓습니다. 우리는 데이터를 주입하는 더 나은 방법 또한 설계해야 합니다. 현재의 작은 양자 레지스터로 인해 발생하는 정보 병목 현상은, 데이터 표현을 기계의 제약 조건에 맞게 형성함으로써 파이프라인의 아주 초기 단계에서부터 해결되어야 합니다. 연구진은 연속적인 화학적 묘사를 이산적인 양자 비트의 특성에 맞게 정렬함으로써 진정한 이점을 끌어낼 수 있음을 보여주었습니다. 이 연구는 실무적인 화학 양자 컴퓨팅으로 가는 길이 반드시 거대하고 오류가 없는 기계를 기다리는 것만을 의미하지 않는다는 점을 시사합니다. 대신, 현실 세계를 양자의 언어로 번열하는 더 스마트한 접근 방식, 즉 압축 과정 중에도 신호가 살아남아 기계가 가장 잘할 수 있는 일을 수행할 수 있도록 보장하는 방식이 필요하다는 것을 보여줍니다.