🔬 물리학

Query-Efficient Quantum Multi-Objective Optimization for Materials Configuration Search via Bayesian Weight Selection

이 논문은 다목적 베이지안 최적화를 사용하여 QAOA를 위한 목적 함수 가중치를 적응적으로 선택함으로써, 비적응적 무작위 또는 균등 샘플링 전략에 비해 파레토 프런트를 추적하는 데 필요한 비용이 많이 드는 솔버 호출 횟수를 크게 줄이는 쿼리 효율적인 양자 다목적 최적화 방법인 BW-QAMOO를 소개한다.

원저자: Onur Boyar, Seiji Takeda, Akihiro Kosugi, Indra Priyadarsini S, Lisa Hamada, Sina Klampt

게시일 2026-11-02

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Onur Boyar, Seiji Takeda, Akihiro Kosugi, Indra Priyadarsini S, Lisa Hamada, Sina Klampt

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

새로운 재료를 설계하는 것은 결코 단 하나의 완벽한 해결책을 찾는 문제가 아닙니다. 대신, 그것은 상충하는 요구 사항들 사이에서 균형을 잡는 끊임 없는 연습입니다. 금속 합금은 다리를 지탱할 만큼 강해야 하고, 비행기에 쓰일 만큼 가벼워야 하며, 대량 생산이 가능할 만큼 저렴해야 할 수도 있습니다. 종종 재료를 더 강하게 만들면 더 무거워지거나 더 비싸지기도 합니다. 과학자들은 이를 다목적 문제(multi-objective problem)라고 부르는데, 여기서 목표는 단 하나의 승자를 찾는 것이 아니라 가능한 타협점들의 전체 지형을 그려내는 것입니다. 이 지형은 파레토 프런트(Pareto front)라고 알려져 있으며, 이는 한 가지 특성을 개선하면 필연적으로 다른 특성이 악화되는 설계들의 집합입니다. 이러한 설계들을 찾기 위해 연구자들은 종종 수많은 상호작용하는 부분들이 포함된 복잡한 퍼즐을 푸는 데 독보적인 능력을 갖춘 양자 컴퓨터에 의존합니다. 그러나 현재의 양자 기계는 비용이 많이 들고 오류가 발생하기 쉬워, 단 한 번의 계산조차도 값비싼 자원이 됩니다. 따라서 과제는 단순히 양자 컴퓨터를 사용하는 것이 아니라, 제한된 시도에서 최대한의 가치를 얻기 위해 올바른 질문을 던지며 현명하게 사용하는 것입니다.

IBM 리서치의 연구팀은 이 효율성 문제를 해결하기 위한 새로운 방법을 개발했습니다. 그들은 일련의 단순화된 문제들을 해결함으로써 재료의 타협 지형을 추적하려고 시도하는 양자 근사 다목적 최적화(Quantum Approximate Multi-Objective Optimization)라는 기술에 집중했습니다. 이 접근 방식에서는 서로 다른 재료 특성 간의 복잡한 절충안들이 일련의 가중치를 사용하여 하나의 점수로 결합됩니다. 그러면 양자 컴퓨터는 해당 특정 점수에 대한 최적의 재료 구성을 찾아냅니다. 이 방법의 원래 버전은 이러한 가중치들을 무작위로 선택했는데, 이는 이전의 결과로부터 배우지 못한 채 어떤 조합을 다음에 테스트할지 본질적으로 추측하는 방식이었습니다. 연구진은 특히 경쟁하는 특성의 수가 증가함에 따라 이것이 낭비적인 전략이라는 점을 깨달았습니다. 그들은 이 문제를 학습 과제로 재구성하여, 스마트한 가이드 역할을 하는 시스템을 만들었습니다. 추측하는 대신, 이 시스템은 이미 확인한 결과들에 대한 정신적 지도를 구축하고, 그 지도를 사용하여 다음번에 가장 가치 있는 테스트가 어디가 될지 예측합니다.

연구팀이 BW-QAMOO라고 명명한 이 새로운 방법은 가우시안 프로세스(Gaussian process)로 알려진 통계적 도구를 사용하여 대리 모델(surrogate model) 역할을 수행하게 합니다. 이것을 양자 컴퓨터가 이미 제공한 데이터 포인트들 사이의 빈틈을 채워주는 매우 교육받은 추측이라고 생각하십시오. 각 단계에서 시스템은 아직 테스트하지 않은 가중치 조합 중 새로운 가치 있는 재료 설계를 발견할 가능성이 가장 높은 것이 무엇인지 계산합니다. 이는 두 가지 본능, 즉 설계 공간의 미개척 영역을 탐색하는 것과 이미 식별된 유망한 영역을 활용하는 것 사이의 균형을 맞춥니다. 이 과정은 기대 초볼륨 개선(expected hypervolume improvement)이라는 지표에 의해 안내되는데, 이는 본질적으로 "만약 우리가 이 특정 조합을 테스트한다면, 전체 지형에 대해 얼마나 더 많은 것을 이해하게 될 것인가?"라고 묻는 것입니다. 무작위 확률이 아닌 이 계산에 기반하여 다음 테스트를 선택함으로써, 시스템은 새로운 통찰력을 제공할 가능성이 낮은 조합에 시간을 낭비하는 것을 피합니다.

아이디어를 테스트하기 위해 연구진은 원자들이 안정적인 패턴으로 자리 잡기 위해 고군분투하는 재료인 좌절된 합금(frustrated alloy)의 원자 구성을 포함하는 시나리오를 시뮬레이션했습니다. 그들은 재료가 충족해야 하는 서로 다른 물리적 특성을 나타내는 세 가지와 네 가지의 경쟁적인 에너지 목적 함수를 설정했습니다. 그들은 자신들의 스마트 선택 방법을 원래의 무작위 방법 및 격자 형태의 정해진 그리드 방식으로 가중치를 테스트하는 세 번째 방법과 함께 실행했습니다. 결과는 스마트한 접근 방식의 명확한 우위를 보여주었습니다. 시뮬레이션에서 새로운 방법은 훨씬 적은 양자 계산을 사용하여 재료 지형에 대한 동일한 수준의 이해에 도달했습니다. 평균적으로, 이 방법은 가능한 최적의 설계 중 90%를 찾는 데 무작위 방법보다 약 3분의 1 적은 시도만을 필요로 했습니다. 경직된 그리드 방법과 비교했을 때, 새로운 접근 방식의 절감 효과는 더욱 극적이었으며, 최대 4분의 3 적은 계산만으로도 충분했습니다.

이 연구는 문제가 복잡해질수록 스마트한 선택의 이점이 커진다는 점을 강조합니다. 균형을 맞춰야 할 특성이 몇 가지만 있을 때는 무작위 추측이 운 좋게 맞을 수도 있습니다. 하지만 경쟁하는 목적 함수의 수가 증가함에 따라 가능성의 공간은 급격히 확장되며, 무작위 추측은 점점 더 비효율적이 됩니다. 연구진은 목적 함수를 추가할수록 그들의 적응형 방법이 더욱 효과적이 된다는 것을 발견했습니다. 이는 실세계의 재료 과학에서 전형적으로 나타나는 복잡하고 다면적인 문제들을 다룰 때, 가이드가 있는 접근 방식이 맹목적인 방식보다 훨씬 우월하다는 것을 시사합니다. 이 연구는 시뮬레이션된 양자 컴퓨터를 사용하여 수행되었으므로, 결과는 실제 하드웨어가 아닌 개념 증명(proof of concept)입니다. 연구진은 실제 양자 기계가 노이즈와 지연을 유발하여 성능에 영향을 미칠 수 있음을 인정하지만, 클래식 지능을 사용하여 양자 자원을 제어한다는 핵심 논리는 타당하다고 보고 있습니다.

이 연구는 양자 컴퓨터가 고립되어 사용되는 것이 아니라, 자원을 관리하는 클래식 인공지능에 의해 둘러싸인 미래를 향하고 있음을 시사합니다. 양자 솔버는 강력하지만 값비싼 예언자(oracle)로서 특정 질문에 답하고, 클래식 학습 시스템은 어떤 질문을 던질 가치가 있는지를 결정합니다. 이러한 파트너십을 통해 과학자들은 완벽하고 오류 없는 기계를 기다리지 않고도 근접 양자 기술(near-term quantum technology)을 최대한 활용할 수 있습니다. 연구팀은 다음 단계로 이 방법을 실제 양자 하드웨어에서 테스트하고, 단순화된 모델이 아닌 복잡한 원자 상호작용을 가진 실제 재료에 적용하는 것을 목표로 하고 있습니다. 또한 이 접근 방식이 단일 합금 내에서 두 가지 이상의 유형의 원자를 어떻게 다룰 수 있는지 탐구할 계획이며, 이는 첨단 고엔트로피 합금의 흔한 특징입니다. 이러한 기계의 사용법을 정교화함으로써, 연구진은 양자 컴퓨팅의 이론적 힘을 실질적인 과학적 진보로 전환하여 더 강하고, 가볍고, 효율적인 새로운 재료의 발견을 가속화할 수 있다고 믿습니다.

기술 요약: 베이전 가중치 선택을 통한 재료 구성 탐색을 위한 쿼리 효율적 양자 다목적 최적화

1. 문제 정의

재료 설계는 본질적으로 상충하는 목적들(상 안정성, 비용, 밀도, 화학적 무질서 등) 사이의 균형을 맞추는 구성을 식별해야 하는 다목적 최적화 문제입니다. 이러한 조합론적 구성 문제들은 이싱 모델(Ising models)로 자연스럽게 매핑되며, 이는 QAOA(Quantum Approximate Optimization Algorithm)와 같은 양자 최적화 알고리즘의 적절한 대상이 됩니다.

그러나 양자 솔버를 이러한 문제에 적용할 때 중대한 병목 현상이 존재합니다:

비용: 각 QAOA 실행은 반복적인 클래식 파라미터 탐색, 반복적인 회로 샘플링, 그리고 잠재적인 클라우드-QPU 대기 시간(latency)을 포함하는 값비싼 연산입니다.
기존 방법의 비효율성: 기존의 접근 방식, 특히 QAMOO(Quantum Approximate Multi-Objective Optimization)는 여러 목적을 하나의 이싱 비용 $E_w(\sigma) = \sum w_k E_k(\sigma)$ 로 스칼라화하여 파레토 프런트(Pareto front)를 추적합니다. QAMOO는 이러한 가중치 벡터 $w$ 를 비적응적으로(무작위 샘플링 또는 균등 그리드 탐색을 통해) 선택합니다. 이러한 "맹목적인" 선택은 제한된 양자 쿼리 예산을 낭비하며, 특히 목적 함수의 개수( $m$ )가 증가하여 가중치 심플렉스(weight simplex)가 고차원으로 높아질수록 더욱 심화됩니다.

핵리적인 문제는, 가중치를 무작위로 선택하는 대신 적응적으로 선택함으로써 목표로 하는 파레토 프런트 품질에 도달하기 위해 얼마나 더 적은 양자 쿼리를 사용할 수 있는가 하는 것입니다.

2. 방법론: BW-QAMOO

저자들은 BW-QAMOO(Bayes-Weighted QAMOO)를 제안합니다. 이 방법은 가중치 선택 문제를 다목적 베이지안 최적화(Multi-Objective Bayesian Optimization, BO) 문제로 재구성합니다. 양자 솔버는 값비싼 블랙박스 오라클로 취급되며, 클래식 대리 모델(surrogate model)이 다음에 쿼리할 가중치를 결정합니다.

핵심 구성 요소

스칼라화(Scalarization): $m$ 개의 상충하는 에너지 $E_k(\sigma)$ 는 확률 심플렉스( $w_k \ge 0, \sum w_k = 1$ ) 상의 가중치 $w$ 를 사용하여 단일 이싱 비용 $E_w(\sigma) = \sum w_k E_k(\sigma)$ 로 결합됩니다.
대리 모델(Surrogate Model): 가중치-목적 함수 맵에 대해 가우시안 프로세스(Gaussian Process, GP)가 유지됩니다. 각 목적 함수에 대해, 별도의 GP 회귀 모델(이방성 길이 척사를 가진 Matérn-5/2 커널 사용)이 쿼리되지 않은 가중치에 대한 목적 함수 벡터를 예측하여 사후 평균 $\mu(w)$ 와 분산 $\sigma(w)$ 를 제공합니다.
획득 함수(Acquisition Function): 다음 가중치 $w_{t+1}$ $w_{t + 1}$ 은 **기대 초볼륨 개선량(Expected Hypervolume Improvement, EHVI)**을 최대화하도록 선택됩니다.
- 선택 과정 중의 값비싼 쿼리를 피하기 위해, 이 방법은 목적 함수 벡터의 낙관적인 추정치인 $\hat{\sigma}(w) = \mu(w) - \kappa \sigma(w)$ (여기서 $\kappa=1.5$ 이며 목적 함수는 최소화됨)를 사용합니다.
- 획득 점수는 현재의 파레토 집합 $P_t$ 에 이 낙관적인 지점이 추가함으로써 더해질 초볼륨 개선량입니다: $a(w) = HV(P_t \cup \{\hat{\sigma}(w)\}) - HV(P_t)$ .
- 이 공식은 탐색(높은 불확실성/분산)과 착취(높은 예측 이득) 사이의 균형을 맞춥니다.
연속 최적화(Continuous Optimization): 그리드 기반 방식과 달리, BW-QAMOO는 각 단계에서 디리클레 분포(Dirichlet distribution)로부터 조밀한 후보 풀을 추출함으로써 연속적인 심플렉스 상에서 획득 함수를 최적화합니다.

3. 실험 설정

벤치마크: $n \in \{10, 11, 12\}$ $n \in {10, 11, 12}$ 격자 사이트와 $m \in \{3, 4\}$ $m \in {3, 4}$ 개의 상충하는 에너지를 가진 합성 좌절된 합금 구성(synthetic frustrated alloy-configuration) 문제입니다.
- $E_1$ 은 무작위 부호 결합 이싱 모델입니다.
- $E_{2 \dots m}$ 은 고정된 서로 다른 결합 행렬을 가진 "혼합 에너지" 목적 함수들입니다.
- 정확한 파레토 프런트를 열거할 수 있도록 무작위 결합(random couplings)이 사용되었습니다.
솔버: Qiskit Aer의 샷 기반 상태 벡터 시뮬레이터에서 실행되는 실제 게이트 기반 QAOA 회로입니다.
비교 대상:
1. QAMOO (Uniform Grid): 정밀도-6의 심플렉스 그리드를 따라 이동하는 표준 비적응형 베이스라인입니다.
2. QAMOO (Random): i.i.d. 디리클레 샘플링을 사용하는 표준 QAMOO 방식입니다.
3. BW-QAMOO: 제안된 적응형 방법입니다.
지표: 정확한 파레토 초볼륨의 90% 및 95%에 도달하는 데 필요한 스칼라화된 QAOA 실행 횟수인 "목표 도달 실행 횟수(Runs-to-target)"를 사용합니다.

4. 주요 결과

연구는 적응형 가중치 선택이 파레토 프런트를 근사하는 데 필요한 쿼리 예산을 크게 줄여준다는 것을 입증합니다.

효율성 이득: 테스트된 모든 구성( $m=3, 4$ 및 $n=10, 11, 12$ )에서 BW-QAMOO는 QAMOO(random)에 비해 중앙값 기준 33% 적은 스칼라화된 실행 횟수로 90/95% 초볼륨 목표에 도달했습니다.
그리드와의 비교: 균등 그리드 베이스라인과의 비교에서 이득은 더욱 두드러졌으며, $m=4$ 일 때 60–74% 적은 실행 횟수를 기록했습니다.
확장성: BW-QAMOO의 이점은 목적 함수의 개수( $m$ )가 증가함에 따라 커집니다. 가중치 심플렉스가 2D( $m=3$ )에서 3D( $m=4$ )로 확장됨에 따라 무작위 샘플링은 점점 더 비효율적이 되는 반면, 적응형 방법은 유망한 영역에 쿼리를 집중시킵니다.
통계적 유의성: 쌍체 윌콕슨 검정(Paired Wilcoxon tests)을 통해 절약 효과가 통계적으로 유의함을 확인했습니다 (대부분의 경우 $p < 10^{-3}$ ).
신뢰성: BW-QAMOO는 무작위 베이스라인보다 더 좁은 표준 오차 범위를 보여주었으며, 이는 다양한 문제 인스턴스에 대해 더 일관된 성능을 나타냅니다.

5. 의의 및 주장

본 논문은 이 연구를 순수한 양자 우위(quantum advantage)의 증명이라기보다 쿼리 효율성 결과로 포지셔닝합니다. 저자들은 재료 과학 분야에서 양자 최적화의 현실적인 "근미래적 승리(near-term win)"는 반드시 클래식 솔버보다 원시 속도에서 앞서는 것이 아니라, 값비싼 노이즈가 있는 양자 솔버를 현명하게 호출하는 클래식 AI로 감싸서 사용 가능하게(usable) 만드는 데 있다고 주장합니다.

주요 주장:

방법론적 전환: 성숙한 클래식 다목적 BO 메커니데(특히 EHVI 및 GP)는 양자 서브루틴 자체를 수정하지 않고도 근미래 양자 최적화의 유용성을 실질적으로 향상시킬 수 있습니다.
적응형 vs 맹목적: 맹목적인 가중치 샘플링은 목적 함수의 수가 늘어남에 따라 매우 불리하게 확장되는 중요한 병목 현상입니다. 따라서 적응형 선택은 양자 다목적 최적화를 확장하기 위한 필수적인 단계입니다.
범위: 결과는 합성 벤치마크 상의 시뮬레이션된 QAOA 환경에서 도출되었습니다. 저자들은 게이트 노이즈, 판독 오류(readout errors), 큐 대기 시간 문제를 해결하기 위해 실제 양자 하드웨어로 배포하는 것이 다음의 중요한 단계임을 명시하고 있습니다.

결론적으로, 논문은 더 큰 시스템을 위한 프록시 참조점(proxy reference points), 비볼록 프런트를 위한 비선형 스칼라화, 그리고 실제 세계의 재료 설계 워크플로우와 간극을 메우기 위해 제일 원리(first principles)에서 유도된 클러스터 상호작용으로의 전환을 포함한 향후 과제를 제시하며 마무리됩니다.