SlaKoNet-VQD: A universal Slater-Koster tight-binding Hamiltonian for variational quantum band-structure calculations on near-term hardware

전자가 고체 물질을 통해 어떻게 이동하는지를 이해하려는 탐구는 현대 과학의 가장 근본적인 과제 중 하나입니다. 이 작은 입자들은 어떤 물질이 전기를 전도할지, 빛을 낼지, 혹은 저항 없이 전류를 운반하는 초전도체가 될지를 결정합니다. 이러한 거동을 예측하기 위해 과학자들은 전통적으로 결정 내 모든 전자의 에너지를 설명하는 방정식을 해결하는 복잡한 컴퓨터 시뮬레이션에 의존해 왔습니다. 이러한 방법은 작은 분자에는 잘 작동하지만, 반복되는 무한한 패턴을 가진 고체 결정에 적용될 때는 믿기 힘들 정도로 어렵고 느려집니다. 수십 년 동안 연구자들은 양자 컴퓨터가 전자들을 지배하는 것과 동일한 양자 규칙을 사용하여 작동하기 때문에, 이 문제들을 자연스럽게 해결할 수 있기를 희망해 왔습니다. 그러나 하나의 큰 장벽이 남아 있었습니다. 양자 컴퓨터가 작업을 시작하기 전에, 과학자들은 먼저 물리적 재료를 기계가 이해할 수 있는 특정 수학적 형식으로 번역해야 한다는 점입니다. 이 번역 단계는 느리고 비용이 많이 들었으며, 매번 새로운 물질마다 인간 전문가가 설정을 수동으로 조정해야 했기에, 수천 가지의 서로 다른 물질을 테스트하는 길을 가로막고 있었습니다.

존스 홉킨스 대학교의 연구팀은 이제 이 병목 현상을 극복하는 다리를 놓았습니다. 그들은 강력한 인공지능 모델과 양자 알고리즘을 결합하여 고체 물질의 에너지 밴드를 계산하는 새로운 워크플로우를 개발했습니다. 각 새로운 결정에 대해 수학적 설명을 수동으로 구축하도록 인간에게 요청하는 대신, 그들은 신경망을 훈련시켜 주기율표 전반에 걸친 전자 이동의 규칙을 학습하게 했습니다. 일단 훈련이 완료되면, 이 AI 모델은 단순한 금속부터 복잡한 화합물에 이르기까지 65가지 원소로 이루어진 모든 재료에 대한 필요한 수학적 설명을 즉각적으로 생성할 수 있습니다. 연구진은 이렇게 AI가 생성한 설명을 실제 양자 컴퓨터에서 실행되는 양자 알고리즘에 직접 입력했습니다. 그 결과, 인간의 수동 설정 없이도 다양한 재료의 전자적 특성을 예측할 수 있는 시스템이 탄생했으며, 이는 미래 기술을 위한 방대한 재료 라이브러리를 스크리닝할 수 있는 문을 열었습니다.

이 성취의 핵심은 노동 집약적인 기존의 수학적 모델 구축 방식을 대체하는 데 있습니다. 이전에는 새로운 고체를 연구하기 위해 과학자가 무거운 시뮬레이션을 실행하여 대략적인 그림을 얻은 다음, 데이터를 맞추기 위해 매개변수를 수동으로 조정해야 했으며, 이 과정은 단 하나의 물질에 대해서도 며칠 또는 몇 주가 걸릴 수 있었습니다. 새로운 접근 방식은 'SlaKoNet'이라 불리는 도구를 사용하는데, 이는 보편적인 번역기 역할을 합니다. 이 도구는 알려진 재료들의 방대한 데이터베이스를 바탕으로 전자가 거리와 유형에 따라 원자 사이를 어떻게 건너가는지를 학습하도록 훈련되었습니다. 이 학습 단계가 완료되면, 모델은 새로운 결정 구조를 마주할 때마다 즉각적으로 충실한 수학적 지도를 만들어낼 수 있습니다. 이 지도는 이후 '변분 양자 축퇴(variational quantum deflation)'라고 알려진 양자 알고리즘에 전달됩니다. 이 알고리즘은 마치 악기가 연주할 수 있는 특정 음들을 찾아내는 것처럼 시스템의 에너지 레벨을 찾는 데 설계되었지만, 낮은 에너지 상태를 반복적으로 검색하고 이를 '축퇴(deflating)'시켜 제거함으로써 다음 상태를 찾아내는 방식으로 작동합니다.

이 새로운 파이프라인이 작동하는지 테스트하기 위해, 연구진은 먼저 현대 전자 공학의 토대인 실리콘에 이 방식을 적용했습니다. 그들은 시스템에 실리콘의 내부 구조를 통과하는 표준 경로를 따라 전체 에너지 레벨 범위를 계산하도록 요청했습니다. 3개의 큐비트를 가진 양자 컴퓨터를 모사하는 시뮬레이터를 사용했을 때, 시스템은 평균 오차 단 1.78 밀리전자볼트(meV)로 8개의 모든 에너지 밴드를 성공적으로 재현했습니다. 이 정도의 정밀도는 이론적인 정확한 값에 매우 근접한 것으로, AI가 생성한 지도가 양자 컴퓨터가 작동하기에 충분히 정확하다는 것을 증명했습니다. 연구진은 다음 단계로 중요한 실험을 진행했습니다. 그들은 IBM에서 제공하는 실제 양자 하드웨어에서 동일한 계산을 실행했습니다. 그들은 흔한 금속인 알루미늄에 집중하여 기계에 그 바닥 상태 에너지를 찾도록 요청했습니다. 실제 하드웨어는 완벽한 시뮬레이터보다 더 많은 노이즈와 오차를 유발했지만, 시스템은 여전히 정확한 값에서 약 0.37 전자볼트(eV) 정도 차이 나는 결과를 만들어냈습니다. 이는 AI가 지도를 생성하고 양자 컴퓨터가 이를 해결하는 전체 과정이 오늘날 사용 가능한 실제의 불완전한 기계에서도 기능할 수 있음을 보여주었습니다.

그러나 이 방법의 진정한 힘은 일반화 능력에 있습니다. 연구진은 실리콘과 알루미늄에서 멈추지 않았습니다. 그들은 저온에서 초전도체가 되는 여러 금속과 단단한 세라믹 화합물을 포함하여 5가지 다른 재료에 대해 정확히 동일한 워크플로우를 적용했습니다. 설정을 변경하거나 모델을 다시 훈련시키지 않고도, 시스템은 이 모든 재료에 대한 에너지 밴드 구조를 성공적으로 생성했습니다. 정확도는 높은 수준을 유지했으며, 더 복잡한 재료들에 대해서도 오차는 1.8 밀리전자볼트 미만으로 나타났습니다. 이는 AI 모델이 단순한 자유 전자 금속부터 전이 금와 질화물에 이르기까지, 서로 다른 유형의 화학 분야에 적용되는 보편적인 규칙을 학습했음을 보여줍니다. 즉, 하나의 사전 훈련된 모델이 이제 다양한 유형의 재료를 연구하기 위한 출발점 역할을 할 수 있으며, 각 재료마다 인간 전문가가 새로운 모델을 구축해야 하는 필요성을 제거했다는 의미입니다.

단순한 에너지 레벨을 넘어, 연구진은 이 방법이 전자들이 서로 강하게 상호작용하는 더 어려운 문제를 어떻게 다룰 수 있는지 탐구했습니다. 많은 재료에서 한 전자의 행동은 다른 전자들에게 크게 의존하며, 이는 시뮬레이션하기 어려운 복잡한 효과를 만들어냅니다. 연구진은 자신들의 AI 생성 모델이 이러한 상호작용을 포함하도록 업그레이드될 수 있으며, 동적 평균장 이론(dynamical mean-field theory)을 사용하여 해결될 수 있음을 보여주었습니다. 그들은 강한 전자 상관관계로 유명한 구리 기반 재료에 이를 적용했습니다. 시스템은 금속 그룹을 따라 내려감에 따라 이러한 상관관계가 약화되는 것을 성공적으로 포착했으며, 해당 재료의 행동을 이해하기 위해 양자 컴퓨터가 해결해야 할 구체적인 수학적 문제를 식별해 냈습니다. 이는 이 파이프라인이 단순히 단순 계산을 위한 도구가 아니라, 양자 컴퓨터를 재료 과학의 가장 도전적인 문제들로 안내할 수 있는 완전한 프레임워크임을 시사합니다.

이 연구의 함의는 테스트된 특정 재료들을 훨씬 뛰어넘습니다. 수동 설정 단계를 제거함으로써, 연구진은 양자 알고리즘이 단 한 번의 스윕(sweep)으로 수천 가지 재료를 대상으로 테스트될 수 있는 고처리량 스크리닝(high-throughput screening)의 경로를 만들었습니다. 이를 통해 과학자들은 준비 시간 때문에 과거에는 불가능했던 방식인, 다양한 화학적 환경 전반에서 다양한 양자 알고리즘이 어떻게 작동하는지를 연구할 수 있습니다. 또한, 전체 과정이 미분 가능하다는 것, 즉 수학적 단계들을 역추적하여 재료의 변화가 최종 결과에 어떤 영향을 미치는지 확인할 수 있다는 점은 재료 설계와 양자 알고리즘을 동시에 최적화할 수 있는 가능성을 열어줍니다. 연구진은 자신들의 도구와 데이터를 공개하여 다른 이들이 이 토대 위에 구축할 수 있도록 초대했습니다. 현재의 양자 컴퓨터는 여전히 노이즈와 제어 가능한 큐비트 수에 제한이 있지만, 이 연구는 AI 기반의 보편적인 접근 방식이 오늘날의 하드웨어를 최대한 활용할 수 있음을 입증했습니다. 이는 양자 컴퓨터를 모든 문마다 맞춤형 열쇠가 필요한 기계에서, 방대한 재료의 도서관을 열 수 있는 도구로 탈바꿈시켜 새로운 초전도체, 반도체 및 기타 첨단 물질의 발견을 가속화합니다.