양자 데이터 임베딩을 활용한 리간드 기반 가상 스크리닝 최적화

초록

본 연구는 양자‑클래식 하이브리드 임베딩 기법을 설계·평가하여, LIT‑PCBA와 COVID‑19 데이터셋에서 리간드 기반 가상 스크리닝 성능을 향상시킨다. 특히 제한된 데이터와 심한 클래스 불균형 상황에서 양자 임베딩(NQE) 및 양자‑프리트레인된 하이브리드 모델이 기존 클래식 베이스라인을 지속적으로 앞선다.

상세 분석

이 논문은 양자 데이터 임베딩이 리간드 기반 가상 스크리닝(LBVS)에서 어떻게 데이터 효율성을 높일 수 있는지를 체계적으로 탐구한다. 먼저, 기존 연구에서 제안된 Neural Quantum Embedding(NQE)을 기반으로 두 가지 양자 피처맵(ZZ, XYZ)을 적용하였다. NQE는 클래식 신경망을 통해 파라미터화된 양자 회로의 입력을 조정함으로써, 동일 클래스 샘플 간 트레이스 거리(trace distance)를 최소화하고 서로 다른 클래스 간 거리를 최대화한다. 이 과정은 커널‑타깃 정렬(kernel‑target alignment) 원리를 손실함수에 직접 반영하여, 양자 상태의 구분 가능성을 학습 단계에서부터 강화한다.

다음으로, 클래식 측면에서는 신경망‑파라미터화된 RBF 커널을 도입하였다. 여기서는 39개의 분자 디스크립터를 입력으로 하는 신경망이 출력 벡터를 생성하고, 이 벡터들 사이의 유클리드 거리를 기반으로 RBF 커널을 구성한다. 커널‑타깃 정렬 손실을 최소화함으로써, 신경망이 데이터의 클래스 구조를 반영하는 임베딩을 학습하도록 설계하였다.

세 번째로, 양자‑프리트레인드 클래식 임베딩을 제안한다. NQE로 사전 학습된 신경망 가중치를 그대로 사용하거나, 이를 RBF 커널 학습과 결합해 추가 미세조정(fine‑tuning)한다. 이 하이브리드 전략은 양자 회로의 표현력을 유지하면서, 클래식 모델의 학습 효율성을 활용한다.

데이터셋은 규모가 큰 LIT‑PCBA와 규모가 작은 COVID‑19 두 가지로 나뉘며, 각각에 맞는 평가 프로토콜을 적용하였다. LIT‑PCBA에서는 8‑qubit QCNN을 NQE 임베딩 뒤에 배치하고, 클래식 임베딩은 단일 레이어 선형 분류기를 사용하였다. COVID‑19 데이터는 샘플 수가 적어 NQE 학습이 비효율적이므로, 양자 피처맵 기반 커널(ZZ, XYZ)과 프로젝션 양자 커널(PQK)을 이용한 QSVM을 실험하였다.

실험 결과는 다음과 같다. (1) NQE‑QCNN은 특히 데이터가 1000개 이하일 때 클래식 베이스라인(예: Random Forest, 전통적인 RBF SVM)보다 높은 ROC‑AUC와 PR‑AUC를 기록하였다. (2) 양자‑프리트레인드 하이브리드 모델은 NQE 단독보다 약간 낮은 성능을 보였지만, 학습 시간과 파라미터 수에서 효율성을 확보하였다. (3) COVID‑19 데이터셋에서는 양자 커널 기반 QSVM이 클래식 RBF 및 선형 커널을 능가했으며, 특히 PQK가 전역 피델리티 커널보다 더 높은 분류 정확도를 제공했다. 이는 양자 임베딩이 고차원 힐베르트 공간에서 데이터의 구조적 차이를 효과적으로 확대한다는 것을 시사한다.

또한, 논문은 양자 회로 깊이와 노이즈 민감도에 대한 탐색을 포함한다. 2‑qubit 게이트만을 사용한 얕은 회로(l=2,3)에서도 충분한 성능 향상이 관찰되었으며, 시뮬레이션 기반 노이즈 모델링에서도 결과가 크게 변하지 않았다. 이는 현재 NISQ 디바이스에서도 실용적인 적용 가능성을 암시한다.

한계점으로는 (i) 양자 회로 설계가 아직 제한된 탐색 공간에 머물러 있어, 더 복잡한 ansatz가 잠재적 이득을 제공할지에 대한 검증이 필요하고, (ii) 데이터 전처리 단계에서 39개의 분자 디스크립터에 의존함으로써, 원시 SMILES 문자열을 직접 임베딩하는 end‑to‑end 파이프라인이 부재하다는 점을 들 수 있다. 향후 연구에서는 (1) 양자 회로 구조를 자동화된 메타러닝으로 최적화하고, (2) 그래프 신경망 기반 분자 표현과 양자 임베딩을 결합한 하이브리드 모델을 구축함으로써, 더욱 일반화 가능한 LBVS 프레임워크를 제시할 수 있을 것이다.