단일광자 하이브리드 양자 모델로 폴리머 광학갭 분류

초록

본 논문은 클래식 딥 뉴럴 네트워크로 폴리머를 벡터화하고, 이를 단일광자 기반 포톤 회로에 인코딩한 뒤 변분 양자 분류기(VQC)로 광학갭을 예측하는 하이브리드 클래식‑양자 워크플로우를 제안한다. CPU 시뮬레이션과 Quandela Ascella 실험 모두에서 기존 방법과 비슷하거나 약간 우수한 정확도를 보이며, 현재 NISQ 수준에서도 화학‑재료 분류가 가능함을 입증한다.

상세 분석

이 연구는 폴리머의 구조‑특성 관계를 탐색하기 위해 기존의 다중 스케일 전산 방법이 갖는 한계를 인식하고, 양자 컴퓨팅, 특히 저감쇠와 다중 자유도를 활용할 수 있는 포톤 기반 NISQ 디바이스를 활용한다는 점에서 혁신적이다. 먼저, SMILES 문자열을 입력으로 하는 딥 뉴럴 네트워크(DNN) 피처 추출기가 monomer 수준의 화학 정보를 고차원 벡터에서 수십 차원으로 압축한다. 이 압축된 피처는 각 차원을 개별 위상 변조기로 변환해 포톤 회로의 Fock 공간에 인코딩한다. 인코딩은 3개의 광자를 5개의 모드에 배치하는 형태로, 데이터 차원과 광자 수 사이의 효율적인 매핑을 구현한다.

포톤 회로 자체는 두 개의 파라미터화된 빔스플리터 메쉬(W¹, W²)와 중앙 데이터 인코딩 블록(S)으로 구성된 변분 양자 분류기(VQC)이다. 회로의 파라미터 Θ(θ₁,θ₂)와 관측 연산자 λ는 클래식 최적화 루프(seesaw)로 학습되며, 손실 함수는 정규화된 제곱 오차와 λ에 대한 L2 정규화 항을 포함한다. 측정은 단일광자 임계 검출기 또는 의사 광자수분해(PPNR) 검출기를 이용해 Fock 상태별 확률을 추정하고, 이를 선형 결합해 클래스 점수를 산출한다.

실험에서는 DFT(B3LYP, CAM‑B3LYP)로 계산된 1,200여 개의 monomer/oligomer 데이터를 사용해 광학갭을 ‘작음/큼’ 두 클래스로 라벨링하였다. CPU 기반 노이즈 시뮬레이션에서는 평균 정확도 84 %를 기록했으며, 실제 Ascella QPU에서는 81 % 수준을 달성했다. 이는 동일한 데이터셋을 전통적인 머신러닝(예: Random Forest, SVM)으로 학습했을 때의 성능과 비교해 큰 차이가 없으며, 오히려 파라미터 수가 현저히 적은 양자 회로가 비슷한 결과를 얻는 점이 주목할 만하다.

핵심 인사이트는 (1) 포톤 기반 VQC가 제한된 광자 수와 모드 수만으로도 충분히 복잡한 비선형 매핑을 구현할 수 있다는 점, (2) 클래식 DNN 피처 추출기가 양자 회로에 전달되는 입력 차원을 효과적으로 축소해 NISQ 디바이스의 회로 깊이와 오류율을 최소화한다는 점, (3) 현재 하드웨어 제약(광자 손실, 위상 불안정)에도 불구하고 화학‑재료 분야의 실용적인 분류 작업에 적용 가능하다는 점이다. 향후 연구에서는 더 많은 광자와 모드를 활용한 고차원 인코딩, 오류 보정 기법 도입, 그리고 실제 실험 데이터(예: 광학 스펙트럼)와의 연계가 필요하다.