AI와 양자 영감 기법을 활용한 효소 발효 최적화

초록

본 논문은 인공지능(AI)과 양자 영감(QUBO) 기법을 결합해 효소 발효 공정의 다변량 최적화를 수행한다. 22개의 이진 변수로 전환된 실험 인자를 기반으로 머신러닝으로 QUBO 계수를 학습하고, 시뮬레이션을 통해 후보 포뮬러를 제시한다. 기존 600회 실험으로는 AIN(Active Ingredient) 8 481에 머물렀으나, 제안 방법으로 405회 실험만에 10 068으로 18.7 % 향상시켰다. 특히, 고품질 포뮬러에 가중치를 부여하는 Contour‑Aware Cost Function을 도입해 예측 오차를 8.95 %에서 0.78 %로 크게 감소시켰다.

상세 분석

이 논문은 효소 발효와 같이 변수 수가 많고 실험 비용이 높은 바이오공정에 AI‑양자 영감 하이브리드 최적화 프레임워크를 적용한 점이 가장 큰 특징이다. 첫 번째 단계에서는 온도, 교반 주파수, pH, 트립토판, 현미 가루 등 22개의 공정 인자를 22‑bit 이진 변수로 변환한다. 이는 전통적인 연속형 변수보다 QUBO 모델에 직접 매핑하기 용이하도록 설계된 전처리 방식이며, 변수 수가 22개이므로 QUBO 차원은 2ⁿ이 아니라 22개의 선형·이차 항(총 507개)으로 압축된다.

두 번째 단계에서는 기존 실험 데이터(초기 18개 샘플)를 활용해 머신러닝 기반 계수 최적화를 수행한다. 여기서 저자는 ‘Coarse‑Fine Tuning’ 전략을 도입했는데, 초기에는 선형 및 상수 항만을 최적화하고, 이후 전체 이차 항까지 확장한다. 이 접근법은 고차원 파라미터 공간에서의 과적합 위험을 완화하고, 학습 수렴 속도를 크게 향상시킨다. 또한 데이터 증강을 위해 n²(≈ 484)개의 가상 포뮬러를 생성하고, 이들의 AIN 값을 평균 이하로 무작위 할당해 학습 데이터 분포를 안정화한다. 증강 데이터는 해밍 거리 ≤ 3인 경우 자동 삭제함으로써 실제 실험 데이터의 신뢰성을 유지한다.

세 번째 단계는 QUBO 시뮬레이션이다. 저자는 전통적인 Simulated Annealing(SA)과 Fujitsu Digital Annealer(DAU)를 비교 분석했으며, SA의 복잡도가 O(n²·e^{2m})인 반면 DAU는 O(n)으로 크게 개선된다고 주장한다. 하지만 고품질 솔루션을 얻기 위해서는 여전히 지수적인 실행 시간이 필요하다는 점을 인정한다. 이를 보완하기 위해 ‘Walking in the Snow in Search of Plum Blossoms’ 알고리즘을 제시한다. 이 알고리즘은 현재 최적 포뮬러와 해밍 거리 1인 이웃을 탐색하고, QUBO 모델이 새로운 후보를 제시하지 못할 경우 탐색을 중단한다. 이렇게 하면 불필요한 실험을 최소화하면서도 최적점에 수렴할 수 있다.

핵심 혁신은 ‘Contour‑Aware Cost Function’이다. 기존 MSE 기반 비용 함수는 모든 포뮬러에 동일한 정확도를 요구하지만, 효소 발효와 같은 비선형 시스템에서는 고성능 포뮬러에 더 높은 모델링 정밀도가 필요하다. 저자는 비용 함수를 ( (E-H) \times e^{-\alpha (Max-H)} ) 형태로 정의해, 실제 AIN이 최대값에 가까울수록 오차 가중치를 크게 부여한다. 실험 결과, 이 함수를 적용했을 때 18 % 실험(405회)만에 AIN을 10 068까지 끌어올렸으며, 예측 오차는 8.95 %에서 0.78 %로 급감했다. 이는 QUBO 모델이 고품질 영역에 집중하도록 유도함으로써, 전통적인 QUBO 접근법이 ‘전역 최적화가 어려워’라는 편견을 깨는 사례다.

마지막으로, 저자는 600회 이상의 블라인드 실험에서는 AIN 8 481에 머물렀던 반면, 제안 방법으로 405회 실험만에 10 068을 달성했다고 보고한다. 이는 실험 비용을 약 33 % 절감하고, 최적 포뮬러 도출 시간을 크게 단축한 것으로, 바이오공정 최적화뿐 아니라 복합 설계 문제 전반에 적용 가능한 전략임을 시사한다.