IonQ, 양자화학 계산 비용 약 99% 절감…무엇을 바꿨나
Updated: 3 days ago
IonQ, 양자화학 계산 비용 약 99% 절감…무엇을 바꿨나
2026년 11월 6일 | RyanLab
양자컴퓨터가 유용한 정보를 만들어내도 계산은 끝나지 않습니다. 그 정보를 읽고 가공해 분자의 에너지 같은 최종 결과로 바꾸는 데도 상당한 컴퓨팅 자원이 필요합니다. IonQ의 새 논문은 이 과정에 AI를 도입해, 특정 화학 계산의 고전 후처리 비용을 약 99% 낮춘 결과를 제시했습니다. 오늘 블로그에서는 새 논문에 대해서 소개하려고 합니다.
개념 삽화 | 양자 측정 정보를 학습한 AI 모델을 화학 계산에 활용하는 접근
양자컴퓨터 밖에서 발생한 계산 병목
분자의 반응을 이해하려면 전자들의 상호작용에 따른 에너지를 계산해야 합니다. 논문에서 사용하는 AFQMC는 많은 표본을 움직이며 에너지를 추정하는 방법입니다. 이때 trial state라는 근사적인 전자 상태가 계산의 길잡이 역할을 합니다. 길잡이가 정확해지면 계산에 들어가는 편향을 줄이는 데 도움이 됩니다.
QC-AFQMC는 양자컴퓨터로 준비한 trial state의 정보를 이 과정에 활용합니다. 문제는 양자 측정 이후였습니다. 기존 구현에서는 분자 구조 하나당 약 6만 개의 측정 기록을 확보하고, 계산 표본과 반복 단계마다 그 기록을 다시 처리해야 했습니다. 측정 자료를 재사용해도 고전컴퓨터 안에서 같은 정보를 반복 계산하는 부담은 남았습니다.
측정 기록을 학습하는 전용 AI
연구진은 이 반복 작업을 줄이기 위해 Neural Quantum State, NQS를 도입했습니다. 양자 측정 자료로 대표적인 계산 표본에 대한 학습 데이터를 만들고, 전자 상태를 표현하는 신경망을 훈련했습니다. 이후 AFQMC 본 계산에서는 전체 측정 기록을 다시 합산하는 대신 학습된 모델을 활용합니다.
여기서 AI는 화학 질문에 문장으로 답하는 챗봇이 아닙니다. 양자 상태의 수학적 표현을 학습하는 Transformer 기반 모델입니다. 측정 기록에 담긴 정보를 본 계산에서 쓸 수 있는 형태로 옮기는 역할을 맡습니다. 데이터 처리의 부담이 반복 계산에서 한 번의 학습 데이터 구성 과정으로 이동한 것입니다.
비용 비교 | 논문 Table III의 추정치. 전체 신약 개발 비용이나 QPU 이용료의 절감률이 아닙니다.
기존 방식의 추정 고전 계산 비용은 분자 구조 하나당 90,600달러였고, 이번 방식은 596달러였습니다. 동일한 양자 측정 데이터를 사용하고 계산 단계를 1,500회로 정규화한 비교입니다. 새 방식의 비용에는 학습 데이터 구성과 NQS 학습, CPU에서 실행한 본 계산이 포함됩니다. 양자컴퓨터 사용 비용은 비교에서 제외됐습니다.
GPU 사용량만 보면 감소 폭은 더 커 보이지만, 새로운 방식은 상당 부분을 CPU에서 계산합니다. 따라서 GPU 시간의 감소를 전체 계산의 가속률로 읽어서는 안 됩니다. 이 결과는 논문이 사용한 AWS 단가와 구현 조건에 따른 비용 추정이며, 모든 화학 계산에 같은 절감률이 적용된다는 뜻도 아닙니다.
반응 에너지의 방향까지 달라졌다
실험 대상은 니켈 촉매를 사용하는 Suzuki–Miyaura 반응의 산화적 첨가 단계입니다. 연구진은 반응이 넘어야 할 에너지 장벽과 반응 전후의 에너지 차이를 계산했습니다. 반응 에너지가 양수면 흡열, 음수면 발열 방향을 뜻합니다.
계산 방법 | 에너지 장벽 | 반응 에너지 |
기존 QC-AFQMC | 43 ± 3 | −12 ± 3 |
이번 NQS-AFQMC | 62.6 ± 2.1 | +4.5 ± 2.6 |
이상적 upCCD 기반 AFQMC | 62.2 ± 2.4 | +4.9 ± 3.0 |
CCSD(T) 기준 계산 | 53.3 | +7.9 |
단위: kcal/mol. 출처: 논문 Table II. ± 값은 논문이 보고한 통계적 불확실성입니다.
기존 방식은 반응 에너지를 음수로 계산했지만, NQS를 사용한 결과는 양수로 바뀌었습니다. 고전 기준 계산인 CCSD(T)와 같은 방향입니다. 특히 노이즈 없는 이상적 upCCD trial state를 사용한 AFQMC 결과와 통계적 오차 범위 안에서 일치했다는 점이 이번 연구의 주요 성과입니다.
다만 에너지 장벽은 CCSD(T)보다 약 9 kcal/mol 높습니다. 이상적인 trial state에도 근사에 따른 한계가 있기 때문입니다. 이상적 회로의 결과에 가까워졌다고 해서 화학적으로 필요한 정확도를 모두 확보한 것은 아닙니다. 저자들은 이전 계산과 이번 계산의 진행 설정도 달라, 개선 효과를 노이즈 완화 하나로 분리해 설명할 수 없다고 명시했습니다.
물리적 제약이 학습의 방향을 잡았다
연구진은 모델이 측정값을 무조건 따라가도록 두지 않았습니다. 준비한 upCCD 상태에서 전자들이 특정한 짝 구조를 유지한다는 조건을 모델에 반영했습니다. 이 조건에 맞지 않는 성분을 배제하고, 보정과 regularization을 더해 일부 노이즈의 영향을 줄였습니다.
니켈 반응의 세 구조에서 이상적 상태와의 Fidelity는 직접 재구성한 자료의 약 0.60~0.64에서 학습된 NQS의 약 0.98~0.995로 높아졌습니다. 이는 정해진 전자쌍 상태 공간에서 모델을 비교한 수치입니다. 실제 하드웨어의 gate fidelity나 논리 큐비트의 오류정정 성공률이 이 수준으로 개선됐다는 의미는 아닙니다.
IonQ 기술 안에서 이 연구가 놓이는 자리
이번 논문은 양자 측정 이후의 데이터 활용을 다룹니다. Shelving의 판독 성능이나 EQC의 전자식 큐비트 제어를 직접 개선한 결과는 제시하지 않습니다. 실제 큐비트를 계산 중에 보호하는 Fault-Tolerant Quantum Error Correction을 달성한 연구도 아닙니다. 학습 과정에서 일부 오류의 영향을 줄이는 Error Mitigation과, 양자정보를 인코딩해 보호하는 QEC는 구분해야 합니다.
이 기술들과의 연결은 응용 단계에서 생각할 수 있습니다. 더 좋은 하드웨어가 정확하고 복잡한 양자 상태를 준비하더라도, 그 결과를 활용하는 고전 계산이 지나치게 비싸면 실용성에 제약이 생깁니다. 이번 방법은 그 부담을 줄이는 소프트웨어로 연결될 가능성이 있습니다. 다만 EQC나 Fault-Tolerant 시스템과 결합했을 때의 효과는 이번 논문에서 검증하지 않았습니다.
다음 관문은 더 큰 문제에서의 검증
이번 연구에서 가장 큰 active space는 16 qubits입니다. 저자들은 모든 사례가 고전 시뮬레이션으로 검증 가능한 크기라고 밝힙니다. 따라서 이 결과만으로 Quantum Advantage를 입증했다고 볼 수는 없습니다. 비교 대상도 최선의 모든 고전 계산법이 아니라 연구진의 이전 QC-AFQMC 구현입니다.
특정 전자쌍 구조를 활용한 학습법이 더 복잡한 상태에서도 효과적인지 확인해야 합니다. 분자가 커지면 더 많은 측정과 학습 표본이 필요할 수 있습니다. 함께 시험한 질소 분자에서는 결합이 늘어난 조건에서 오차가 남았다는 점도, 개선 효과가 문제에 따라 달라질 수 있음을 보여줍니다.
저는 이번 논문의 의미를 양자컴퓨터가 만든 정보를 실제로 활용하는 비용까지 줄이려는 시도에서 찾습니다. 산업 현장에서는 큐비트 수와 gate fidelity뿐 아니라 최종 결과를 얻기까지 필요한 시간과 비용도 중요합니다. 동일한 양자 측정 데이터에서 더 유용한 결과를 더 낮은 비용으로 끌어냈다는 점은 구체적인 진전입니다.
IonQ가 다음으로 보여줘야 할 것은 이 이점이 고전컴퓨터로 다루기 어려운 규모에서도 유지되는가입니다. 계산 규모가 커져도 정확도와 전체 비용의 이점이 살아남을 때, 이번 연구는 실험실의 개선을 넘어 산업 현장에서 쓸 수 있는 방법으로 자리 잡을 수 있습니다.
관련동영상을 보고 싶으신 분은 아래 링크를 눌러주세요
출처
Justin Provazza 외 6인, Accelerating Quantum-Classical Auxiliary-Field Quantum Monte Carlo with Shadow-Trained Neural Quantum States. arXiv:2611.08129v1. PDF 표기일 2026년 11월 6일, arXiv 최초 제출일 11월 5일. 본 글은 preprint의 본문과 Table II·III를 기준으로 작성했습니다.
Comments