Kipu Quantum, QuEra Aquila 중성원자 프로세서에서 분자 독성 양자 특성 추출 F1 점수 2배 달성

배경: 게이트 기반 회로의 한계를 우회하는 아날로그 접근

현재 노이즈 환경의 양자 하드웨어에서는 깊은 게이트 기반 회로를 요구하는 디지털 양자 머신러닝(QML) 알고리즘의 실용성이 크게 제한된다. Kipu Quantum 엔지니어들은 이 문제를 우회하기 위해 QuEra의 중성원자 QPU에서 구현되는 아날로그 Rydberg 상태 연속 동역학을 채택했다. 개별 게이트 연산 없이 원자 집합의 자연스러운 양자 진화를 그대로 이용해 분자 특성을 추출하는 방식이다. 실험 접근은 자사의 Kipu Quantum Hub 플랫폼을 통해 이루어졌다.

실험 설계: 200원자 격자와 마이크로초 단위 펄스

UCI 분자 독성 데이터셋의 각 후보 분자에 대해 200개의 중성원자를 14×15 격자 위에 수 마이크로미터 간격으로 배치했다. 4마이크로초 미만의 연속 구동 펄스를 적용해 원자 배열 전체에 걸쳐 집단적 양자 상호작용이 진화하도록 했고, 샘플당 500회 독립 측정을 통해 분자 하나당 약 1,000개의 양자 특성 벡터를 생성했다. 100회 무작위 데이터셋 분할 실험에서 XGBoost, CatBoost, Random Forest, SVM, Google Research의 제로샷 표형 기반 모델(TabFM) 등 다양한 고전 ML 분류기를 평가에 사용했다.

성능 비교: 불균형 데이터셋에서 두드러지는 양자 특성의 강점

고전 기준선 특성만 사용했을 때 균형 정확도(Balanced Accuracy)는 0.55, F1 점수는 0.30에 그쳤다. 반면 양자 특성만 투입한 SVM 파이프라인은 균형 정확도 0.70, F1 점수 0.60, AUC 0.81을 달성해 전 지표에서 가장 높은 성능을 보였다. 고전 특성과 양자 특성을 결합한 혼합 파이프라인은 균형 정확도 0.68, AUC 0.77로 고전 단독보다는 우수하지만 양자 단독에는 미치지 못했다.

불균형 데이터셋에서 원시 정확도(Raw Accuracy)는 비독성 다수 클래스를 일괄 예측하는 것만으로도 높게 나올 수 있어 실질적 판별 지표로 신뢰하기 어렵다. 균형 정확도와 F1 점수가 핵심 지표인 이유다. 양자 특성은 이 두 지표에서 고전 방식 대비 각각 27%포인트, 100% 향상을 기록했다.

의미와 한계

이번 실험은 게이트 기반 회로 없이도 아날로그 양자 하드웨어만으로 실용적 ML 파이프라인에 편입 가능한 고차원 특성을 생성할 수 있음을 보여준 사례로, 신약 개발 및 화학 안전성 분야에서 독성 예측 정확도 향상에 직결된다는 점에서 주목할 만하다.

다만 결과는 단일 데이터셋(UCI 분자 독성)에 국한되며, 다른 생물·화학 데이터셋으로의 일반화 여부는 추가 검증이 필요하다. 고전+양자 결합 방식이 양자 단독보다 낮은 점수를 기록한 것은 두 특성 공간의 상호보완성이 이 과제에서 제한적임을 시사한다. 고전 방법을 충분히 최적화했을 때와의 엄밀한 비교, 그리고 더 넓은 화학 공간에서의 재현 실험이 후속 과제로 남아 있다.