LLNL, 4.1백만 달러 ARPA-E 지원으로 양자·ML 기반 자성 소재 시뮬레이션 추진

사업 개요 및 배경

ARPA-E의 QC3(Quantum Computing for Computational Chemistry) 프로그램은 초전도 송전선·고성능 배터리·희토류 자석·촉매 시스템 등 상업용 에너지 분야의 시뮬레이션을 가속하기 위해 양자 알고리즘 개발을 지원하는 사업이다. LLNL은 이번 프로젝트의 주관 기관으로 선정돼, 전기 모터·발전기·고성능 IT 장비에 필수적인 초강력 경량 자석 소재를 발굴하는 소프트웨어 툴체인을 개발한다.

기술적 접근: 고전-양자 하이브리드 알고리즘

LLNL 연구팀은 세계 최고 성능 슈퍼컴퓨터인 El Capitan에서 운용 중인 전자 구조 시뮬레이션 코드를 기반으로, 계산이 복잡한 양자역학적 문제만 양자 프레임워크로 오프로드하는 구조를 구상하고 있다. 자성 스핀이 관여하는 다체(many-body) 양자계는 고전 컴퓨터로 모델링하기 어렵지만, 양자 컴퓨터에서는 자연스럽게 표현된다는 점이 이 접근의 핵심 논거다. 다만 현재 쓰이는 고전 알고리즘 대부분은 양자 컴퓨터에 그대로 적용하기 어려워, 알고리즘 자체의 재설계가 필수적이다.

양자 오류 정정과 하드웨어 현실

실용적인 양자 계산을 위해 연구팀은 약 1만 개의 물리적 큐비트를 묶어 100개의 논리적 큐비트를 구성하는 오류 정정 체계를 목표로 삼고 있다. 물리 큐비트 일부에 오류가 발생하더라도 정정 프로토콜이 올바른 논리 큐비트 결과를 보장하는 방식이다. 다만 이 규모의 하드웨어는 현재 상용 시장에 존재하지 않으며, 연구팀은 약 1년 후 중성 원자(neutral atom) 방식의 선도 기업인 하드웨어 파트너로부터 프로토타입 시스템을 제공받아 검증을 시작할 계획이다. 이후 남은 2년간 알고리즘 구현과 머신러닝 연동 작업을 수행한다.

에너지 절감과 공급망 의미

이번 연구의 응용 대상은 크게 두 가지다. 첫째, 풍력·전기차·수력 발전 등에서 전기 에너지와 기계 에너지를 변환하는 모터·발전기용 자석이다. 우수한 자성 소재를 발굴하면 중국산 희토류 의존도를 낮추는 공급망 다변화 효과도 기대할 수 있다. 둘째, AI·IT 인프라에서 급증하는 전력 소비 문제다. MRAM 기반 메모리 칩은 자화 반전으로 데이터를 읽고 쓰는데, 이 반전에 필요한 에너지를 20%만 줄여도 전국 단위 전력 비용에 유의미한 영향을 미친다는 분석이 제시됐다. AI·IT가 미국 전력 소비의 상당 부분을 차지하게 될 것으로 예상되는 만큼, 소재 혁신의 경제적 파급 효과는 작지 않다.

한계와 전망

연구팀 스스로 이 프로젝트를 "불가능의 경계"에 있다고 표현할 만큼, 필요한 양자 하드웨어의 준비 수준이 아직 임계점에 미치지 못한다. 3년 프로젝트 기간 내에 완전한 양자 우위 시뮬레이션을 달성하지 못하더라도, 향후 2~3년 안에 목표 계산이 가능하다는 경로를 입증하는 것 자체를 성공 기준으로 설정한 점은 현실적인 마일스톤 설정으로 볼 수 있다.