USA Rare Earth·Pasqal·Riven Systems, 희토류 분리 공정에 양자 ML 적용 협력

협력 구조와 각사의 역할

세 기관은 역할을 명확히 분담한다. Riven Systems는 자체 자율 합성 장비로 물리 실험을 반복 수행해 QML 학습에 필요한 실험 데이터를 생성한다. Pasqal은 중성원자 QPU를 활용해 QML 모델을 구동하고, 이를 기존 고전 컴퓨팅 방식과 성능 비교한다. USA Rare Earth는 텍사스 주 Round Top 광산, 브라질 자산, 재활용 자석 스크랩 등에서 나온 실물 원료와 공정 설계도를 제공한다.

검증은 콜로라도 주 Wheat Ridge에 위치한 USA Rare Earth의 R&D 시설에서 실제 원료를 투입하는 하드웨어-인-더-루프 방식으로 진행된다.

대상 물질과 공급망 배경

이번 프로젝트는 디스프로슘(Dy), 테르븀(Tb), 이트륨(Y) 등 중(重)희토류 원소를 주요 대상으로 삼는다. 이 원소들은 전기차 모터, 방산 시스템 등에 필수적이나 공급망이 특정 지역에 집중돼 있어 서방국들의 전략적 취약점으로 꼽혀 왔다. 기존 희토류 분리는 방대한 시행착오적 화학 실험에 의존하는데, QML 기반 추출제 예측은 이 과정을 단축하려는 접근이다.

기대 효과와 기술적 의미

파트너십 측은 검증에 성공할 경우 상업 처리 시설에서 장비 규모, 공정 단계 수, 에너지 소비를 줄일 수 있다고 밝혔다. Pasqal 입장에서는 Saudi Aramco와의 양자 시뮬레이션, Crédit Agricole CIB와의 금융 분야 협업에 이어 소재화학 분야로 응용 범위를 넓히는 사례가 된다.

한계와 유의점

현 단계는 R&D 검증 단계이며, 상업 배치로 이어질지는 불확실하다. QML이 기존 고전 ML 대비 실질적 우위를 갖는지—이른바 '양자 이점'—는 아직 이 분야에서 확인된 바 없다. 또한 Riven Systems의 자율 실험 데이터 품질이 모델 성능에 직결되므로, 실험-모델 간 피드백 루프의 신뢰도가 전체 성과를 좌우하는 변수가 된다.