대규모 실험 분말 X선 회절 데이터 분석을 위한 하이브리드 양자 신경망
A Hybrid Quantum Neural Network to Analyse Big Experimental Powder X-ray Diffraction Data
실험적 분말 X선 회절 데이터의 정량 분석은 복잡한 다상(multiphase) 소재나 노이즈가 있는 측정 데이터를 평가할 때 여전히 어려운 과제로 남아 있다. 본 논문에서는 반복적인 정련(refinement) 과정 없이 1차원 분말 회절 패턴으로부터 상 중량 분율(phase weight fraction)과 스케일 팩터(scale factor) 같은 정량 파라미터를 직접 추출하도록 설계된 하이브리드 양자 신경망 프레임워크를 제안한다. 이 모델은 노이즈를 고려한 고전 시뮬레이터 기반 사전학습과, 양자 처리 장치(QPU) 특징을 활용한 빠른 다운스트림 미세조정을 결합하여 하드웨어 결어긋남(decoherence)에 대한 안정성을 확보한다. 학습된 네트워크를 IBM 양자 컴퓨터에 배포하여, 약 10,000개의 패턴을 포함하는 3상 고체 산화물 연료전지와 약 20,000개의 패턴을 포함하는 4상 리튬이온 배터리의 실험적 X선 회절 컴퓨터 단층촬영(computed tomography) 데이터셋을 분석함으로써 이 접근법의 실용성을 입증한다. 이 네트워크는 고전적인 Rietveld 정련과 매우 잘 일치하는 정량적 공간 상 지도(spatial phase map)를 성공적으로 복원하며, 이는 양자 컴퓨팅 하드웨어를 실제 소재 특성 분석 데이터 분석에 활용하는 길을 열어준다.