PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.09737v2physics.chem-ph

Q-Score: 분자 도킹을 위한 양자 네이티브 스코어링 함수

Q-Score: A Quantum-Native Scoring Function for Molecular Docking

분자 도킹은 소분자가 단백질에 결합하는 방식을 예측하며, 신약 개발의 핵심 병목 단계이다. 고전적인 스코어링 함수는 경험적 쌍별 접촉을 합산하는 방식으로, 결합 특이성을 결정하는 궤도 전하 이동과 같은 양자역학적 효과를 반영하지 못한다. 본 연구에서는 Q-Score를 제안한다. Q-Score는 GNN으로 예측된 궤도 전자 공여-수용 에너지를 가중 그래프로 인코딩하고, Digitized-Counterdiabatic QAOA를 통해 최대 가중치 정점 클리크 문제를 풀어 결합을 스코어링한다. 각 상호작용 앵커는 하나의 큐비트에 대응되며, 호환성 제약 조건은 에지로 표현된다. 11개의 단백질 타겟에 대해 DC-QAOA는 10큐비트에서 8개의 타겟에서 정확한 최적해를 복원한다. AI 생성 분자 1,000개에 대해 Q-Score는 Spearman rho 0.05로 고전적 스코어링과 직교하며, rho 0.90으로 궤도 품질에 의해 주도되고, 분자량 바이어스가 없으며, 무작위 대비 두 배의 비율로 강한 궤도 상호작용을 농축시킨다. DC-QAOA는 52%의 정확률과 함께 평균 근사 비율 0.94를 달성한다. IBM Eagle에서 1,000개의 회로 실행을 통해 NISQ 하드웨어상 6큐비트 문제의 해결 가능성이 확인되었다.

arXiv:2609.23180v1quant-ph

잡음이 있는 QAOA 최적화를 위한 적응형 차분 진화 및 다중 시작 탐색

Adaptive Differential Evolution and Multistart Search for Noisy QAOA Optimization

우리는 $N=12$, $p=3$, $D=6$ 조건에서 네 가지 비용 해밀토니안(cost-Hamiltonian) 계열에 걸쳐 고정된 저심도(low-depth) 양자 근사 최적화 알고리즘(Quantum Approximate Optimization Algorithm, QAOA) 앤자츠(ansatz)에 대한 고전적 최적화를 벤치마크한다. 10개의 옵티마이저를 10,000회 및 30,000회의 함수 평가(function evaluations, FEs)라는 공통 상한 하에서 25회의 독립 실행에 걸쳐 비교하며, 먼저 정확한 상태벡터(statevector) 목적함수로, 이후 두 가지 수준의 가산 관측 잡음(observation noise)을 적용하여 비교한다. 정확한 목적함수에서는 다중 시작(multistart) BFGS와 다중 시작 CMA-ES가 우세하다. 잡음이 있는 피드백 하에서는 적응형 개체군(population) 기반 방법들이 더 경쟁력을 갖게 되지만, 그 순위는 성능을 방문한 최적의 정확한 지점으로 측정하는지 아니면 잡음이 있는 관측값으로부터 선택된 지점으로 측정하는지에 따라 달라진다. 각 계열별로 사전 선별된 세 가지 인스턴스 전체에 대한 표적 확장 실험은 이러한 국면 전환(regime change)을 확인해주는 동시에, 명명된 적응형 차분 진화(adaptive-DE) 우승자들이 인스턴스에 따라 달라짐을 보여준다: 동일 인스턴스 요약에서 jSO-lite는 저잡음 오라클 탐색을, iL-SHADE는 고잡음 오라클 탐색을, L-SRTDE는 고잡음 선택 해(solution)를 각각 주도한다. 부트스트랩(bootstrap) 분석은 무시할 수 없는 수준의 고잡음 탐색-선택 격차(search-selection gap)를 정량화하며, 소급적 고정 예산 검증 프록시(retrospective fixed-budget verification proxy)는 최종 재평가를 위해 소량의 측정 예산을 남겨두는 것이 30,000 FEs에서 열 가지 방법 모두에 걸쳐 선택된 해의 품질을 향상시킴을 보여준다. 추가적인 구조 인식(structure-aware) 연구는 나아가 이러한 조건에서 QAOA의 교차 심도 제한(cross-depth restriction)과 연속적 분지 정제(continuous basin refinement)가 단독 몬테카를로 트리 탐색(Monte Carlo tree-search) 선택보다 더 유용함을 보여준다. 전반적으로 옵티마이저 선택은 지형 구조(landscape structure), 관측 잡음, 그리고 최종 지점 식별(final-point identification)에 공동으로 의존한다.

arXiv:2607.20225v1quant-ph

DQAOA-GPT: 조합 최적화 문제를 위한 AI 가속 분산 양자 최적화

DQAOA-GPT: AI-Accelerated Distributed Quantum Optimization for Combinatorial Problems

조합 최적화 문제는 많은 과학 및 공학 응용의 핵심이지만, 기하급수적으로 큰 탐색 공간으로 인해 해결하기 여전히 어렵다. 변분 양자 알고리즘은 이러한 문제를 다루는 유망한 접근을 제공하지만, 반복적인 양자 회로 평가와 고전적 매개변수 업데이트로 인해 실용적 성능이 제한된다. 본 연구에서는 대규모 최적화 문제를 더 작은 하위 문제로 분해하는 분산 양자 근사 최적화 알고리즘(DQAOA)과, 이러한 하위 문제를 해결하기 위한 GPT 기반 양자 회로 생성을 통합하는 하이브리드 프레임워크인 DQAOA-GPT를 제안한다. 반복적 변분 최적화에 의존하는 대신, 제안된 접근법은 학습된 생성 모델을 사용하여 분해된 하위 문제에 대해 고품질 양자 회로를 직접 생성한다. 벤치마크로서, 최대 100개의 결정 변수를 갖는 dense HUBO 최적화 문제에서 DQAOA-GPT를 기존 DQAOA와 비교 평가한다. 결과는 DQAOA-GPT가 경쟁력 있는 해법 품질을 유지하면서 계산 비용을 크게 줄이며, 하위 문제 크기가 클수록 더 큰 가속이 관찰됨을 보여준다. 본 연구는 벤치마크 규모 검증에 초점을 맞추지만, 이 프레임워크는 GPU 자원 확대와 병렬 컴puting 능력을 통해 하이브리드 HPC-QC 환경에서 더 대규모 조합 최적화를 위한 유망한 기반을 제공한다.

arXiv:2607.02622v1quant-ph

COMET: 제약 보존 QAOA를 통한 멀티플렉스 편집 타겟을 위한 조합 최적화

COMET: Combinatorial Optimization for Multiplex Editing Targets Via Constraint-Preserving QAOA

멀티플렉스 CRISPR-Cas9 유전자 편집은 유전자 간 상호작용이 존재하는 상황에서 각 타겟 유전자마다 하나의 가이드 RNA를 선택해야 하는 제약 조합 문제로, 이는 이차 비제약 이진 최적화(QUBO)로 정식화하여 양자 근사 최적화 알고리즘(QAOA)으로 풀 수 있다. 유전자당 원-핫(one-hot) 제약은 통상적으로 비용 해밀토니안에 이차 패널티 항을 추가하는 방식으로 적용되지만, 패널티 계수 선택은 휴리스틱에 의존하며 패널티가 하드웨어 노이즈를 증폭시키는 문제가 있다. 대안으로, 구조적으로 제약을 적용하는 XY-믹서를 사용하면 설계 단계에서 실현 가능성을 보장할 수 있다. 본 논문에서는 면역 체크포인트 유전자 PDCD1, LAG3, HAVCR2를 타겟으로 하는 3개 유전자, 12큐비트 멀티플렉스 편집 인스턴스에서 패널티 기반 QAOA와 XY-믹서 QAOA를 체계적으로 비교한 COMET을 제시한다. 시뮬레이션에서 XY-믹서는 QAOA 깊이 p=3에서 최적값의 확률 95% 이상을 달성한 반면, 패널티 계수를 한 자릿수 범위로 변화시킨 세 가지 패널티 변형은 모든 깊이에서 6% 미만에 머물렀다. IBM의 ibm_kingston(Heron r2) 프로세서에서 XY-믹서의 시뮬레이터-하드웨어 에너지 차이는 모든 깊이에서 |0.8| 이내를 유지한 반면, 가장 잘못 조정된 패널티 변형의 차이는 +53.9에 달했다. 또한 게이트 수준 노이즈 하에서 구조적 보장이 부분적으로 깨지는 상황에 대해서도 솔직하게 분석한다. 12큐비트 인스턴스는 고전적으로 자명한 문제이나, 본 연구의 기여는 실제 하드웨어 검증을 포함하여 생물학적으로 동기화된 영역에서 제약 적용 전략에 대한 방법론적 비교를 제공하는 데 있다.

arXiv:2606.20667v1cs.AI

마감시한 기반 하이브리드 재생에너지 마이크로그리드 오케스트레이션을 위한 양자 보조 에이전틱 분산 인공지능 프레임워크

A Quantum-Assisted Agentic Distributed Artificial Intelligence Framework for Deadline-Bounded Orchestration of Hybrid Renewable Microgrids

변동하는 재생에너지원, 발전 가능(dispatchable) 유닛, 저장 장치, 그리고 감축 가능(curtailable) 수요를 결합한 마이크로그리드의 실시간 오케스트레이션은 엄격한 제어 마감시한 하에서 조합적 배치(dispatch) 및 연합(coalition) 형성 문제를 반복적으로 해결해야 한다. 본 논문에서는 각 제어 슬롯의 배치 문제를 BDIx(Belief-Desire-Intention extended) 에이전트가 2차 무제약 이진 최적화(QUBO) 문제로 formulation하고, 양자, 양자 영감(quantum-inspired), 및 고전 솔버 포트폴리오로 이를 해결하는 양자 보조 에이전틱 분산 인공지능(DAI) 프레임워크를 제안한다. 솔버 선택은 코디네이터 에이전트의 1차 에이전틱 숙고(deliberation) 행동으로 격상된다. 솔버 지연시간에 대한 학습된 믿음(belief)이 유지되며, 각 슬롯에서 현재 숙고 마감시한을 충족할 것으로 예상되는 솔버 의도(intention)가 확정(commit)된다. 또한, 저장 에이전트가 할인된 미래 피크 가치로 에너지 가격을 책정하는 믿음 기반 저장 가치 평가 메커니즘을 도입하여, 그렇지 않으면 근시안적인(per-slot) 최적화에 시간 간(intertemporal) 정보를 주입한다. 이 프레임워크는 광전(PV), 풍력, 배터리, 발전기(genset), 수요 반응(demand-response) 자산을 갖춘 계통 연계(grid-connected) 마이크로그리드의 24시간 시뮬레이션에서 평가되며, Quantum Approximate Optimization Algorithm(QAOA)은 statevector 시뮬레이션으로 실행되고 각 슬롯마다 tabu search, simulated annealing, binary particle swarm optimization, greedy descent, exhaustive enumeration과 벤치마크된다. 숙고 마감시한 누락은 0건이며, 확정된 배치는 모든 슬롯에서 정확한 최적해를 달성하고, 실현 일일 비용 146.24 EUR는 정확한 하한과 일치하며, 재생에너지 활용률 97.83%, 미공급 에너지 0이다. 저장 가치 평가 메커니즘을 비활성화하면 일일 비용은 152.75 EUR로 4.5% 증가한다.

arXiv:2606.06543v1quant-ph

QUBO 및 하이브리드 양자 알고리즘 기반 철도 단기 집중 출발 시나리오의 출발 순서와 구간-선로 할당 조율 최적화

Coordinated optimization of departure sequencing and section-track allocation in railway short-term concentrated departure scenarios based on qubo and hybrid quantum algorithms

본 연구는 철도 단기 집중 출발 시나리오에서 출발 순서와 구간-선로 할당의 조율 최적화를 다룬다. 통합 이진 프레임워크 내에서 출발 위치 할당과 구간-선로 선택을 표현하기 위해 이차 무제약 이진 최적화(quadratic unconstrained binary optimization, QUBO) 모델을 수립한다. 디스패칭 방안의 품질은 정적 조합 모델로 완전히 포착할 수 없는 시간 의존적 운영 상호작용에 달려 있으므로, 구간 점유, 중간역 대기, 승강장 용량 압력, 운행 시간 변동, 지연 전파를 평가하기 위해 시뮬레이션 기반 평가 층을 도입한다. 이 계층적 프레임워크 안에서 기존 휴리스틱, 양자 영감(quantum-inspired) 알고리즘, 하이브리드 알고리즘을 동일한 의사결정 구조 위에서 비교한다. 결과에 따르면 QUBO 모델은 디코딩 후 실행 가능한 후보 방안을 생성할 수 있으며, 시뮬레이션 층은 정상 및 교란 조건 모두에서 경쟁 알고리즘의 운영 성능을 명확히 구분한다. 시험 시나리오에서 QPSO-QAOA는 정상 조건에서 가장 우수한 성능을 보였으며, 양자 강화 방법은 동적 조건에서 기존 대응 방법 대비 종합 비용을 평균 4.28%--26.26%, 총 지연을 평균 4.37%--24.25% 감소시켰다. 이러한 결과는 QUBO 기반 모델링과 시뮬레이션 기반 평가의 통합이 철도 단기 집중 출발 스케줄링을 위한 유용한 방법론적 프레임워크를 제공함을 시사하지만, 실제 운영 데이터를 이용한 검증은 여전히 필요하다.