Sample-based quantum diagonalization (SQD), an extension of quantum selected configuration interaction (QSCI), is a promising hybrid quantum-classical paradigm for molecular ground-state energies. By replacing variational optimization with quantum sampling, QSCI avoids barren plateaus and directly reconstructs correlated wavefunctions. However, existing configuration recovery mainly enforces symmetry constraints without targeting the most physically relevant configurations, often yielding oversized subspaces and costly classical diagonalization. We introduce QSCI-RBM, a compact subspace generation protocol based on Restricted Boltzmann Machines (RBMs), and integrate it within Density Matrix Embedding Theory (DMET). The RBM learns the distribution of dominant determinants from hardware samples, generating high-probability configurations. Sampling was performed on IBM Heron R1 (\texttt{ibm\_torino}) for CH$_5$NO, R2 (\texttt{ibm\_fez}) for C$_2$H$_4$, and R3 (\texttt{ibm\_boston}) for the larger H$_2$O benchmark and the protein-ligand system. After validating on these benchmarks of increasing active-space size, we simulate the inhibitor Carmofur bound to the SARS-CoV-2 main protease (M\textsuperscript{pro}), fragmented into ten DMET impurities. Both DMET-QSCI-RBM and a DMET-SQD baseline reach chemical-potential self-consistency within four $\mu$-iterations. At the converged chemical potential, DMET-QSCI-RBM lies within $0.05\,\mathrm{mHa}$ of DMET-FCI while accessing on average only $0.22\%$ of the symmetry-preserving configuration space, versus $0.55\,\mathrm{mHa}$ at $33.0\%$ for DMET-SQD, leading to a $\sim$153-fold subspace reduction. RBM-assisted expansion thus yields far more compact hardware-derived determinant spaces at equal or better accuracy, reducing classical overhead for scalable quantum embedding of biological systems on real hardware.
양자 상태 준비는 많은 양자 알고리즘의 핵심 구성 요소이다. 이 단계를 효율적으로 수행하는 것은 양자 화학 응용에서 실용적인 양자 이점(quantum advantage)을 실현하는 데 필수적이다. ADAPT-VQE와 같은 반복 알고리즘은 얕은 기저 상태 준비 회로를 생성할 수 있지만, 재료 과학 및 의약품 개발과 관련된 더 큰 분자에 대해서는 계산적으로 비현실적이 된다. 여기서 우리는 전자 구조 계산을 위한 기저 상태 준비 회로를 합성하는 방법을 학습하는 생성형 AI 프레임워크인 ADAPT-GQE를 소개한다. 먼저 ADAPT-VQE를 사용하여 고품질 참조 회로를 생성하고, 이를 회로 생성 모델 학습의 목표로 사용한다. 학습이 완료되면 모델은 회로를 효율적으로 제안하고 점수를 매길 수 있으며, 이를 통해 강화학습(RL)이 ADAPT-VQE 학습 데이터의 정확도를 넘어서는 회로 생성 정확도를 달성하도록 할 수 있다. 이 파이프라인은 상태 준비 정확도를 유지하거나 개선하면서 ADAPT-VQE 대비 회로 생성 시간을 자릿수(order of magnitude) 수준으로 단축한다. 우리는 이미프라민(imipramine)에 ADAPT-GQE를 시연하는데, 이미프라민은 약물 안정성 프로토콜에서 계산 모델링을 위한 대표적이고 도전적인 표적 역할을 하는 잘 알려진 삼환계 항우울제이다. 생성된 회로를 Quantinuum Helios-1에서 실행하였으며, 이는 최첨단 양자 하드웨어에서 AI가 생성한 양자 화학 회로의 이정표를 나타낸다. 이러한 결과는 실용 규모(utility-scale) 양자 계산 화학을 위한 자동화된 양자 회로 합성으로 나아가는 경로를 확립한다.
양자 위상 추정(QPE)은 분자 기저 상태 에너지 추정을 위한 기본 알고리즘이지만, 깊은 회로 요구사항 때문에 노이즈 중간 규모 양자(NISQ) 장치에서 직접 하드웨어 실행은 비현실적이다. 우리는 양자 회로 시뮬레이션 없이 얕은 변분 양자 회로(VQC)가 QPE 측정 분포를 재현하도록 학습되는, 해석적으로 정당화된 변분 대리 프레임워크를 제시한다. 학습 목표는 디리클레 커널을 통해 전적으로 고전적으로 계산되며, 전체 구성 상호작용(FCI) 기저 상태 에너지, 보조 큐비트 수, 시간 진화 매개변수로부터 직접 평가되어, 기존 대리 접근법의 지수적으로 증가하는 시뮬레이션 병목을 제거한다. 이 프레임워크를 대칭 테이퍼링 해밀토니안을 사용한 수소 분자(H$_2$)에 적용하고, IBM Quantum 하드웨어에서 4단계 실험 조사를 수행한다. 1단계에서는 $R_Y$-$R_Z$-$CZ$ ansatz에 대해 XpXm 동적 디커플링(DD) 유무와 함께 선형 및 전체 엔탱글러 토폴로지를 4가지 분포 지표(Hellinger 거리, 충실도 오차, 전체 변동 거리, Jensen-Shannon 발산)로 비교하여 선형 엔탱글러가 최적임을 확인한다. 2단계에서는 선형-엔탱글러 ansatz에 대해 VQC 층($p=1$~$5$)을 변화시키며, 하드웨어 노이즈 하에서 단일 층 깊이가 최적임을 확인한다. 3단계에서는 이 구성을 축소된 $R_Y$-$CZ$ ansatz에 적용하고, 이상적 및 노이즈 시뮬레이터로 학습된 매개변수를 비교한다. $p \in \{8,64\}$에서의 보충 노이즈 분석은 회로 깊이와 DD 효과 간의 깊이 의존적 상호작용을 특성화한다. 이 프레임워크는 선형적으로 확장되는 VQC를 사용하여 QPE를 충실히 모사하고, 화학 정확도 임계값(1 kcal/mol) 이내에서 기저 상태 에너지를 복원하며, NISQ 장치에서 QPE 기반 분자 에너지 추정을 위한 확장 가능하고 하드웨어 효율적인 패러다임을 구성한다.
우리는 OrbitAll을 소개한다. OrbitAll은 기하학 및 물리학 정보를 반영한 심층 학습 프레임워크로, 전자 구조 정보를 이용해 임의의 전하, 스핀, 환경 효과를 갖는 모든 분자 시스템을 인코딩한다. 이는 기저 양자역학 방법에서 얻은 스핀 분극(spin-polarized) 궤도 특성을 활용하며, SE(3)-등변(equivariant) 그래프 신경망과 결합한다. OrbitAll은 대전 입자, 개각(open-shell), 용매화(solvated) 분자 예측에서 우수한 성능과 일반화를 보이며, 학습 데이터보다 훨씬 큰 분자에도 강건하게 외삽한다. OrbitAll은 경쟁 AI 모델 대비 10배 적은 학습 데이터로 화학적 정확도(chemical accuracy)를 달성하며, 밀도 범함수 이론(density functional theory, DFT) 대비 약 $10^3$ - $10^4$배의 속도 향상을 이룬다. 화학적으로 다양한 데이터셋으로 학습된 OrbitAll은 까다로운 분자 시스템에서도 강건하게 동작하며, 분자 데이터를 35배 적게, 50배 더 작은 모델을 사용함에도 기계학습 원자간 포텐셜(machine-learned interatomic potential) UMA를 고도로 대전된 종(species)에 대해 능가한다. 용매 효과를 학습한 후, UMA를 이용한 명시적 용매화(explicit-solvation) 시뮬레이션 대비 약 100배 낮은 비용으로 용매 의존적 반응 경로를 정확히 예측한다.
기계 학습(ML) 연산자 모델은 밀도 범함수 이론(DFT) 해밀토니안/밀도 행렬을 훨씬 낮은 계산 비용으로 예측하도록 학습될 수 있으며, 이를 통해 전자 구조 계산을 기존에는 불가능했던 규모로 확장할 수 있다. 본 논문에서는 MALOQ(Massively Accelerated Learning of Operators for Quantum Transport)를 소개한다. 이는 소수에서 최대 100,000개의 원자로 구성되고, 대규모 기저 집합(basis set)으로 기술되며, 광범위한 원소를 포함하는 시스템에 대한 전자 구조 행렬을 학습하고 예측하기 위해 구축된 애플리케이션이다. 최신 SO(2)-등변(equivariant) 백본 아키텍처를 기반으로, MALOQ는 (i) 고차 해밀토니안 행렬 데이터를 처리하기 위한 커스텀 데이터 처리 커널과 (ii) 원자 그래프의 확장 가능한 에지 단위 분산을 제공한다. 현재 이용 가능한 가장 대규모의 분자 해밀토니안 데이터셋으로 학습된 결과, 분자 단위 분산 프레임워크 대비 에포크당 시간을 30% 이상 단축하며, 임의 크기의 물질 그래프에 대한 추론을 가능하게 한다. Alps 슈퍼컴퓨터에서 3,000~12,000개의 원자에 대해 각각 최대 192개 및 256개의 GPU를 활용하여 확장 가능한 학습과 추론을 실증한다.