COMET: 제약 보존 QAOA를 통한 멀티플렉스 편집 타겟을 위한 조합 최적화
COMET: Combinatorial Optimization for Multiplex Editing Targets Via Constraint-Preserving QAOA
한국어 초록
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.
원문 초록
Multiplex CRISPR-Cas9 gene editing requires selecting one guide RNA per target gene subject to cross-gene interactions: a constrained combinatorial problem that can be formulated as a Quadratic Unconstrained Binary Optimization (QUBO) and solved via the Quantum Approximate Optimization Algorithm (QAOA). The one-hot per-gene constraint is conventionally enforced by adding quadratic penalty terms to the cost Hamiltonian, but penalty coefficient selection is heuristic and penalties amplify hardware noise. An alternative is to enforce the constraint structurally via the XY-mixer, which preserves feasibility by construction. We present COMET, a systematic comparison of penalty-based and XY-mixer QAOA on a three-gene, twelve-qubit multiplex editing instance targeting the immune-checkpoint genes PDCD1, LAG3, and HAVCR2. In simulation, the XY-mixer exceeds 95% probability of the optimum by QAOA depth p=3, while three penalty variants spanning an order of magnitude in penalty coefficient remain below 6% at every depth. On IBM's ibm_kingston (Heron r2) processor, the XY-mixer's simulator-hardware energy gap stays within |0.8| across all depths, while the worst-tuned penalty variant's gap reaches +53.9. We provide an honest account of where the structural guarantee partially breaks under gate-level noise. The twelve-qubit instance is classically trivial; our contribution is a methodological comparison of constraint-enforcement strategies in a biologically motivated domain, with real-hardware validation.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2607.02622v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
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.
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.
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.
가까워도 충분하지 않을 때: 양자 회로 합성의 자기회귀형 드리프트
When Close Enough Is Not Enough: Autoregressive Drift in Quantum Circuit Synthesis
오류 허용(fault-tolerant) 컴퓨팅을 위한 양자 회로 최적화는 T 게이트와 같은 비용이 큰 비-Clifford 자원을 최소화하면서 정확한 기능적 동등성(functional equivalence)을 요구한다. 우리는 구조화된 회로 토큰화(structured circuit tokenization)를 갖춘 4480만 매개변수 규모의 컴팩트한 인코더-디코더 트랜스포머를 사용해 이 문제를 연구하며, 매개변수화(parameterized) 회로(2–6큐비트)와 Clifford+T 회로(3–6큐비트)에서 평가한다. 매개변수화 회로에서는 트랜스포머로부터 구조, 고전 최적화로부터 각도를 얻는 하이브리드 접근법이 3–6큐비트 회로에서 중앙값 충실도(median fidelity) 1.000을 달성한다. Clifford+T 회로에서는 모든 게이트가 이산적이고 사후 처리(post-processing)가 불가능한데, 모델은 유효한 구문(syntax)과 정확한 T-Count 통계를 학습하지만, 목표 길이가 길어질수록 정확한 동등성(exact equivalence)이 급격히 저하된다—9개 이하 게이트 회로에서는 88%에서 26개를 넘는 회로에서는 거의 0에 이른다. 우리는 이 실패를 자기회귀형 드리프트(autoregressive drift)에 기인한다고 추적한다: 초기 토큰의 이탈이 왼쪽에서 오른쪽으로의 디코딩 과정에서 회복 불가능하게 연쇄적으로 확산된다. 드리프트를 부분적으로 완화하는 두 가지 레버가 있다: 다수 후보를 생성하고 동등성 검증(equivalence verification)을 통해 선택하는 추론(inference) 시점 전략은 정확 일치(exact-match)율을 7%에서 22.5%로 끌어올리고, 학습 데이터를 2.5배 확장하면 39.5%까지 올라간다. 그러나 목표 길이에 따른 저하는 지속된다—더 많은 데이터가 있더라도, 정확한 동등성은 짧은 회로에서 94%에서 26개를 넘는 게이트에서는 4% 미만으로 떨어진다. 설정 간 대비가 우리의 핵심 발견이다: 근사 출력(approximate outputs)이 사후 처리로 구제될 수 있을 때 트랜스포머는 성공한다; 정확한 이산적 정확성(discrete correctness)이 요구될 때는 자기회귀형 드리프트가 신뢰성을 제한하며, 추론 시점 탐색과 데이터 스케일링은 효과적인 레버인 반면 학습 측면의 미세조정(fine-tuning)과 모델 수준의 다양화(diversification)는 그렇지 않다.
패널티 가중 최소제곱법 및 가이디드 전변이에 기반한 양자 압축 센싱 CT 재구성 알고리즘
Quantum Compressed Sensing CT Reconstruction Algorithm Based on Penalized Weighted Least Squares and Guided Total Variation
목적. 기존의 이차 비제약 이진 최적화(QUBO) 기반 희소뷰 컴퓨터 단층촬영(CT) 재구성은 광자 계수 통계와 해부학적 이질성을 고려하지 않는다. 본 연구는 QUBO 프레임워크 내에서 두 가지 한계를 모두 해결한다. 접근법. 본 연구는 패널티 가중 최소제곱법(PWLS)과 가이디드 전변이(GTV)를 결합한 양자 압축 센싱 CT 방법을 제안한다. PWLS는 광자 계수 신뢰도에 따라 투영 잔차에 가중치를 부여하며, GTV는 동시 대수 재구성 기법(SART)으로 재구성된 사전 이미지의 그래디언트를 활용하여 균일한 영역에서 엣지를 보존하고 노이즈를 억제한다. 이진 인코딩 후 두 항은 통합된 QUBO 모델을 형성한다. 실험은 포아송 노이즈가 포함된 10뷰 팬빔 기하학 조건에서 40×40 CT 이미지 4장을 사용하였다. 비교 대상에는 기존 재구성 방법, QUBO 변형 모델, 경사하강법, 시뮬레이티드 어닐링, D-Wave 하이브리드 양자-고전 솔버가 포함되었다. 주요 결과. PWLS-GTV는 모든 케이스에서 최고의 재구성 품질을 달성하였다. 대표적인 흉부 케이스에서 최고 신호 대 잡음비(PSNR) 36.64 dB를 기록하였으며, 이는 최고 기준선인 SART의 22.48 dB와 비교된다. GTV는 기존 전변이보다 일관되게 우수한 성능을 보였다. 시뮬레이티드 어닐링과 D-Wave 하이브리드 솔버는 유사한 재구성 결과를 산출한 반면, 경사하강법은 효과적이지 않았다. 하이브리드 솔버의 반복 실행에서는 안정적인 성능이 나타났다. 의의. 본 프레임워크는 이차 형식을 변경하지 않고 QUBO 기반 CT 재구성에 광자 통계적 가중치와 구조 유도 정규화를 통합함으로써, 양자 보조 희소뷰 CT 재구성을 위한 개념 증명을 제시한다.
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.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.