[논문 리뷰] The Convergence Frontier: Integrating Machine Learning and High Performance Quantum Computing for Next-Generation Drug Discovery

Narjes Ansari, César Feniou외 14명|arXiv (Cornell University)|2026. 03. 18.

Machine Learning in Materials Science인용 수 0

한 줄 요약

본 논문은 양자 정확한 약물 발견을 달성하기 위해 머신러닝, 고성능 컴퓨팅(HPC), 양자컴퓨팅의 삼중 수렴(tripartite convergence)을 옹호하고, 양자 에뮬레이터(Hyperion)와 양자 강화 데이터 파이프라인(FeNNix-Bio1)을 도입한다.

ABSTRACT

Integrating quantum mechanics into drug discovery marks a decisive shift from empirical trial-and-error toward quantitative precision. However, the prohibitive cost of ab initio molecular dynamics has historically forced a compromise between chemical accuracy and computational scalability. This paper identifies the convergence of High-Performance Computing (HPC), Machine Learning (ML), and Quantum Computing (QC) as the definitive solution to this bottleneck. While ML foundation models, such as FeNNix-Bio1, enable quantum-accurate simulations, they remain tethered to the inherent limits of classical data generation. We detail how High-Performance Quantum Computing (HPQC), utilizing hybrid QPU-GPU architectures, will serve as the ultimate accelerator for quantum chemistry data. By leveraging Hilbert space mapping, these systems can achieve true chemical accuracy while bypassing the heuristics of classical approximations. We show how this tripartite convergence optimizes the drug discovery pipeline, spanning from initial system preparation to ML-driven, high-fidelity simulations. Finally, we position quantum-enhanced sampling as the beyond GPU frontier for modeling reactive cellular systems and pioneering next-generation materials.

연구 동기 및 목표

• ab initio MD의 한계를 극복하기 위해 약물 발견에 양자역학의 통합을 촉진한다.
• ML, HPC, 양자컴퓨팅을 결합한 엔드-투-엔드 약물 발견 파이프라인을 제안한다.
• 양자 정확한 신경망 포텐셜 학습 데이터의 품질과 규모를 QC가 어떻게 향상시킬 수 있는지 보여준다.
• NISQ 시대와 fault-tolerant 양자컴퓨팅을 잇는 다리 역할을 하는 양자 에뮬레이터(Hyperion)를 제시한다.
• 반응성 세포 시스템과 재료 설계를 위한 최전선으로서 양자 강화 샘플링의 역할을 논의한다.

제안 방법

• HPC̶ML̶QC 수렴을 설명하여 약물 설계 워크플로에서 양자화학 계산을 가속한다.
• 물 배치/수화 부위 문제를 QUBO로 형식화하고 QPU(NISQ 및 그 이상)에서 양자 최적화에 매핑한다.
• fault-tolerant 하드웨어 이전에 제어된 환경에서 알고리즘을 개발하기 위해 양자 에뮬레이터 Hyperion을 도입한다.
• Ignis 데이터베이스를 통해 양자화학 데이터로 학습된 기초 ML 모델로 FeNNix-Bio1를 제시한다.
• 화학적 정확성을 위한 VQE 유사 근시 양자화학 알고리즘(VQE, QPE)과 고급 ansätze(tUCCSDT, NI-DUCC, ADAPT 변형)들을 조사한다.

Figure 1 : ML/HPC/QC convergence leveraging all type of computing plateforms: from classical Graphics Card Units (GPUs) and Central Processing Units (CPUs) to Quantum Processing Units (QPUs) for simulations in drug design and beyond, from synthetic data (A/B) to system preparation (C) and applicatio

실험 결과

연구 질문

• RQ1 현재 및 근접 장비에서 QUBO/양자 최적화를 통해 수화 부위 배치 및 관련 MD 예비 단계가 효율적으로 해결될 수 있는가?
• RQ2 QC 가속 데이터 생성이 약물 발견에서 양자 정확한 MD를 위한 신경망 포텐셜을 어떻게 향상시킬 수 있는가?
• RQ3 약물 설계 QC 작업에서 유용성을 달성하기 위한 예상 자원 스케일링(큐비트, 게이트)은 얼마이며, 언제 fault-tolerance가 필요한가?
• RQ4 통합된 QC/ML/HPC 파이프라인이 정확도와 처리량 면에서 약물 발견 작업에서 고전적 방법보다 어떻게 더 오버할 수 있는가?
• RQ5 GPU를 넘어 반응성 세포 시스템과 새로운 재료를 모델링하는 데 양자 강화 샘플링이 어떤 역할을 할 수 있는가?

주요 결과

• 123 큐빗의 QPU 기반 수화 부위 최적화가 단일 인스턴스에서 고전적 정확 솔버(CPLEX)를 능가하여 문제 크기가 커지면 잠재적 양자 우위가 강조된다.
• 미래 양자 성능을 모의하는 900–3,974 큐빗의 고전 시뮬레이션은 최대 약 4000 변수에서 결정학적 수분 분자의 80–90%를 식별하여 더 많은 큐빗에서 확장 가능한 정확도를 보인다.
• 약물 발견에서 유용성을 달성하기 위한 임계값은 약 1000 변수이며, 900-변수 인스턴스에 대해 약 100,000 게이트가 필요하고 IBM 로드맵 개선 아래 2028년까지 실현 가능성이 예상된다.
• 양자 데이터 생성은 신경망 포텐셜의 학습 데이터를 향상시켜 근접 양자 정확 MD를 가능하게 하면서 계산적 타당성을 유지하도록—FeNNix-Bio1의 목표의 핵심.
• Hyperion은 NISQ 시대 하드웨어와 fault-tolerant 양자컴퓨팅 간의 엄격한 알고리즘 개발 및 다리 역할을 가능하게 하여 약물 설계에서 엔드 투 엔드 QC/ML/HPC 워크플로를 지원한다.

Figure 2 : Detailed, step-by-step workflow followed to implement our protein’s hydration pocket hybrid NISQ/classical approach; each step is briefly described in a simple flow diagram, whose components are grouped and attached to one of the five main phases in which we schematically partition the pr