[논문 리뷰] Quantum Kernel Machine Learning for Autonomous Materials Science

F. Adams, Daiwei Zhu외 3명|arXiv (Cornell University)|2026. 01. 16.

Machine Learning in Materials Science인용 수 1

한 줄 요약

본 논문은 자율 재료 발견 워크플로우 내에서 XRD 패턴 분류를 위한 양자 커널과 고전 커널을 비교하고, 양자 커널이 더 적은 학습 데이터로도 효과를 낼 수 있고 고전 커널로는 포착되지 않는 관계를 드러낼 수 있음을 보인다.

ABSTRACT

Autonomous materials science, where active learning is used to navigate large compositional phase space, has emerged as a powerful vehicle to rapidly explore new materials. A crucial aspect of autonomous materials science is exploring new materials using as little data as possible. Gaussian process-based active learning allows effective charting of multi-dimensional parameter space with a limited number of training data, and thus is a common algorithmic choice for autonomous materials science. An integral part of the autonomous workflow is the application of kernel functions for quantifying similarities among measured data points. A recent theoretical breakthrough has shown that quantum kernel models can achieve similar performance with less training data than classical models. This signals the possible advantage of applying quantum kernel machine learning to autonomous materials discovery. In this work, we compare quantum and classical kernels for their utility in sequential phase space navigation for autonomous materials science. Specifically, we compute a quantum kernel and several classical kernels for x-ray diffraction patterns taken from an Fe-Ga-Pd ternary composition spread library. We conduct our study on both IonQ's Aria trapped ion quantum computer hardware and the corresponding classical noisy simulator. We experimentally verify that a quantum kernel model can outperform some classical kernel models. The results highlight the potential of quantum kernel machine learning methods for accelerating materials discovery and suggest complex x-ray diffraction data is a candidate for robust quantum kernel model advantage.

연구 동기 및 목표

• 활발한 학습(active learning)을 이용한 데이터 효율적 발견 패러다임으로 자율 재료 과학을 고무한다.
• 회절 데이터의 저데이터 영역에서 양자 커널 방법이 고전 커널보다 우수할 수 있는지 평가한다.
• 실제 Fe-Ga-Pd XRD 데이터세트에서 양자 커널과 고전 커널을 특성화하고 비교한다.
• 이 도메인에서 잠재적 양자 우위를 예측하기 위한 모델 복잡도 기반 지표를 탐구한다.

제안 방법

• 전문가가 라벨링한 20개 데이터 포인트의 Fe-Ga-Pd 삼원계 구성을 포함하는 XRD 데이터세트를 사용한다.
• 150개의 XRD 강도에 작용하는 피처 맵 회로를 통해 양자 커널을 계산하고, IonQ Aria 하드웨어에서 구현되었으며 잡음 모델로 시뮬레이션한다.
• 고정된 하이퍼파라미터를 사용하여 양자 커널을 Radial Basis Function (RBF) 및 Cosine Similarity의 두 고전 커널과 비교한다.
• 가우시안 프로세스 분류기를 학습시키고 학습 크기가 달라질 때 부분 정확도(5-way n-shot)를 측정하여 커널 성능을 평가한다.
• Huang 등(2021)을 따라 모델 복잡도와 기하학적 차이를 분석하여 잠재적 양자 우위를 예측한다.
• 자율 워크플로우 내 감독 학습 외삽 과제에서 커널 선택과 인덕티브 바이어스가 성능에 미치는 영향을 조사한다.

Figure 1: A schematic of a typical iterative autonomous phase mapping workflow. Asterisks (*) indicate which steps use kernel methods. (a) A new x-ray diffraction measurement is performed at a specific composition (shown in units of atomic fraction). Sample indices 1 – 20 were chosen manually here f

실험 결과

연구 질문

• RQ1 자율 재료 워크플로우에서 XRD 패턴 분류에 대해 양자 커널이 고전 커널보다 데이터 효율성을 가진 이점을 제공하는가?
• RQ2 이 회절 데이터 설정에서 모델 복잡도와 기하학적 차이가 잠재적 양자 우위와 어떤 관련이 있는가?
• RQ3 제한된 학습 데이터로 XRD 페이즈 라벨의 감독 학습 외삽에서 양자 커널과 고전 커널의 실증적 성능은 어떠한가?

주요 결과

커널	기하학적 차이	모델 복잡도
Simulated Quantum	10.74	19.44
Measured Quantum	10.92	20.27
Cosine Similarity
Radial Basis Function	37.20

• 양자 커널은 고전 커널이 포착하지 못하는 XRD 패턴의 미묘한 관계를 포착하며, 약하게 보이는 그룹 간 유사성도 포함한다.
• 데이터 부족하에서 잠재적 양자 우위를 시사하는 기하학적 차이가 있으며, 이 데이터셋에서 고전 모델의 복잡도가 양자보다 더 높다.
• 실험적으로 양자 커널(시뮬레이션 및 측정)은 학습 데이터 크기의 범위에서 RBF 커널을 능가할 수 있으며, 특히 대략 10~15개 데이터 포인트 사이에서 그렇다.
• Cosine Similarity 커널이 이 데이터셋에서 다른 커널보다 더 나은 성능을 보였으며, 따라서 인덕티브 바이어스가 커널 성능에 중요한 역할을 한다.
• Cosine 커널에 도전하도록 설계된 엔지니어링된 레이블과 함께 양자 커널은 코사인에 비해 우수한 성능을 보일 수 있으며, 커널 인덕티브 바이어스에 의존함을 보여준다.
• 결과는 문제 인식형 회로 설계 및 제한된 데이터와 짝을 이룰 때 양자 커널이 이점을 제공할 수 있음을 강조하지만, 일부 경우에는 단순하거나 문제에 맞춘 커널이 지배적일 수 있음을 시사한다.