두 개의 계산 패러다임
AI 쪽은 이미 익숙하다. 심층신경망과 그래프 기반 학습, 서포트 벡터 머신이
약–표적 상호작용을 예측하고 새 화합물을 설계한다.
ADMET 성질을 추정하고, AlphaFold와 DeepDTA가
단백질 접힘 예측과 결합친화도 추정을 가능하게 한다.
다만 이 과정들은 상당한 계산 자원을 요구한다.
양자컴퓨팅은 다른 길을 제시한다. 중첩과 얽힘 같은 원리를 이용해 원자 수준의 정밀도로 분자 상호작용을 시뮬레이션한다. 복잡한 분자의 시뮬레이션을 매우 낮은 비용으로 해낼 수 있다는 것이 이 장이 거는 기대다.
변분 양자 고유값 해결기
분자의 바닥 상태 에너지를 추정한다. 에너지 최소화와 반응 경로 분석을 가능하게 해 전통적 방법보다 정밀도가 높다고 보고된다.
양자 근사 최적화 알고리즘
조합 최적화 문제를 다룬다. 화학 시뮬레이션과 예측에서 VQE와 함께 가장 자주 쓰이는 알고리즘이다.
양자 기계학습
기계학습 틀과 양자 알고리즘을 통합하는 새 계산 패러다임이다. 분자 분류, 새 화합물 생성, 발굴된 약물의 최적화에 쓰이는 하이브리드 접근을 제공한다.
세 개의 도구 상자
- Qiskit — 양자 화학 시뮬레이션에 강점이 있다. IBM이 잡음 내성 시뮬레이션 작업 흐름에 쓴다.
- OpenFermion — 페르미온 계의 사상(mapping)에 특화되어 있다.
- PennyLane — PyTorch, TensorFlow와 호환되어 AI–양자 하이브리드 작업 흐름에 적합하다.
“AI–양자 하이브리드는 신약 설계 시나리오에서 대체로 실용적 유아기에 있다.”
양자컴퓨팅 채택의 장애로 하드웨어 한계, 큐비트 잡음, 높은 에너지 소모가 함께 적혀 있다. 이 장의 결론에서 다시 확인되는 대목이지만, 시작부터 명시되어 있다는 점은 짚어 둘 만하다.
두 벌의 거름망
체계적 문헌고찰에서 가장 중요한 산출물은 결론이 아니라 선별 흐름도다. 몇 편에서 시작해 어느 단계에서 몇 편을 왜 걸렀는지가 적혀야 독자가 그 결론의 근거를 가늠할 수 있다. PRISMA 지침이 요구하는 것이 정확히 그것이다.
이 장은 그 흐름을 두 번 적는다. 3절 첫머리와 4.1절에서다. 두 서술은 같은 지점(84편)에서 끝나지만, 거기에 이르는 경로가 서로 맞지 않는다.
핵심은 282라는 숫자가 두 서술에서 서로 다른 자리에 놓인다는 것이다.
3절은 “282편을 검토했고, 제목·초록 심사에서 118편을, 전문 검토에서 80편을 제외해 84편을 얻었다”고 적는다. 여기서 282는 심사에 들어간 출발 집합이다. 282 − 118 − 80 = 84. 계산은 맞는다.
4.1절은 “초기 검색 1,532편에서 중복 356편을 지워 1,176편이 되었고, 제목·초록 심사에서 894편을 걸러 282편이 전문 검토 대상이 되었으며, 그중 84편이 기준을 충족했다”고 적는다. 여기서 282는 제목·초록 심사를 통과한 결과다.
같은 숫자가 한쪽에서는 심사의 입구이고 다른 쪽에서는 출구다. 제외 편수도 118과 894, 80과 198로 전혀 다르다. 체계적 문헌고찰에서 이것은 사소한 오탈자가 아니라 방법론의 핵심 산출물이 두 벌 존재한다는 뜻이다.
3.2 또 하나의 뒤집힌 문장
선별 기준을 설명하는 3.2절에 이런 문장이 있다.
문맥상 ‘선정했다’여야 할 자리에 ‘배제했다’가 들어가 있다. 앞뒤 문장이 모두 선정 절차를 설명하고 있으므로 의미는 짐작되지만, 선별 기준을 서술하는 절에서 선정과 배제가 뒤집혀 있다는 점은 기록해 둘 필요가 있다.
3.1–3.3 그 밖의 절차
네 개의 데이터베이스
PubMed, Scopus, Web of Science, IEEE Xplore.
2013년부터 2024년까지의 논문을 대상으로 했고,
의학주제표목(MeSH)과 실용 키워드를 불리언 연산자로 조합했다.
인용 관리는 EndNote 20.0으로 했다.
양자와 AI를 따로 본다
이 절이 이 장에서 가장 잘 설계된 부분이다. 양자 쪽에서는 알고리즘이 실제 하드웨어에서 평가되었는지 고충실도 시뮬레이터에서 평가되었는지, 그리고 잡음과 오류 완화가 고려되었는지를 물었다. AI 쪽에서는 기준선 비교, 학습–검증 절차, 데이터 누출 방지 기법을 평가했다.
‘실제 하드웨어인가 시뮬레이터인가’를 묻는 것은 양자 연구를 읽을 때의 핵심 질문이다. 시뮬레이터에서 잘 도는 알고리즘이 실제 잡음 있는 큐비트에서 그대로 작동하지는 않기 때문이다.
AI 쪽의 데이터 누출 방지도 마찬가지다. 이 책의 여러 장이 인용한 성능 수치 가운데 이 항목을 확인한 경우는 많지 않았다.
기준 자체는 적절하다. 다만 이 기준을 통과한 84편이 각각 어떤 점수를 받았는지, 몇 편이 실제 하드웨어에서 검증되었는지는 이 장에 제시되지 않는다.
84편의 구성
4.2 AI 쪽 41편
가장 큰 비중은 약–표적 상호작용 예측이었다.
심층신경망에 그래프 기반 학습과 서포트 벡터 머신을 결합해 정확도를 높인 모형들이며,
DeepDTA와 GraphDTA가 대표적으로 꼽힌다.
드노보 분자 생성에는 변분 오토인코더(VAE)와 생성적 적대 신경망(GAN)이 쓰였고,
AlphaFold와 AlphaFold2가 단백질 구조 예측을 맡았다.
ADMET 성질 식별과 가상 스크리닝도 포함된다.
4.2절에 이런 대목이 있다.
“AlphaFold2와 DeepDTA는 구조생물학과 약–표적 친화도 예측에서 영향력이 큰 AI 도구이지만, 조사된 연구들에서 양자컴퓨팅과 직접 통합되지는 않았다. 이들은 최첨단 AI의 사례로 인용되었을 뿐이며, 언젠가 양자 강화 시뮬레이션 파이프라인에 투입될 수 있는 결합 정보나 구조 정보를 제공한다.”
이어서 “현재 발표된 문헌에서의 통합은 완전히 달성된 절차라기보다 제안된 절차에 가깝다”고 적는다. 융합을 다루는 리뷰가 자기 주제의 사례가 아직 제안 단계임을 명시한 것이다.
4.3 양자 쪽 23편
가장 두드러진 성과는 분자 에너지 추정이다. VQE와 QAOA로 에너지 최소화와 반응 경로 분석을 수행했고, NISQ 프로세서에서 작은 분자들을 시뮬레이션했다. 원문이 든 예는 물, 수소화리튬, 암모니아 같은 원자 서너 개짜리 분자다.
산업계의 시범 사업
Qiskit 기반 작업 흐름
작은 약물 유사 화합물의 잡음 내성 시뮬레이션에 썼다.
Orquestra 플랫폼
양자 최적화 서브루틴을 전통적 기계학습과 통합해 약물 후보의 자동 선별을 수행했다.
산업 시범
원문이 초기 실현 가능성의 사례로 함께 든다.
융합이 아직 막혀 있는 곳
- 하드웨어 — 높은 오류율, 제한된 큐비트 수, 내결함성 프로세서의 부재. 작은 분자는 시뮬레이션할 수 있어도 더 큰 분자계로의 확장은 여전히 큰 장벽이다.
- 통합의 복잡성 — 고전 AI 구성 요소와 양자 구성 요소 사이의 알고리즘 최적화가 불충분하다. 양자 시뮬레이션의 출력과 하류의 AI 절차 사이에 비호환이 생긴다.
- 표준의 부재 — 표준화된 성능 지표가 없어 평가가 일관되지 않고 연구 간 비교가 어렵다. 통합된 소프트웨어 공학 절차의 필요가 여기서 나온다.
- 소프트웨어 쪽 문제 — 컴파일러의 비효율, 부적절한 게이트 분해, 화학적 정밀도에 도달하려면 깊은 양자 회로가 필요한데 그것이 과도한 잡음을 낳는다는 점.
| 범주 | 기법 · 알고리즘 | 응용 | 한계 |
|---|---|---|---|
| AI | 딥러닝(CNN, RNN), GAN, AlphaFold2, SVM | 약–표적 예측, 드노보 분자 생성, ADMET 스크리닝 | 데이터 편향, 모형 해석가능성, 블랙박스 문제 |
| 양자 | VQE, QAOA, 양자 몬테카를로, OpenFermion, Qiskit | 분자 에너지 시뮬레이션, 단백질 접힘, 반응 경로 분석 | 하드웨어 한계, 큐비트 결어긋남, 작은 분자에 국한 |
| 융합 | 양자 신경망, 양자 SVM, 하이브리드 모형(고전 + 양자) | 독성 예측, 용해도 추정, QML 기반 특징 추출 | 통합 복잡성, 알고리즘 성숙도, 표준 벤치마크의 부재 |
떠오르는 흐름
IBM과 아마존 같은 클라우드 기반 시스템, TensorFlow Quantum과 PennyLane 같은 QML 라이브러리가 더 폭넓은 실험을 가능하게 하고 있다. 양자물리학자, AI 전문가, 제약 연구자 사이의 학제 간 협력이 결정적이라는 인식이 넓어지고 있고, 규제 준수를 위해 설명가능 AI의 중요성도 커지고 있다.
이 장이 남기는 것
이 장의 결론은 스스로의 기여를 이렇게 정리한다. 기존 연구를 요약하는 데 그치지 않고 세 층위의 분류 틀을 제안했다는 것이다 — AI 우세, 양자 우세, 완전 하이브리드. 또 기법을 가장 유망한 제약 응용에 대응시키고 확장을 가로막는 한계를 함께 표시했으며, AlphaFold2의 출력 같은 AI 작업 흐름을 잠재적 양자 강화와 명시적으로 연결해 아직 탐색되지 않은 통합 기회를 짚었다고 말한다.
서론과 결론이 모두 같은 말을 한다. AI–양자 융합은 신약 설계에서 실용적 유아기에 있다. 84편 중 융합 연구는 20편이고, 그 20편은 전부 2020년 이후에 나왔다.
IBM, Zapata, QC Ware의 시범 사업을 소개한 직후 “고전적 기준선 대비 현재의 개선은 미미하다”고 적는다. 기대와 현황을 같은 문단에서 구분한 것은 이 장의 미덕이다.
AlphaFold2와 DeepDTA는 조사된 연구에서 양자와 직접 통합되지 않았고, 문헌상의 통합은 “완전히 달성된 절차라기보다 제안된 절차”라고 명시한다. 융합 리뷰가 자기 주제의 미완성을 밝힌 셈이다.
3절과 4.1절이 같은 선별 절차를 서로 맞지 않게 적는다. 체계적 문헌고찰에서 흐름도는 결론만큼 중요한 산출물이다. 3.2절의 선정/배제 뒤집힘도 같은 성격의 문제다.
이 장의 주제 판단은 온당하다고 본다. 양자컴퓨팅이 신약 설계를 바꾸리라는 기대가 큰 만큼 과장도 흔한 영역인데, 이 장은 ‘개선은 미미하다’, ‘아직 제안된 절차다’, ‘유아기다’라는 표현을 세 군데에서 반복한다. 3.3절의 품질 평가 기준 — 실제 하드웨어인가 시뮬레이터인가, 잡음 완화를 했는가, 데이터 누출을 막았는가 — 도 이 분야를 읽는 데 실제로 쓸모 있는 잣대다.
문제는 그 잣대를 자기 자신에게 적용하지 않았다는 것이다. 체계적 문헌고찰의 재현성은 선별 흐름도에 달려 있다. 그런데 이 장은 그 흐름을 두 번 적고 두 서술이 맞지 않는다. 282라는 같은 숫자가 한쪽에서는 심사의 입구이고 다른 쪽에서는 출구다. 재현성을 평가 기준으로 내건 리뷰가 자기 절차를 재현할 수 없게 적어 놓았다.
덧붙여, 참고문헌 목록을 살펴볼 필요가 있다. 저자들의 선행 연구가 여러 편 인용되어 있는데 그중 상당수는 아랍어 필기 인식, 블록체인 의료 IoT, 전자학습 원격감독, iOS용 코로나19 앱, 디지털 자산 보안, 대학 논문 저장소 같은 AI–양자 신약 설계와 직접 관련이 없는 주제다. 이 사실이 이 장의 주장을 틀리게 만들지는 않는다. 다만 84편을 골랐다는 근거 기반이 어떤 성격인지 가늠할 때 함께 볼 정보다.
그래서 이 장은 이렇게 읽는 편이 낫다고 본다. 3.3절의 품질 평가 기준과 4.3절의 ‘미미한 개선’이라는 판정은 가져가고, 84편이라는 숫자가 떠받치는 무게는 조심해서 재는 것. 앞의 두 가지는 이 분야를 읽는 데 도움이 되고, 뒤의 하나는 검증되지 않았다.