https://sd-lab-page.github.io/ko/tags/quantum-computing/Quantum ComputingHugo Blox Builder (https://hugoblox.com)ko-KRFri, 29 May 2026 00:00:00 +0000https://sd-lab-page.github.io/media/icon_hu_77cf8b59efcb710e.pnghttps://sd-lab-page.github.io/ko/tags/quantum-computing/https://sd-lab-page.github.io/ko/projects/quantum-materials-design/Fri, 29 May 2026 00:00:00 +0000https://sd-lab-page.github.io/ko/projects/quantum-materials-design/<h2 id="프로젝트-목표">프로젝트 목표</h2> <p>이 프로젝트에서는 양자화학, 신약 발굴, 반도체 소재 설계를 위한 하이브리드 Quantum-AI 방법을 개발하고 있습니다. 기존 AI 모델만으로 표현하기 어려운 분자 상호작용, 전자 구조, 소재 물성을 학습하기 위해 양자 신경망과 양자 호환형 학습 구조를 연구하고 있습니다.</p> <p>장기적으로는 AI 기반 후보 탐색을 양자컴퓨팅 자원과 연결하여 신약 후보 분자와 차세대 반도체 소재, 특히 페로브스카이트와 광전자 소재를 더욱 정확하고 확장성 있게 발굴하는 것이 목표입니다.</p> <h2 id="연구-배경">연구 배경</h2> <p>신약과 소재를 발굴하려면 전자 상관, 분자 결합, 전하 수송, 밴드갭, 여기 상태, 결함 거동과 같은 양자 수준의 현상을 모델링해야 합니다. 이러한 물성은 분자 설계와 반도체 소재 발굴에 핵심적이지만 광범위한 화학 공간에서 모두 계산하려면 많은 비용이 필요합니다.</p> <p>Quantum-AI 하이브리드 방법은 머신러닝의 확장성과 양자 영감 또는 양자 호환 표현을 결합하는 현실적인 접근법입니다. 이 프로젝트에서는 고전 시뮬레이션을 대체하기보다, 데이터 기반 예측과 미래의 양자 가속 계산을 연결하는 매개체로 양자 신경망을 활용하고 있습니다.</p> <h2 id="연구-방법">연구 방법</h2> <h3 id="양자-신경망">양자 신경망</h3> <ul> <li><strong>매개변수화 양자 회로</strong>: 분자와 소재의 물성을 예측하기 위한 학습 가능한 양자 회로 모델을 설계하고 있습니다.</li> <li><strong>양자 특성 인코딩</strong>: 분자 기술자, 특성값, 구조 정보를 양자 회로에서 처리할 수 있는 형태로 표현하고 있습니다.</li> <li><strong>양자–고전 하이브리드 학습</strong>: 양자 신경망 계층을 기존 머신러닝 및 딥러닝 모델과 결합하고 있습니다.</li> <li><strong>하드웨어 호환형 구조</strong>: 실제 양자 프로세서에서 실행할 수 있도록 노이즈를 고려한 QNN 모델을 개발하고 있습니다.</li> </ul> <h3 id="신약-발굴을-위한-양자화학">신약 발굴을 위한 양자화학</h3> <ul> <li><strong>분자 물성 예측</strong>: 후보 분자의 안정성, 반응성, 독성 관련 특성, 전자적 물성을 예측하고 있습니다.</li> <li><strong>약물–표적 상호작용 모델링</strong>: 결합 친화도, 선택성, 상호작용 패턴을 표현하는 모델을 학습하고 있습니다.</li> <li><strong>양자화학 기반 스크리닝</strong>: 전자 구조 정보를 반영한 기술자를 활용하여 유망한 신약 후보를 선별하고 있습니다.</li> <li><strong>반응과 분자 형태 모델링</strong>: 분자의 입체 구조와 화학 반응에 관여하는 양자 효과를 연구하고 있습니다.</li> </ul> <h3 id="페로브스카이트-반도체-소재-발굴">페로브스카이트 반도체 소재 발굴</h3> <ul> <li><strong>밴드갭 예측</strong>: 태양광 및 광전자 소자의 성능과 관련된 전자적 물성을 모델링하고 있습니다.</li> <li><strong>페로브스카이트 소재 설계</strong>: 안정적이고 효율적인 반도체 응용을 위해 할라이드, 유무기 하이브리드, 무연 페로브스카이트를 탐색하고 있습니다.</li> <li><strong>결함과 계면 모델링</strong>: 원자 수준의 결함이 전하 수송, 안정성, 소자 거동에 미치는 영향을 분석하고 있습니다.</li> <li><strong>Quantum-AI 기반 후보 선정</strong>: 태양전지, LED, 광검출기, 차세대 소자에 적합한 소재 후보를 선별하고 있습니다.</li> </ul> <h2 id="하이브리드-시스템-설계">하이브리드 시스템 설계</h2> <p>현재 프레임워크는 하이브리드 발굴 파이프라인으로 설계하고 있습니다. 고전 AI 모델이 후보 분자를 생성하고 표현하며 우선순위를 정하면, 양자 신경망 구성 요소가 물성 예측에 필요한 양자 호환 표현을 학습합니다. 향후에는 전자 구조 추정, 분자 시뮬레이션, 양자 가속 학습을 지원하도록 실제 양자컴퓨팅 모듈을 연동할 계획입니다.</p> <p>이 구조를 통해 초기에는 양자 회로 시뮬레이터를 기반으로 QNN을 개발하면서도, 향후 양자 하드웨어에 적용할 수 있는 모델 구조를 유지하고 있습니다.</p> <h2 id="현재-구현-단계">현재 구현 단계</h2> <p>현재는 실제 양자컴퓨팅 하드웨어를 직접 사용하기에 앞서 양자 신경망 모델의 구조와 학습 방법을 연구하고 있습니다. 양자 회로 시뮬레이터와 하이브리드 신경망 구조를 이용하여 QNN 계층이 분자와 반도체 소재 정보를 어떻게 표현할 수 있는지 평가하고 있습니다.</p> <p>이 단계에서는 하드웨어 기반 양자 계산으로 확장하기 전에 모델 구조, 데이터 표현, 학습 안정성, 벤치마크 성능을 검증하고 있습니다.</p> <h2 id="향후-연구-방향">향후 연구 방향</h2> <p>향후에는 실제 양자컴퓨팅 자원을 발굴 파이프라인에 연동할 계획입니다. 회로 깊이, 노이즈 강건성, 큐비트 인코딩, 하이브리드 최적화를 개선하여 양자 신경망이 실제 양자 하드웨어에서 효율적으로 작동하도록 연구하고 있습니다.</p> <p>장기적으로는 고전 AI 모델이 유망한 분자와 소재 후보를 선별하고, 양자컴퓨팅 자원이 전자 구조 모델링, 분자 시뮬레이션, 양자 가속 물성 예측을 지원하는 Quantum-AI 발굴 워크플로를 구축하고자 합니다.</p>