Amazon Braket을 활용한 큐노바컴퓨팅의 양자화학 계산 혁신 사례

1.큐노바컴퓨팅 소개

큐노바컴퓨팅은 2021년에 설립된 국내 최초 양자컴퓨팅 벤처기업으로, 화학·제약·산업공학 분야에 양자컴퓨팅을 도입하기 위한 알고리즘을 개발하고 있습니다. 특히, 큐노바컴퓨팅이 개발한 HI-VQE(Handover Iterative Variational Quantum Eigensolver) 알고리즘은 노이즈가 포함된 오늘날의 양자 컴퓨터 환경이라 할 수 있는 NISQ(Noisy Intermediate-Scale Quantum) 환경에서 양자 우위(Quantum Advantage)를 실현할 수 있도록 설계되어, 대규모 분자 구조의 에너지를 빠르고 정확하게 계산합니다.

큐노바컴퓨팅의 기술은 글로벌 양자 컴퓨터 기업 및 주요 연구기관과의 협력을 통해 검증되었으며, 실제 산업 환경에서 적용 가능한 성능임을 입증했습니다. 양자-고전 하이브리드 접근과 높은 정확도의 계산 방식을 통해 신소재·신약 개발 과정에서 필요한 실험 횟수를 크게 줄여, 연구개발 시간과 비용을 획기적으로 절감할 수 있을 것으로 예상합니다. 이를 바탕으로 큐노바컴퓨팅은 양자컴퓨팅의 잠재력을 산업 현장에서 현실로 구현하며, 기업이 더 빠르고 경제적으로 혁신 제품을 시장에 출시하도록 지원하는 알고리즘 및 서비스를 개발 및 제공하고 있습니다.

2.양자컴퓨팅을 활용한 양자화학 계산의 필요성

현대 산업에서 신약 개발, 신소재 설계, 에너지 저장 기술은 물질의 전자 상호작용을 이해하는 것이 핵심입니다. 이를 정확히 계산하기 위해서는 양자역학 기반의 복잡한 수학적 연산이 필요하지만, 기존 컴퓨터로는 분자가 커질수록 필요한 계산 자원이 기하급수적으로 증가하여 한계에 부딪힙니다.

반면 양자컴퓨터는 전자의 파동성, 중첩, 얽힘 등 양자역학적 특성을 직접 모사할 수 있어, 이런 계산을 빠르고 효율적으로 계산할 수 있습니다. 특히 양자-고전 하이브리드 알고리즘을 활용하면, 현재의 NISQ 하드웨어로도 실용적인 결과를 얻을 수 있습니다. 이러한 양자화학 계산은 신약 개발 시간 단축, 신소재 설계 혁신, 에너지 효율 향상 등 다양한 산업 분야에서 혁신을 가져올 것으로 기대됩니다. 실험의 효율성을 높이고 혁신 주기를 단축하여 새로운 산업 경쟁력을 창출하는 핵심 기술이 될 것입니다.

큐노바컴퓨팅은 최근 2년간 HI-VQE 개발 과정에서 몇 가지 중요한 기술적 과제에 직면했습니다. 첫째로, 양자컴퓨터는 극히 제한된 장비로 전 세계 연구자들이 공유해야 하는 자원이기 때문에, 안정적인 접근성과 합리적인 자원 배분이 필수적이었습니다. 특히 네트워크 품질과 공정한 스케줄링이 계산의 성공을 좌우하는 핵심 요소였습니다.

둘째로, HI-VQE와 같은 하이브리드 알고리즘은 양자컴퓨터와 고전컴퓨터 간의 긴밀한 협력이 필요합니다. 양자회로의 실행 결과를 고전컴퓨터가 처리하고, 이를 바탕으로 다시 양자회로를 조정하는 과정을 반복해야 하므로, 두 시스템 간의 효율적인 연계가 필수적이었습니다. 또한, 이 반복 과정에서 발생하는 데이터의 흐름을 실시간으로 모니터링하고 오류를 즉시 발견할 수 있는 체계가 필요했습니다.

이러한 기술적 과제들을 해결하기 위해 큐노바컴퓨팅은 HI-VQE에 Amazon Braket의 서비스를 활용하는 어플리케이션을 개발하였습니다. AWS의 클라우드 인프라와 통합된 Amazon Braket은 안정적인 양자컴퓨팅 접근성, 효율적인 하이브리드 계산 환경, 체계적인 모니터링 시스템을 제공하여 HI-VQE의 실용적 활용을 가능하게 했습니다.

3.Amazon Braket 및 Hybrid Jobs 소개

Amazon Braket은 AWS에서 제공하는 클라우드 기반의 완전 관리형 양자 컴퓨팅 서비스로, 연구자와 개발자가 다양한 양자 컴퓨터와 시뮬레이터를 사용량 기반으로 쉽게 이용하여 양자 알고리즘을 구축하고 실행할 수 있도록 지원합니다. Amazon Braket과 관련한 자세한 내용은 다음의 블로그를 참고하시기 바랍니다.

특히 Amazon Braket의 하이브리드 잡(Hybrid Jobs)기능은 양자 컴퓨팅과 고전 컴퓨팅 자원을 결합해 하이브리드 양자-고전 알고리즘을 관리 및 자동화하는 데 최적화되어 있습니다. 이를 통해 고전 AWS 컴퓨팅 자원과 양자 하드웨어(QPU)를 동시에 활용하는 반복적 알고리즘 실행이 가능하며, 사용한 만큼만 비용을 지불하는 합리적인 비용 구조를 제공합니다.

하이브리드 잡은 주로 두 가지 방식으로 구성하고 실행할 수 있습니다. 첫째, 사용자가 Python 등으로 작성한 알고리즘 스크립트를 직접 제출하는 방식이며, 둘째는 Amazon Braket Python SDK에서 제공하는 @hybrid_job 데코레이터를 이용해 함수 단위로 하이브리드 잡을 정의하고 실행하는 방식입니다. 이 두 가지 방법 모두 Amazon Braket이 자동으로 필요한 Amazon EC2 인스턴스를 시작하고, 지정한 양자 디바이스(QPU 또는 시뮬레이터)와 연동하여 알고리즘을 실행합니다.

알고리즘 스크립트 방식(AwsQuantumJob.create() 메서드 사용)

# 예시 코드
from braket.aws import AwsQuantumJob

job = AwsQuantumJob.create(
        source_module="my_algorithm.py",
        entry_point="main",
        ...
)

`@hybrid_job` 데코레이터 방식

# 예시 코드
from braket.jobs.decorators import hybrid_job


@hybrid_job
def my_hybrid_algorithm():
    …

Amazon EC2 인스턴스 내에서는 기본적으로 Docker 컨테이너가 실행되어, 알고리즘의 고전(클래식) 부분이 컨테이너 환경에서 안전하고 일관되게 처리됩니다. 양자 회로 실행이 필요한 경우, 컨테이너 내에서 생성된 양자 명령은 외부의 양자 하드웨어나 시뮬레이터로 전달되어 수행됩니다. 이로써 고전 컴퓨팅과 양자 컴퓨팅이 유기적으로 연동되는 하이브리드 구조가 완성됩니다.

알고리즘 실행 중에는 커스텀 지표가 Amazon CloudWatch로 전송되어 거의 실시간으로 시각화되고 모니터링됩니다. 사용자는 Amazon Braket 콘솔이나 AWS Management Console을 통해 작업 진행 상황, 로그, 알림 설정 등을 직관적으로 관리할 수 있으며, 이상 징후 발생 시 알람을 받을 수 있도록 설정해 빠르게 대응할 수 있습니다. 이러한 통합된 모니터링 환경은 장시간 반복 실행되는 하이브리드 알고리즘의 성능 최적화와 운영 효율성 극대화에 큰 도움이 됩니다.

또한, 하이브리드 잡에서 실행되는 양자 작업은 우선 순위 대기열에 배정되어 대기 중인 다른 작업보다 우선 처리되므로, 이전 작업 결과에 따라 후속 작업이 달라지는 반복적 알고리즘(예: QAOA, VQE 등)에 매우 적합합니다. Amazon Braket Hybrid Jobs는 로컬 모드를 지원해 개발자가 알고리즘을 빠르게 테스트하고 디버깅할 수 있도록 돕습니다. 또한, 복잡한 인프라 관리 없이 효율적으로 양자-고전 컴퓨팅 자원을 결합해 연구와 개발에 집중할 수 있습니다.

요약하면, Amazon Braket과 하이브리드 잡은 AWS의 핵심 인프라와 결합해 복잡한 하이브리드 양자-고전 알고리즘을 손쉽게 실행 및 관리할 수 있도록 하며, 비용 효율성과 사용 편의성을 동시에 제공하는 혁신적인 양자 컴퓨팅 플랫폼입니다.

4.아키텍처

큐노바컴퓨팅은 Amazon Braket의 Rigetti Ankaa-3 디바이스를 활용하여 그림 1과 같이 HI-VQE를 양자화학 계산에 적용하였습니다.

[그림1. 큐노바컴퓨팅의 양자화학 계산을 위한 아키텍처]

Amazon Braket Hybrid Job을 통한 양자-고전 하이브리드 계산 수행
Amazon CloudWatch Logs 구독 필터를 활용하여 Job 실행 로그를 실시간으로 수집
Amazon MQ Fan-out 패턴을 적용하여 로그와 상태 정보를 다수의 구독자에 브로드캐스트하고, 연구자 및 분석 서비스에서 로그 데이터를 동시에 활용
로그 기반 하이브리드 Job 제어 기술을 구현하여 Job 상태에 따라 동적으로 워크플로우를 제어
로그 데이터를 기반으로 한 실시간 그래프 모니터링 대시보드 구축

4-1.하이브리드 Job 생성

앞서 설명한 바와 같이, HI-VQE는 양자-고전 하이브리드 알고리즘을 기반으로 합니다. 구체적으로, 양자컴퓨터는 화학계에 주어진 오비탈의 전자배치를 탐색하고 추출하며, 이어서 고전컴퓨터가 이 정보를 활용해 오류 없는 정확한 해를 계산합니다. 이러한 하이브리드 알고리즘은 양자컴퓨터와 고전컴퓨터 간의 정보 교환이 지체 없이 이루어질 때 가장 효율적이며, 동시에 필요에 따라 고전컴퓨터의 계산 비용을 유연하게 조정할 수 있을 때 최적의 성능을 발휘합니다. Amazon Braket은 이러한 요구 조건을 충족하는 하이브리드 잡 기능을 지원하고 있어서 HI-VQE에 활용하였습니다.

큐노바컴퓨팅은 자체 HI-VQE 알고리즘 Docker 컨테이너를 사용하기 위해 AwsQuantumJob.create() 메서드를 사용하여 하이브리드 잡을 생성하였습니다.

자체 컨테이너를 활용한 하이브리드 잡 생성 예시:

job = AwsQuantumJob.create(
    source_module="source_dir",
    entry_point="source_dir.algorithm_script:start_here",
    image_uri="111122223333.dkr.ecr.us-west-2.amazonaws.com/my-byoc-container:latest",
   ...
)

4-2.실시간 로그 수집 및 하이브리드 Job 제어

Amazon Braket에서는 하이브리드 잡을 실행한 후 API 또는 콘솔을 통해 잡의 상태(state)와 취소(cancel) 여부를 확인할 수 있습니다. 하지만 기본 제공 정보는 단순히 실행 유무와 오류 발생 여부 정도로 제한되어 있어, 계산 과정에서 세부적인 진행 상황이나 중간 단계의 문제를 실시간으로 파악하기는 어렵습니다.

큐노바컴퓨팅에서는 이를 해결하기 위해 Amazon CloudWatch Logs와 AWS Lambda, Amazon MQ를 결합한 실시간 로그 모니터링 시스템을 구축했습니다.

4-2-1. CloudWatch Logs 구독 필터를 통한 실시간 Amazon Braket 작업 로그 수집

Amazon CloudWatch Logs에서 PutSubscriptionFilter를 이용하면 로그 그룹을 특정 대상(Amazon Kinesis, AWS Lambda 함수 등)에 연결할 수 있습니다. PutSubscriptionFilter API를 활용해, Amazon Braket 작업 로그가 저장되는 aws/braket/jobs 로그 그룹만을 필터링하여 실시간으로 로그 데이터를 AWS Lambda 함수로 전달합니다.

Amazon Braket의 작업 로그는 Amazon CloudWatch Logs의 aws/braket/jobs 로그 그룹에 저장됩니다.

구독 필터 구성 예시:

aws logs put-subscription-filter \
--log-group-name "/aws/braket/jobs" \
--filter-name "BraketLogs" \
--filter-pattern "HIVQE_LOGS" \
--destination-arn "arn:aws:lambda:region:account-id:function: SendLogsToMQ" \
--role-arn "arn:aws:iam::account-id:role/CloudWatchToLambdaRole"

로그 그룹 : /aws/braket/jobs
전달 대상 : SendLogsToMQ Lambda 함수 (Amazon MQ로 로그 전송)

4-2-2.Amazon Braket 작업 로그를 Amazon MQ Fanout Exchange로 브로드캐스트

AWS Lambda 함수 내에서는 Amazon CloudWatch 로그 이벤트를 디코딩/압축해제 후, 각 로그 메시지를 Amazon MQ Fanout Exchange로 발행합니다. Fanout Exchange는 바인딩된 모든 큐로 메시지를 브로드캐스트하여, 여러 구독자(연구자, 분석 서비스 등)가 동시에 동일한 데이터를 활용할 수 있게 합니다.

Amazon CloudWatch 로그를 Amazon MQ Fanout Exchange로 발행하는 AWS Lambda 예:

import json
import pika
import os

# Amazon MQ 연결 정보
AMAZONMQ_HOST = os.environ['AMAZONMQ_HOST']
AMAZONMQ_USER = os.environ['AMAZONMQ_USER']
AMAZONMQ_PASSWORD = os.environ['AMAZONMQ_PASSWORD']
EXCHANGE_NAME = "HIVQELogsFanout"

def lambda_handler(event, context):
    # CloudWatch Logs 이벤트는 base64 + gzip
    cw_data = event['awslogs']['data']

    # 1. Base64 디코딩
    compressed_payload = base64.b64decode(cw_data)

    # 2. gzip 압축 해제
    uncompressed_payload = gzip.decompress(compressed_payload)

    # 3. JSON 파싱
    log_event = json.loads(uncompressed_payload)

    # Amazon MQ 연결
    credentials = pika.PlainCredentials(AMAZONMQMQ_USER, AMAZONMQMQ_PASSWORD)
    parameters = pika.ConnectionParameters(host=AMAZONMQMQ_HOST, credentials=credentials)
    connection = pika.BlockingConnection(parameters)
    channel = connection.channel()


    # log_event 안에는 'logEvents’ 리스트가 존재
    for record in log_event['logEvents']:
        message = record['message']
        # 여기에 Amazon MQ 전송 로직 등 처리
        print(message)

    return {"status": "success"}

4-2-3.Amazon MQ Fanout 구성

전송된 로그 메시지는 Amazon MQ Fanout Exchange를 통해 여러 큐에 동시 전달됩니다. 이를 통해 여러 연구자, 분석 서비스, 알림 시스템 등 다양한 구독자가 독립적으로 실시간 로그를 소비하고 분석할 수 있습니다.

Amazon MQ Fanout Exchange는 다음과 같이 구성하였습니다.

Amazon MQ 브로커 생성: Amazon MQ 서비스를 이용해 Amazon MQ 메시지 중계 서버를 생성합니다. 로그 메시지를 여러 곳으로 나누어 보내는 역할을 합니다.
Fanout 익스체인지 생성: Amazon MQ 내부에 ‘Fanout’이라는 특별한 전달 방식을 가진 익스체인지를 만듭니다. 이 익스체인지는 들어온 메시지를 연결된 모든 대기열(큐)로 동시에 전송합니다.
연구자와 분석 서비스 큐 생성 및 연결: 각각 로그를 받고 싶은 팀(예: 연구팀, 데이터 분석팀)은 Amazon MQ 자신만의 큐(대기열)를 만들어 이 Fanout 익스체인지에 연결합니다.
각 큐에서 실시간 로그 수신 및 처리: 연결된 각 큐는 독립적으로 로그 메시지를 받아서 실시간으로 처리하고 분석할 수 있습니다.

4-2-4. 로그 기반 하이브리드 Job 제어 및 실시간 모니터링

큐노바컴퓨팅은 Amazon CloudWatch의 구독필터를 통해 수집한 실시간 로그데이터를 기반으로 Amazon Braket 하이브리드 잡의 진행률, 계산결과, 오류 상태를 한눈에 파악하고 즉시 제어할 수 있는 SaaS 플랫폼을 개발했습니다. 이로 인해 연구자는 반복적인 계산 과정을 직접 관리하지 않고도 효율적이고 신뢰성 높은 계산 환경을 운영할 수 있게 되었습니다.

[그림 2. 여러 HI-VQE 하이브리드 잡을 나열하는 웹서비스 대시보드 화면]

[그림3. 단일 HI-VQE 계산의 iteration에 따른 총에너지와 에너지 오차를 나타내는 그래프 화면]

Iteration 진행률 실시간 확인

Iteration은 양자 컴퓨팅의 현재 한계(NISQ 시대)에서 HI-VQE 알고리즘으로 문제를 해결하기 위한 핵심 메커니즘으로 입력 파라미터를 조정하여 에너지 기댓값을 최소화합니다.
Amazon CloutWatch의 구독필터를 사용하여 실시간으로 수집된 로그를 통해, 전체 반복 중 현재 iteration과 중간 계산 결과를 실시간으로 확인할 수 있습니다.
SaaS 플랫폼 상의 대시보드를 통해 연구자나 분석 서비스 사용자가 즉시 진행 상황을 확인할 수 있어, Amazon Braket 콘솔 접근 없이도 계산 상태를 한눈에 파악할 수 있습니다.

실시간 오류 감지 및 알림

계산 중 발생한 오류 로그를 AWS Lambda → Amazon MQ → SaaS 플랫폼으로 전달하여, 실시간으로 오류의 인지가 가능합니다.
이를 통해 연구자는 빠르게 문제를 확인하고 대응할 수 있습니다.

작업 제어 및 취소

SaaS 플랫폼에서 iteration별 진행 상황과 로그 데이터를 확인하면서, 필요 시 하이브리드 잡을 중간에 취소할 수 있습니다.
단순히 API/콘솔을 통한 상태 확인 수준을 넘어, 실시간 모니터링과 연동된 작업 제어가 가능합니다.

5.Amazon Braket에서 HI-VQE 적용 결과

큐노바컴퓨팅은 HI-VQE 알고리즘과 Amazon Braket 하이브리드 잡 기능을 활용하여, 화학적 반응 예측에서 중요한 N₂ 분자의 원자 간 거리 변화에 따른 에너지 곡선(Potential energy surface profile, PES)을 계산하였습니다. N₂와 같은 이원자 분자는 구조적으로 단순하지만 정확한 계산이 어려워 학문적, 산업적으로 중요한 특성 예측 연구뿐만 아니라 벤치마크 대상으로도 적합한 화학 물질이기 때문에 예시로 선정하였습니다.

본 실증에서는 Amazon Braket에 등록된 Rigetti사의 Ankaa-3 하드웨어(총 82큐비트) 중 20~40 큐비트를 사용했습니다. 하이브리드 계산은 us-west-1 리전의 EC2 인스턴스 ml.m5.24xlarge에서 실행되었습니다.

N₂ 전자구조 기술을 위해 cc-pVDZ 기저 함수를 사용하였으며, 총 28개의 오비탈이 포함됩니다. 원자 간 거리 0.9, 1.1, 2.0 Å에서 HI-VQE 계산을 수행하고, 이를 이론적으로 정확한 참조값인 CASCI(Complete Active Space Configuration Interaction) 계산과 비교해 정확도를 검증했습니다. 참고로, CASCI는 주어진 분자의 가능한 전자 분포의 모든 조합을 고려하여 전자구조 해를 구하는 이론적으로 정확한 방법(exact method)입니다. 전자구조를 큐비트로 변환하기 위해 Jordan–Wigner 변환을 적용하였고, cc-pVDZ 오비탈 중 중요도가 높은 10, 14, 20개 오비탈을 선택하여 활성 공간(active space)을 구성했습니다. 각각의 경우 20, 28, 40 큐비트로 매핑되었으며, 전자수는 N₂의 총 전자수인 14개로 고정했습니다. 활성 공간의 크기가 커질수록 정확도 또한 향상됩니다. 본 사례에서는 20, 28, 40 큐비트에 해당하는 HI-VQE 결과이며, 표2~표4에는 거리별 계산의 주요 입력값과 출력값이 정리되어 있습니다.

양자화학 계산에서는 CASCI 총에너지와 비교했을 때 오차가 1.6 mHa 이하이면 “화학적 정확도”에 도달했다고 평가합니다. 그러나, CASCI는 계산량이 지수적으로 증가하기 때문에 대규모 활성 공간에서는 사실상 불가능합니다. 반면, HI-VQE는 중요한 행렬 요소만 양자 하드웨어로 추출하고 이를 반복적으로 최적화하는 방식을 통해, 훨씬 작은 자원으로도 CASCI에 준하는 정확도를 달성할 수 있습니다. HI-VQE 방법론에 대한 구체적인 설명은 큐노바컴퓨팅에서 공개한 arXiv 논문을 통해서 확인할 수 있습니다.

40큐비트 규모에 해당하는 문제의 CASCI 계산을 수행하려면 최소 4 TB 이상의 메모리가 필요합니다. 반면, 큐노바컴퓨팅은 HI-VQE와 Amazon Braket Rigetti Ankaa-3 및 하이브리드 잡 환경(96코어 / 384 GB 메모리)에서 수행한 결과에서, CASCI 참조 계산 대비 화학적 정확도(1.6 mHa 이하의 차이)를 만족하는 결과를 얻었습니다. 표 2~4의 5번째 행에 제시된 계산의 정확도를 통해 이를 확인할 수 있습니다. 큐비트 수 증가에 따라 계산량이 높아져 하이브리드 잡의 총 계산 시간이 증가하는 경향이 있으나, 고전적 방법만으로 40 큐비트 계산 자체가 메모리 제약으로 불가능한 점에서 HI-VQE의 장점이 명확히 드러납니다.

특히, 화학계에서 고려해야 할 오비탈의 수가 증가할수록 계산 비용은 지수적으로 증가하는데, HI-VQE의 가장 큰 장점은 이 비용을 준지수적 (sub-exponential) 수준으로 억제하면서 정확성을 유지할 수 있다는 점입니다. 따라서, 같은 자원으로도 CASCI 로는 다룰 수 없는 오비탈 수까지 확장이 가능하고, 다양한 화학적 현상을 양자화학 계산으로 예측하고 연구할 수 있게 됩니다.

표 2~4에 나타난 총 상태수 대비 HI-VQE 상태수의 비교를 통해 효율성을 확인할 수 있으며, 다만 40 큐비트 이상 규모에서는 HI-VQE 역시 계산량이 방대하기 때문에, 효율성과 속도 향상을 위해 더 강력한 고전 컴퓨터 자원 활용이나 상태 최적화와 같은 추가적 접근법이 필요합니다.

[표2. N₂ 분자의 원자간 거리가 0.9 Ångström 일때 20, 28, 40 큐비트 사용시 HI-VQE 의 계산 결과]

[표3. N₂ 분자의 원자간 거리가 1.1 Ångström 일때 20, 28, 40 큐비트 사용시 HI-VQE 의 계산 결과]

[표4. N₂ 분자의 원자간 거리가 2.0 Ångström 일때 20, 28, 40 큐비트 사용시 HI-VQE 의 계산 결과]

그림 4는 하이브리드 잡을 활용해 취합한 HI-VQE 기반 N₂ PES 계산 결과를 정확한 참조 계산인 CASCI와 함께 나타낸 그래프입니다. 분자의 원자 간 거리(x축)에 따른 분자의 에너지(y축) 변화를 보여줍니다. 하늘색 그래프는 가장 부정확한 Hartree-Fock 방법 결과이며, 점선으로 표현된 세 개의 그래프는 각각 20큐비트(빨강), 28큐비트(파랑), 40큐비트(초록)를 사용할 경우에 해당하는 결과들의 정확한 계산의 레퍼런스들에 해당하며 HI-VQE의 정확도를 평가하기 위해서 고전컴퓨터 알고리즘을 통해 얻었습니다. X 표시된 데이터는 표 2~4의 HI-VQE 계산 결과를 나타내며, 이들을 통해 HI-VQE의 정확도를 정량적으로 평가할 수 있습니다.

[그림4. N₂ 분자의 PES 확인을 위한 HI-VQE (X) vs CASCI (—) 의 20, 28, 40 큐비트 (혹은 10, 14, 20 오비탈) 계산의 비교 도식]

6.결론

본 블로그에서는 큐노바컴퓨팅의 사례를 통해 양자화학 계산의 산업적 중요성과 이를 실현하기 위한 양자컴퓨팅의 필요성을 살펴보았습니다.

큐노바컴퓨팅은 Amazon Braket을 통한 사용자 친화적 접근을 통해, 복잡한 하이브리드 양자 계산을 클라우드 환경에서 간편하게 실행할 수 있게 되었습니다. 이를 통해 양자화학, 최적화 문제 등 다양한 실험과 연구를 보다 빠르고 효율적으로 수행할 수 있습니다. 다만, 하이브리드 잡 사용 시, 리전별 디바이스 차이와 온라인 사용 시간 제한과 같은 현실적 제약이 여전히 존재하였습니다.

이러한 제약을 극복하기 위해 큐노바컴퓨팅은 앞으로 AI 기반 제어와 스케줄링 기술을 접목한 더욱 발전된 SaaS 솔루션을 선보일 계획입니다. 디바이스 가용성과 계산 가중치를 고려한 자동 리소스 최적화, 그리고 리전 간 이기종 디바이스의 통합 활용을 통해 사용자들이 양자 알고리즘 개발과 연구에만 전념할 수 있는 환경을 제공할 것입니다. 로컬 환경 구성 없이도 바로 양자 알고리즘을 실행할 수 있어 매우 뛰어난 접근성과 학습 곡선을 자랑합니다. 풍부한 예제와 다양한 하드웨어 호환성, 그리고 회로 설계부터 결과 분석까지 원스톱으로 가능한 통합 워크플로우를 제공합니다. 비용은 사용량 기반으로 투명하게 산정되며, 약정 없이 필요한 만큼 지불할 수 있다는 점이 큰 장점입니다. 또한 Braket은 다양한 QPU와 시뮬레이터를 클라우드에서 즉시 활용할 수 있어 광범위한 실험과 성능 비교가 가능합니다. 다만, QPU 활용에는 여전히 비용적 부담이 따르는 것이 현실이나, 사용량 기반 과금 방식을 통해 초기 투자 비용 없이 비용 합리적으로 양자 리소스를 사용할 수 있습니다.

Amazon Braket은 양자 컴퓨팅 클라우드 분야의 선두주자로서, 비용과 접근성 관련 도전을 기술 발전과 시장 성숙화 과정을 통해 점차 극복해 나갈 것이라고 기대합니다. 중요한 것은 바로 “지금” 시작하는 것입니다. 큐노바컴퓨팅은 양자컴퓨팅 기술의 완성을 기다리기보다는 현재의 NISQ 기술로도 충분히 혁신적인 가치를 창출하며 미래를 능동적으로 준비하고 있습니다.

양자컴퓨팅 워크로드를 고려하는 기업들에게 Amazon Braket은 최적의 선택이 될 수 있습니다. 다양한 QPU와 시뮬레이터를 원클릭으로 활용 가능하며, 하이브리드 작업 실행부터 결과 관리까지 통합된 환경을 제공함으로써 복잡한 양자컴퓨팅 세계를 보다 쉽고 효율적으로 탐험할 수 있도록 도와줍니다. HI-VQE 알고리즘이 강력한 Amazon Braket 플랫폼을 통해 더 많은 연구자와 개발자에게 전달된다면, 양자 컴퓨팅의 실용화는 한층 가속화될 것입니다. 다음 단계에서는 60큐비트 이상 수준의 계산에서도 Amazon Braket의 편리한 접근성과 다양한 QPU 지원을 기반으로 양자 우위(Quantum Advantage)를 실현하고자 합니다.

AWS 기술 블로그

Amazon Braket을 활용한 큐노바컴퓨팅의 양자화학 계산 혁신 사례

1.큐노바컴퓨팅 소개

2.양자컴퓨팅을 활용한 양자화학 계산의 필요성

3.Amazon Braket 및 Hybrid Jobs 소개

`@hybrid_job` 데코레이터 방식

4.아키텍처

4-1.하이브리드 Job 생성

4-2.실시간 로그 수집 및 하이브리드 Job 제어

4-2-1. CloudWatch Logs 구독 필터를 통한 실시간 Amazon Braket 작업 로그 수집

4-2-2.Amazon Braket 작업 로그를 Amazon MQ Fanout Exchange로 브로드캐스트

4-2-3.Amazon MQ Fanout 구성

4-2-4. 로그 기반 하이브리드 Job 제어 및 실시간 모니터링

5.Amazon Braket에서 HI-VQE 적용 결과

6.결론

주요 링크 모음

팔로우하기

알아보기

리소스

개발자

도움말

AWS 기술 블로그

Amazon Braket을 활용한 큐노바컴퓨팅의 양자화학 계산 혁신 사례

1.큐노바컴퓨팅 소개

2.양자컴퓨팅을 활용한 양자화학 계산의 필요성

3.Amazon Braket 및 Hybrid Jobs 소개

@hybrid_job 데코레이터 방식

4.아키텍처

4-1.하이브리드 Job 생성

4-2.실시간 로그 수집 및 하이브리드 Job 제어

4-2-1. CloudWatch Logs 구독 필터를 통한 실시간 Amazon Braket 작업 로그 수집

4-2-2.Amazon Braket 작업 로그를 Amazon MQ Fanout Exchange로 브로드캐스트

4-2-3.Amazon MQ Fanout 구성

4-2-4. 로그 기반 하이브리드 Job 제어 및 실시간 모니터링

5.Amazon Braket에서 HI-VQE 적용 결과

6.결론

주요 링크 모음

팔로우하기

알아보기

리소스

개발자

도움말

`@hybrid_job` 데코레이터 방식