Planetary Geology and Quantum Computing

하이브리드 양자-고전 파이프라인을 이용한 행성 지질 조사 임무를 위한 물리 강화 확산 모델링

서론: 겸손함을 가르쳐준 분화구 지대

3개월 전, 저는 Jezero Crater의 삼각주(delta) 모자이크를 응시하며 두 가지 상충되는 사실을 화해시키려 노력하고 있었습니다. 하나는 아름다운 화성 지형을 생성하는 확산 모델이었고, 다른 하나는 그 지형이 "물리적으로 불가능하다"고 계속 말하는 행성 지질학자였습니다. 제가 생성한 이미지들은 지각 평형(isostatic equilibrium)을 위반하는 능선 높이를 가진 분화구들을 보여주었고, 국지적인 중력 체계와 일치하지 않는 각도로 기울어진 퇴적층들, 그리고 화성의 낮은 중력을 지배하는 탄도 궤적 물리학을 무시한 퇴적물 담요(ejecta blankets)를 가지고 있었습니다. 제 모델은 행성 지질학의 _미학_은 학습했지만, 그 _물리_는 배우지 못했던 것입니다.

그 순간은 제가 수년간 별도로 탐구해 온 세 가지 분야—물리 정보 기반 생성 모델링(physics-informed generative modeling), 양자 회로 시뮬레이션(quantum circuit simulation), 그리고 자율 과학을 위한 에이전트 오케스트레이션(agentic orchestration)—를 결합하는 깊은 연구의 계기가 되었습니다. 달 DEM(digital elevation model, 디지털 고도 모델) 데이터에 스코어 기반 확산 모델(score-based diffusion models)을 실험하던 중, 표준 탈노이징 목적 함수(denoising objective)—예측된 노이즈와 실제 노이즈 간의 차이를 최소화하는 것—는 지질학자들이 협상 불가능하다고 여기는 보존 법칙(conservation laws), 열역학적 제약 조건(thermodynamic constraints), 또는 형태학적 사전 정보(morphological priors)를 강제할 메커니즘이 없다는 것을 깨달았습니다. 그리고 역확산 과정(reverse diffusion process)을 위한 양자 샘플링을 탐구하기 시작했을 때, 매개변수화된 양자 회로(parameterized quantum circuits)가 고전적 네트워크보다 훨씬 적은 파라미터로 고차원 확률 분포를 표현할 수 있는 흥미로운 방법을 제공한다는 것을 발견했습니다. 단, 이 방법이 작동하려면 물리 제약 조건이 안자츠(ansatz) 자체에 내장되어 있어야 했습니다.

본 문서는 행성 지질학 조사 임무를 위한 **물리 증강 확산 파이프라인(physics-augmented diffusion pipeline)**을 구축하면서 제가 배운 내용을 기록합니다. 이 파이프라인에서는 고전적 확산 모델(classical diffusion models)이 미분 가능 물리 시뮬레이터(differentiable physics simulators)의 안내를 받으며, 하이브리드 양자-고전 샘플러(hybrid quantum-classical sampler)가 역방향 과정(reverse process)을 가속화하고 정규화합니다. 저는 아키텍처, 작동했던 코드 패턴, 제가 겪었던 실패 모드, 그리고 왜 에이전트형 AI 시스템(agentic AI systems)이 이러한 파이프라인을 오케스트레이션하는 것이 실제 자율 행성 조사 임무를 위한 핵심 요소라고 믿게 되었는지 공유할 것입니다.

행성 지질학에 물리 인지 생성 모델이 필요한 이유

궤도 정찰, 로버 이동, 또는 미래의 자율 착륙선 등 행성 지질학 조사 임무는 가혹한 데이터 문제를 안고 있습니다. 화성에서 지구로 전송되는 대역폭은 대부분의 솔(sol) 동안 초당 킬로비트 단위에 불과합니다. 로버가 모든 결정마다 원시 하이퍼스펙트럴 이미징이나 고해상도 DEM을 지구로 스트리밍할 수는 없습니다. 로버는 현지에서 지질학을 _추론_하고, 어디를 드릴지 결정하며, 압축되고 의사결정 관련성이 높은 요약본만 전송해야 합니다.

생성 모델은 이 영역에서 세 가지 작업에 점점 더 많이 사용되고 있습니다:

1. 데이터 보간 및 초해상도(Data imputation and super-resolution) — 그림자, 먼지 또는 다운링크 제약으로 인해 발생한 DEM과 이미징의 공백을 채우는 것.
2. 계획을 위한 장면 합성(Scene synthesis for planning) — 이동 계획을 확정하기 전에 로버 주변의 그럴듯한 지형 변화를 생성하여 테스트하는 것.
3. 불확실성 인식 매핑(Uncertainty-aware mapping) — 단일 점 추정치 대신 지질학적 해석에 대한 분포를 산출하는 것.

원격 감지 분야의 확산 모델(diffusion models)에 대한 최근 연구를 살펴보면서 일관된 패턴을 발견했습니다. 순수하게 데이터로만 훈련된 모델은 통계적으로는 그럴듯하지만, 기계적으로는 틀린 샘플을 생성합니다. 화성 분화구로 훈련된 확산 모델은 충돌 에너지 스케일링 법칙(impact energy scaling laws)을 고려할 때 기하학적으로 불가능한, 반경 10km에 둘레 50m를 가진 분화구를 아무렇지 않게 생성해낼 것입니다. 탐사 임무의 맥락에서 이는 단순히 미관상으로 틀린 것을 넘어, 항법상의 위험 요소이자 과학 계획의 실패입니다.

제가 실험을 통해 얻은 핵심 통찰은 이겁니다: 행성 과학을 위한 생성 모델(generative models)은 자신이 모델링하는 지형을 형성한 것과 동일한 물리 법칙에 의해 제약되어야 합니다. 물리학은 장식이 아닙니다. 그것은 가장 강력한 사전 정보(prior)이며, 게다가 무료입니다.

물리 기반 확산 아키텍처 (The Physics-Augmented Diffusion Architecture)

여러 번의 반복 끝에 제가 수렴시킨 아키텍처를 설명해 드리겠습니다. 이 파이프라인은 공유된 미분 가능한(differentiable) 물리 계층을 통해 상호 작용하는 네 가지 구성 요소로 이루어져 있습니다.

1. 물리 안내 기반 점수 확산 (Score-Based Diffusion with Physics Guidance)

표준 확산 모델은 점수 함수 $
abla_x ext{log } p(x)$를 학습하고 역방향 SDE(Stochastic Differential Equation) 적분을 통해 샘플링합니다. 제 접근 방식은 각 노이즈 제거 단계에서 물리 기반 에너지 함수의 기울기(gradient)로 점수를 증강시킵니다:

import torch
import torch.nn as nn

...

물리 에너지 함수가 바로 도메인 지식이 존재하는 곳입니다. 분화구 형태학(crater morphology)의 경우, 저는 분화구 직경과 둘레 높이 및 깊이를 연결하는 Pi-그룹 스케일링 법칙(Pi-group scaling laws)의 미분 가능 근사치를 사용했습니다:

class CraterMorphologyPhysics(nn.Module):
    """물리적으로 그럴듯하지 않은 분화구 기하학을 페널티하는 미분 가능한 에너지."""
    def __init__(self, gravity=3.71, target_density=2900.0):
...

이러한 용어들 간의 상호작용을 연구하면서, 가이드 스케일 $\gamma$가 매우 중요하다는 것을 알게 되었습니다. 너무 낮으면 모델이 물리적 현상을 무시하고, 너무 높으면 자명한 평평한 표면(경사 페널티의 전역 최소값)으로 붕괴됩니다. 화성 DEM(Digital Elevation Model)에 적합한 최적 범위는 $\gamma = 0.3$–$0.7$ 근처였으며, 저는 이 $\gamma$를 확산 시간 단계(diffusion timesteps)에 걸쳐 어닐링하는 것이 유용하다고 생각했습니다. 즉, 초기에 (샘플이 대부분 노이즈일 때)는 강력한 물리적 가이던스를 적용하고, 나중에는 (미세한 디테일이 데이터에서 나와야 할 때) 약한 가이던스를 적용하는 방식입니다.

2. 하이브리드 양자-고전 역 샘플러(Hybrid Quantum-Classical Reverse Sampler)

여기서부터 정말 흥미로운 부분이 시작되었습니다. 역 확산 과정(reverse diffusion process)은 본질적으로 가우시안 분포에서 표본을 추출하는 일련의 단계이며, 이 분포의 평균과 분산은 스코어 네트워크(score network)에 의해 매개변수화됩니다. 행성 탐사 임무를 위해 상태 공간은 엄청나게 거대합니다 (1024×1024 DEM은 백만 차원 벡터입니다). 그리고 고전적인 샘플링이 병목 현상(bottleneck)을 일으킵니다.

생성 모델링을 위한 변분 양자 회로(variational quantum circuits)를 탐색하던 중, 저는 매개변수화된 양자 회로(parameterized quantum circuits, PQCs)가 고전 네트워크보다 기하급수적으로 적은 파라미터로 특정 고차원 분포를 표현할 수 있다는 것을 발견했습니다. 다만, 이들이 나타내는 분포는 회로의 얽힘 구조(entanglement structure)에 의해 제약된다는 단점이 있습니다. 확산 샘플링의 경우, 이 제약 조건이 오히려 '특징'으로 작용합니다. 즉, 양자 회로의 제한된 표현력(limited expressivity)이 자연스러운 정규화기(natural regularizer) 역할을 하여, 샘플러가 상태 공간의 물리적으로 터무니없는 영역으로 방황하는 것을 막아줍니다.

제가 구축한 하이브리드 샘플러는 작은 양자 회로를 사용하여 각 역 단계의 '확률적 성분(stochastic component)'을 생성하고, 고전 네트워크가 평균값(mean)을 제공합니다:

import pennylane as qml
import numpy as np

...

이 하이브리드 샘플러를 달(lunar) DEM 패치에 실험해 본 결과, 공유할 만한 두 가지 점을 발견했습니다. 첫째, 양자 생성 노이즈는 8-큐비트 레지스터 전반에 걸쳐 _상관 구조(correlated structure)_를 보이며, 이는 클래식 디코더를 통해 공간적으로 일관된 교란(perturbations)으로 매핑됩니다. 이 방식은 비상관 가우시안 노이즈보다 더 지질학적으로 현실적인 질감을 생성하는 것으로 나타났습니다. 둘째, 양자 회로의 파라미터 개수(3 레이어 × 8 큐비트 × 2 회전 = 48 파라미터)는 대체한 클래식 노이즈 헤드에 비해 약 1/1000 수준이었는데, 이는 모든 파라미터를 검증하고 방사선 경화(radiation-hardened)해야 하는 비행 소프트웨어(flight software)에서는 엄청나게 중요한 문제입니다.

주의할 점: 저는 이것을 default.qubit (상태 벡터 시뮬레이터, statevector simulator)에서 실행했습니다. 실제 양자 하드웨어에서는 샷 노이즈(shot noise)와 디코히어런스(decoherence)가 샘플러의 품질을 저하시킬 것이며, 현재 세대의 NISQ 장치로는 의미 있는 확산 단계(diffusion steps)에 필요한 회로 깊이를 오류 완화(error mitigation) 없이 처리할 수 없습니다. 제 연구를 바탕으로 솔직하게 평가하자면: 하이브리드 양자-클래식 샘플러는 현재 확산을 위한 연구 흥미거리이지만, 파라미터 효율성 주장은 이를 비행 제약 시스템(flight-constrained systems)에서 계속 주목할 가치가 있게 만듭니다.

3. 에이전트 오케스트레이션 레이어 (Agentic Orchestration Layer)

세 번째 구성 요소—그리고 제가 가장 필수적이라고 확신하게 된 부분—는 파이프라인을 자율적으로 조정하는 에이전트 계층입니다. 탐사 임무(survey mission)는 단순히 생성 모델만을 필요로 하는 것이 아니라, 언제 생성할지, 어떤 물리 제약 조건(physics constraints)을 적용할지, 그리고 결과물을 _신뢰할 수 있는지_를 결정하는 시스템이 필요합니다.

저는 LLM 기반 플래너가 확산 파이프라인, 물리 시뮬레이터, 지질학적 검증 모듈에 접근할 수 있는 도구 호출 패턴(tool-calling pattern)을 사용하여 경량 에이전트 루프를 구축했습니다:

class SurveyAgent:
    def __init__(self, planner_llm, diffusion_pipeline, validator):
        self.planner = planner_llm
...

에이전트 시스템을 활용한 과학 자율성 탐구 과정에서 중요한 패턴을 발견했습니다. 바로 에이전트의 가치는 샘플 생성 자체에 있는 것이 아니라, generate → validate → re-plan으로 이어지는 폐쇄 루프(closed loop)에 있다는 것입니다. 확산 모델(diffusion model)이 후보군을 생성하고; 물리 검증기(physics validator)가 비현실적인 후보를 거부하며; 에이전트가 다시 시도할지, 다른 조건화(conditioning)로 재계획할지, 인간 개입 루프(human-in-the-loop)로 격상할지, 아니면 불확실성을 받아들이고 보수적으로 진행할지를 결정합니다. 이 루프에서 물리 증강(physics augmentation)의 가치가 발휘되는데, 이는 검증기와 안내 항(guidance term)이 동일한 물리 시뮬레이터를 공유하기 때문입니다. 따라서 검증기가 샘플을 거부하면, 에이전트는 그 거부 신호를 다음 시도의 안내 스케일(guidance scale)에 다시 피드백할 수 있습니다.

무엇이 고장 났고, 그것을 고치면서 배운 것들

성공 사례보다 실패 모드가 최종 아키텍처를 더 많이 형성했기 때문에, 저는 실패 방식에 대해 솔직하게 이야기하고 싶습니다.

실패 1: 물리 안내가 분포를 붕괴시켰다(Physics guidance collapsed the distribution). 제 첫 시도는 강력한 제약 조건(hard constraint)을 사용하는 것이었습니다 (각 단계 후 샘플들을 물리적으로 일관된 매니폴드(manifold)로 투영). 그 결과는 모드 붕괴(mode collapse)였습니다. 모든 샘플이 경사도 제약 조건을 사소하게 만족시키는 동일하고 부드러우며 특징 없는 지형으로 수렴했습니다. 해결책은 어닐링(annealing)을 적용한 소프트 에너지 공식화(soft energy formulation)와 낮은 분산의 배치를 페널티로 부여하는 다양성 항(diversity term)을 추가하는 것이었습니다.

실패 2: 양자 샘플러가 시뮬레이션에 유용할 만큼 느렸다(The quantum sampler was too slow to be useful in simulation). 1000단계 확산 과정의 내부 루프에서 각 양자 회로 평가(quantum circuit evaluation)는 시뮬레이터에서 약 2ms가 걸렸습니다. 이는 배치 크기와 단계 수에 곱해지기 전까지는 빨라 보이지만, 그렇지 않습니다. 저는 양자 노이즈 샘플 은행을 미리 생성하고 이를 고전적 보간법(classical interpolation)으로 재사용하는 방법을 배웠습니다. 이는 비용의 일부만 들면서도 상관관계가 있는 노이즈(correlated-noise)의 이점을 유지한 타협점이었습니다.

실패 사례 3: 에이전트가 지질학적 근거를 환각(hallucinate)으로 제시함. 초기 버전의 플래너 LLM은 물리적으로 불가능한 샘플조차도 "희귀 마르 분화구(rare maar crater)"나 "빙하 주변 특징(periglacial feature)"이라고 자신감 있게 설명했습니다. 이는 과학 분야에서 LLM 에이전트가 흔히 겪는 알려진 실패 모드이며, 해결책은 구조적인 것이었습니다. 즉, 플래너는 원시 샘플을 직접 보지 않고 오직 검증자(validator)의 구조화된 보고서만 받습니다. 따라서 이미지를 기반으로 추론하는 것이 아니라, 검증된 사실들을 바탕으로 추론합니다.

실패 사례 4: 학습 도메인과 목표 지형 간의 격차. 달 평원 현무암질 암석(lunar mare basalts)을 기반으로 훈련된 확산 모델(diffusion model)은 화성 퇴적 지형에 대해 낮은 품질의 샘플을 생성했습니다. 이 문제에 대한 저의 연구를 통해, 물리 법칙이 안내하는 모델(physics-guided models)이 순수 데이터 기반 모델보다 도메인 이동(domain shift)에 더 강건하다는 것을 발견했습니다. 물리적 사전 정보(physics prior)가 데이터 분포가 달라지더라도 전달되기 때문입니다. 하지만 이것이 완벽한 해결책은 아니었기에, 저는 물리적 안내를 고정(frozen)시키면서 목표 도메인의 소량 파인튜닝을 사용하는 방식으로 마무리했습니다.

실제 적용 사례와 앞으로의 방향

제가 설명한 이 파이프라인은 처음에 예상했던 것보다 훨씬 더 직접적으로 실제 임무 요구 사항에 매핑됩니다. NASA의 Perseverance와 계획된 화성 샘플 회수(Mars Sample Return) 캠페인은 모두 자율적인 지형 평가에 의존합니다. ESA의 ExoMars Rosalind Franklin 로버의 자율 항법은 계획 수립을 위해 물리적 제약이 걸린 지형 합성(physics-constrained terrain synthesis)으로부터 이점을 얻을 것입니다. 하이브리드 양자 구성 요소는 비행용으로는 여전히 추측에 머물러 있습니다. 현재 방사선 경화된 클래식 프로세서가 이 워크로드에는 NISQ 장치보다 성능이 뛰어나지만, 모델 크기가 메모리와 검증 예산에 의해 제약되는 장기 임무에서는 매개변수 효율성(parameter efficiency) 주장이 설득력이 있습니다.

앞으로 저는 저의 연구에서 세 가지 유망한 방향을 보고 있습니다: