Hybrid Quantum-Classical Machine Learning Algorithms for Multi-Output Time-Series Forecasting at Utility Scale

Dieser Beitrag demonstriert die Machbarkeit hybrider quantenklassischer maschineller Lernverfahren für die Mehrfachausgabe-Zeitreihenvorhersage im Versorgungsmaßstab, indem zwei Rahmenwerke, kernelisierte Quantenreservoir-Rechnung und projizierte Quantenkernel-Gauß-Prozesse, an einem Datensatz von 103 Haushalten mit intelligenten Zählern unter Verwendung des IBM-Marrakesch-Quantenprozessors evaluiert werden, wobei beide Modelle im Vergleich zu klassischen Basismodellen auf Simulatoren signifikante Fehlerreduktionen erzielten und auf NISQ-Hardware wettbewerbsfähige Leistungen aufrechterhielten.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen vorherzusagen, wie viel Strom 100 verschiedene Familien in den kommenden Stunden verbrauchen werden. Es geht hier nicht nur um Raten, sondern darum, Muster in einem chaotischen Tanz von Zahlen zu erkennen. Manche Familien verbrauchen mehr Strom, wenn es kalt ist, andere, wenn sie fernsehen, und ihre Gewohnheiten spiegeln sich oft gegenseitig wider.

Dieser Artikel handelt von einem Team von Forschern, das versucht, dieses Rätsel mit einer neuen Art von Computer zu lösen: einer hybriden Quanten-Klassischen Maschine. Stellen Sie sich dies wie ein Team vor, bei dem ein superschneller, futuristischer „Quantenhirn" die schwere Arbeit des Erkennens komplexer Muster übernimmt, während ein herkömmliches „klassisches Gehirn" (wie der Laptop, den Sie heute verwenden) die endgültigen Berechnungen und Entscheidungen trifft.

Hier ist eine einfache Aufschlüsselung ihrer beiden Hauptexperimente:

Die Herausforderung: Der „verrauschte" Quantencomputer

Die Forscher hatten keinen perfekten, futuristischen Quantencomputer. Sie verwendeten einen echten, aktuellen (ein sogenanntes NISQ-Gerät), der sich in einem Labor befindet. Stellen Sie sich diesen Computer wie einen brillanten, aber leicht abgelenkten Musiker vor. Er kann unglaublich komplexe Musik spielen (schwere mathematische Probleme lösen), wird aber durch Rauschen (Hardwarefehler) abgelenkt und schlägt gelegentlich eine falsche Note. Das Ziel war es, herauszufinden, ob dieser „abgelenkte Musiker" immer noch helfen kann, den Stromverbrauch besser vorherzusagen als ein herkömmlicher Computer.

Experiment 1: Das „Echo-Kammer"-Prinzip (KQRC-RM)

Die Analogie: Stellen Sie sich eine große, hallende Höhle (das „Reservoir") vor. Sie schreien einen Ton hinein (die Stromdaten), und der Ton prallt herum und mischt sich mit Echos vorheriger Töne. Die Art und Weise, wie sich der Ton beruhigt, verrät Ihnen etwas über die Form der Höhle.

• Wie es funktioniert: Sie speisten Stromdaten in eine Quanten-„Höhle" ein. Während die Daten innerhalb des Quantensystems herumprallten, erzeugten sie ein komplexes Muster von Echos. Anschließend „hörten" sie diesen Echos wiederholt zu (Wiederholte Messung), um herauszufinden, wie der zukünftige Stromverbrauch aussehen würde.
• Das Ergebnis:
  • Im Simulator (Die perfekte Höhle): Als sie dies auf einer perfekten Computersimulation ausführten, war es erstaunlich. Es sagte den zukünftigen Verbrauch mit 37 % weniger Fehler voraus als die beste herkömmliche Computer-Methode.
  • Auf echter Hardware (Die verrauschte Höhle): Als sie es auf dem tatsächlichen Quantencomputer ausführten, störte das „Rauschen". Die Vorhersagen wurden schlechter, und der Fehler stieg tatsächlich im Vergleich zum herkömmlichen Computer an.
  • Das Fazit: Die Idee der „Echo-Kammer" funktioniert in der Theorie hervorragend, aber derzeit ist die echte Quantenhardware zu verrauscht, um sie für diese spezifische Aufgabe besser als einen herkömmlichen Computer zu machen.

Experiment 2: Die „Lokale Nachbarschaftswache" (Projectierter Quanten-Kernel-Gauß-Prozess)

Die Analogie: Stellen Sie sich vor, Sie versuchen, das Wetter in einer ganzen Stadt vorherzusagen. Anstatt die gesamte Atmosphäre auf einmal zu messen (was schwierig ist und fehleranfällig), schauen Sie sich nur kleine, lokale Nachbarschaften an. Wenn die lokale Nachbarschaft sonnig ist, gehen Sie davon aus, dass die ganze Stadt wahrscheinlich sonnig ist. Dies ist „lokal" und „robust".

• Wie es funktioniert: Dieses Modell ist so konzipiert, dass es „rauschresistent" ist. Anstatt den gesamten Quantenzustand zu betrachten (der zerbrechlich ist), betrachtet es nur kleine, lokale Informationsstücke (wie das gleichzeitige Prüfen nur weniger Qubits). Anschließend verwendet es einen „Gauß-Prozess" (ein intelligentes statistisches Werkzeug), um die Zukunft basierend auf diesen lokalen Hinweisen vorherzusagen.
• Das Ergebnis:
  • Im Simulator: Es war ein großer Erfolg und reduzierte die Vorhersagefehler um 62 % im Vergleich zu herkömmlichen Methoden.
  • Auf echter Hardware: Selbst mit dem verrauschten Quantencomputer schlug es den herkömmlichen Computer immer noch um 40 %.
  • Der große Test (100 Familien): Sie versuchten dies im großen Maßstab und sagten den Verbrauch für 100 Familien gleichzeitig unter Verwendung von 100 Quanten-Bits (Qubits) voraus.
    • 49 % der Familien wurden mit sehr hoher Genauigkeit (niedriger Fehler) vorhergesagt.
    • 31 % lagen in einem „mittleren" Genauigkeitsbereich.
    • 20 % hatten hohe Fehler.
  • Warum die Fehler? Die Forscher stellten fest, dass die 20 %, die schlechte Vorhersagen erhielten, den „verrauschtesten" Teilen des Quantenchips zugewiesen wurden (wie Qubits, die müde sind oder eine kurze Aufmerksamkeitsspanne haben). Hätten sie die Familien den „gesündesten" Teilen des Chips zugewiesen, wären die Ergebnisse wahrscheinlich noch besser gewesen.

Das Fazit

Der Artikel behauptet, dass:

1. Es möglich ist: Wir können nun diese komplexen, mehrfamilienbezogenen Stromprognosen auf echten Quantencomputern mit über 100 Qubits ausführen.
2. Es vielversprechend, aber unvollkommen ist: Die Methode der „Lokalen Nachbarschaftswache" (Experiment 2) ist der Gewinner. Sie ist robust genug, um das Rauschen aktueller Hardware zu bewältigen, und schlägt dennoch herkömmliche Computer.
3. Hardware wichtig ist: Die Qualität der Vorhersage hängt stark davon ab, welchen Teil des Quantenchips Sie verwenden. Wenn der Chip an einer bestimmten Stelle verrauscht ist, werden die Vorhersagen für diesen Ort schlecht sein.

Kurz gesagt: Die Forscher bewiesen, dass ein hybrides Team (Quanten + Klassisch) den Stromverbrauch besser vorhersagen kann als ein rein klassisches Team, selbst auf den heutigen unvollkommenen Quantencomputern. Der „perfekte" Quantenvorteil wartet jedoch noch darauf, dass die Hardware etwas leiser und zuverlässiger wird.

Technische Zusammenfassung

Technisches Fazit: Hybrides Quanten-Klassisches Maschinelles Lernen für die Mehrfachausgabe-Zeitreihenvorhersage

Problemstellung
Eine genaue Mehrfachausgabe-Zeitreihenvorhersage ist für den zuverlässigen Betrieb moderner Energiesysteme, einschließlich Lastausgleich und Integration erneuerbarer Energien, von entscheidender Bedeutung. Die Vorhersage des Strombedarfs ist jedoch aufgrund nichtlinearer Dynamiken, Multi-Skalen-Saisonalität und starker Abhängigkeiten zwischen korrelierten Reihen herausfordernd. Klassische statistische Modelle (z. B. ARIMA) haben oft Schwierigkeiten mit diesen Nichtlinearitäten, während flexible maschinelle Lernansätze typischerweise erhebliche Datenmengen und Rechenressourcen erfordern. Obwohl Quantenmaschinelles Lernen (QML) durch ausdrucksstarke nichtlineare Merkmalsabbildungen und Reservoir-Dynamiken Potenzial bietet, sind praktische Anwendungen auf aktuellen Noisy Intermediate-Scale Quantum (NISQ)-Geräten durch begrenzte Qubit-Anzahlen, flache Schaltungstiefen und Hardware-Rauschen eingeschränkt. Der Artikel untersucht die Machbarkeit hybrider Quanten-Klassischer Frameworks für die Mehrstrom-Energienachfragevorhersage im Bereich von 100+ Qubits unter diesen realistischen Einschränkungen.

Methodik
Die Autoren untersuchen zwei verschiedene hybride Quanten-Klassische Frameworks unter Verwendung eines realen Smart-Meter-Datensatzes, der 103 Zeitreihen des Stromverbrauchs von Haushalten umfasst. Die Experimente wurden sowohl auf einem Matrix-Produkt-Zustand (MPS)-Simulator als auch auf dem supraleitenden Quantenprozessor ibm_marrakesh durchgeführt.

1. Gekernelte Quanten-Reservoir-Berechnung mit wiederholter Messung (KQRC-RM):

   • Architektur: Dieses Modell erweitert die Quanten-Reservoir-Berechnung (QRC) auf mehrere korrelierte Zeitreihen. Es verwendet gekoppelte Quantenreservoirs, wobei jede Zeitreihe einem Systemregister gepaart mit einem Ancilla-Register zugeordnet wird.
   • Dynamik: Eingabedaten werden über parametrisierte Unitäroperationen kodiert. Verschränkende Gatter leiten Informationen sowohl innerhalb einzelner Ströme als auch über benachbarte Ströme weiter, um Kreuzkorrelationen zu modellieren.
   • Auslesung: Das Framework nutzt ancilla-unterstützte wiederholte Messungen. Nur Ancilla-Qubits werden zu jedem Zeitschritt gemessen, während System-Qubits die Kohärenz beibehalten, um Speicherinformationen zu tragen. Die resultierenden Wahrscheinlichkeitsverteilungen bilden Merkmalsvektoren.
   • Regression: Ein gekernelter Ausleser (RBF-Kernel gefolgt von Ridge-Regression) wird auf diesen Quantenmerkmalen trainiert, um zukünftige Werte vorherzusagen.
   • Skalierung: Die Experimente nutzten 114 Qubits (15 System- + 15 Ancilla-Qubits pro Strom für 3 gleichzeitige Ströme).

2. Projizierter Quanten-Kernel-Gaußscher Prozess (QGP):

   • Architektur: Eine bayessche Alternative, die auf Fidelity-basierte Quanten-Kernels verzichtet und durch projizierte Kernels ersetzt, die aus lokalen reduzierten Zustandsstatistiken konstruiert werden. Dieser Ansatz vermeidet tiefe Compute-Uncompute-Schaltungen und mildert die Rauschempfindlichkeit.
   • Kernel-Konstruktion: Die Ähnlichkeit zwischen Eingaben wird durch den Vergleich lokaler reduzierter Dichtematrizen (insbesondere 2-Körper-Teilmengen) bestimmt, anstatt globale Zustandsüberlappungen zu nutzen.
   • Regression: Ein Mehrfachausgabe-Gaußscher Prozess (GP) verwendet diese projizierten Kernels, um mehrere Zeitreihen gleichzeitig vorherzusagen und liefert eine Vorhersageunsicherheit.
   • Skalierung: Dieses Framework ist hardware-effizienter und skaliert linear mit der Anzahl der Zeitreihen. Die Experimente reichten von 5-Kunden-Teilmengen bis zu einem utility-scale 100-Qubit-Experiment (ein Qubit pro Kunde).

Hauptergebnisse

• Theoretische Diagnostik: Die Analyse des geometrischen Unterschieds ($g_{CQ}$) und der Modellkomplexität ($\kappa$) zeigte, dass der Smart-Meter-Datensatz Signaturen aufweist, die mit einem Regime konsistent sind, in dem Quantenmodelle auf Funktionsräume zugreifen könnten, die sich von klassischen Baselines unterscheiden, insbesondere mit zunehmender Datensatzgröße.
• KQRC-RM-Leistung:
  • Auf dem MPS-Simulator erreichte das Modell einen MAE von 0,0811 für eine 3-Strom-Eingabe/Ausgabe, was einer Verbesserung von 36,92 % gegenüber seinem klassischen Analogon (ESN-KRR) entspricht.
  • Auf der Hardware verschlechterte sich die Leistung auf einen MAE von 0,1524 aufgrund von Gate-Rauschen und Dekohärenz, obwohl das Modell dennoch dominante zeitliche Trends erfasste.
• QGP-Leistung:
  • Kleinskalig: Auf einer 5-Kunden-Teilmenge erreichte der QGP einen MAE von 0,16 auf dem Simulator und 0,24 auf der Hardware. Dies entspricht einer Reduktion des MAE um 62,01 % auf dem Simulator und 40,37 % auf der Hardware im Vergleich zu einer klassischen Mehrfachausgabe-GP-Baseline.
  • Utility-Scale (100 Qubits): Im großskaligen Experiment erzielten 49 % der Kunden Vorhersagen mit hoher Genauigkeit (MAE < 0,15), und 80 % fielen in Bereiche mit geringem oder mittlerem Fehler.
  • Hardware-Korrelation: Die Verteilung der Genauigkeit korrelierte direkt mit dem Rauschprofil der physischen Hardware. Kunden, die auf Qubits mit längeren $T_2$-Kohärenzzeiten und niedrigeren CZ-Gate-Fehlern abgebildet wurden, fielen konsistent in die Kategorie mit geringem Fehler, während diejenigen, die auf verschlechterte Bereiche (z. B. Qubits in der Mitte der Kette) abgebildet wurden, zum Regime mit hohem Fehler beitrugen.

Bedeutung und Behauptungen
Der Artikel behauptet, die Machbarkeit hybriden Quantenmaschinellen Lernens für die Mehrfacheingabe-Mehrfachausgabe-Zeitreihenvorhersage im Bereich von 100+ Qubits auf NISQ-Geräten nachgewiesen zu haben.

• Empirische Machbarkeit: Die Ergebnisse zeigen, dass sowohl KQRC-RM als auch QGP unter realistischen Rauscheinschränkungen funktionsfähig bleiben und für die Mehrheit der Kunden Nachfragemuster erfassen, selbst auf aktueller Hardware.
• Skalierbarkeit und Effizienz: Die Studie hebt einen Zielkonflikt hervor: KQRC-RM ist effektiv für die Erfassung komplexer Dynamiken, aber ressourcenintensiv, während QGP eine skalierbarere, hardware-effizientere Alternative bietet, die für größere Anzahlen von Zeitreihen mit kleineren Trainingsdatensätzen geeignet ist.
• Hardware-Bewusstsein: Das Utility-Scale-Experiment unterstreicht die Bedeutung topologiebewusster Optimierung und Qubit-Auswahl und zeigt, dass die Vorhersagequalität stark von den spezifischen physikalischen Eigenschaften des verwendeten Quantenprozessors abhängt.

Die Autoren kommen zu dem Schluss, dass diese Ergebnisse zwar einen bedeutenden Schritt hin zu einer praktischen quantenunterstützten Vorhersage darstellen, sie jedoch primär als empirische Machbarkeitsstudie zu interpretieren sind. Die Arbeit behauptet keinen definitiven „Quantenvorteil" gegenüber allen klassischen Methoden in allen Szenarien, stellt jedoch fest, dass hybride Quantenmodelle spezifische klassische Baselines in strukturierten Energievorhersageaufgaben unter NISQ-Bedingungen übertreffen können.