📊 statistics

Adaptive Conformal Prediction for Quantum Machine Learning

Este artículo introduce la Predicción Conforme Cuántica Adaptativa (AQCP), un algoritmo que garantiza una cuantificación fiable de la incertidumbre para el aprendizaje automático cuántico al mantener garantías de cobertura objetivo a pesar del ruido variable en el tiempo inherente al hardware cuántico, superando a la predicción conforme cuántica estándar en estabilidad y validez.

Autores originales: Douglas Spencer, Samual Nicholls, Michele Caprio

Publicado 2026-05-18

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Douglas Spencer, Samual Nicholls, Michele Caprio

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñar a un robot muy poderoso, pero ligeramente "borracho", a predecir el clima. Este robot es un modelo de Aprendizaje Automático Cuántico (QML). Es increíblemente rápido e inteligente, pero vive en una computadora cuántica, que actualmente es un poco inestable. El hardware es como un barco en un mar tormentoso; las olas (ruido) cambian constantemente, a veces suavemente, a veces violentamente.

El problema es: ¿Cómo sabes cuándo el robot está lo suficientemente seguro como para confiar en su predicción?

En el mundo clásico, usamos una red de seguridad llamada Predicción Conformal. Piensa en esto como un "cinturón de confianza". En lugar de que el robot diga: "Lloverá mañana", dice: "Lloverá entre las 2 PM y las 4 PM". El objetivo es asegurarse de que ese "cinturón" sea lo suficientemente ancho para atrapar la respuesta verdadera el 90% de las veces (si lo configuras al 90%).

El Problema: El Cinturón Inestable del Robot Borracho

El artículo señala un defecto mayor en cómo usamos actualmente esta red de seguridad para las computadoras cuánticas.

Las redes de seguridad estándar asumen que la "borrachera" del robot (ruido) se mantiene igual todo el día. Pero en las computadoras cuánticas reales, el ruido cambia. El hardware se recalibra cada hora, la temperatura varía y los rayos cósmicos pueden golpear la máquina.

Los autores explican que, debido a que el ruido cambia con el tiempo, el "cinturón de confianza" del robot se vuelve poco fiable. Es como intentar usar una regla que se estira y se encoge aleatoriamente. Si calibras la regla por la mañana, podría ser demasiado corta por la tarde. Las matemáticas estándar dicen: "Garantizamos que este cinturón atrapa la verdad el 90% de las veces", pero como la regla está cambiando de tamaño, esa garantía se rompe. El robot podría pensar que tiene un 90% de certeza, pero en realidad solo tiene un 70% de certeza, o quizás un 99%.

La Solución: El Cinturón "Autocorrector"

Para solucionar esto, los autores introducen un nuevo método llamado Predicción Conformal Cuántica Adaptativa (AQCP).

Piensa en AQCP como un cinturón inteligente y autocorrector.

Método Antiguo (QCP): Mides la regla una vez por la mañana y te quedas con ella todo el día. Si la regla se encoge más tarde, tus mediciones son incorrectas.
Método Nuevo (AQCP): Revisas la regla cada vez que haces una predicción.
- Si el robot estaba equivocado (la respuesta verdadera cayó fuera del cinturón), el sistema dice: "Ups, ¡mi cinturón estaba demasiado ajustado!" y lo ensancha inmediatamente para la siguiente predicción.
- Si el robot estaba correcto (la respuesta estaba dentro), podría ajustar ligeramente el cinturón para ser más eficiente.

Esto ocurre en tiempo real. El sistema se recalibra constantemente basándose en si acaba de obtener un "acierto" o un "fallo". Esto le permite manejar el hardware "borracho", incluso si el ruido es caótico y cambia cada segundo.

Cómo lo Probaron

Los investigadores probaron esto en una computadora cuántica real fabricada por IBM (llamada ibm_sherbrooke). Le dieron al robot una tarea: predecir un número basado en un patrón de onda sinusoidal (una línea ondulada).

La Prueba: Ejecutaron miles de predicciones.
El Resultado: El método antiguo (QCP) seguía desviándose del objetivo. A veces era demasiado ancho (desperdiciando recursos) y a veces demasiado estrecho (fallando en capturar la verdad).
El Ganador: El método nuevo (AQCP) se mantuvo justo en el objetivo. Mantuvo la "tasa de captura" estable en el 90% deseado, sin importar cuánto fluctuara el ruido del hardware.

También probaron diferentes formas de medir "qué tan equivocado" estaba el robot (llamadas funciones de puntuación). Descubrieron que algunos métodos eran mejores para mantener el cinturón de predicción tan pequeño como sea posible mientras aún capturaban la verdad, pero todos funcionaron mucho mejor con el sistema autocorrector AQCP que sin él.

La Desventaja

Hay una pequeña limitación. Dado que este sistema aprende revisando sus errores uno por uno, debe trabajar secuencialmente.

Analogía: Imagina a un profesor calificando una pila de exámenes. El método antiguo califica los 100 exámenes a la vez basándose en una regla establecida al inicio. El nuevo método califica un examen, revisa la respuesta, ajusta la regla y luego califica el siguiente.
Consecuencia: No puedes usar esto para el procesamiento por "lotes" (calificar 1,000 exámenes de una vez sin ver las respuestas). Tienes que esperar el resultado de una predicción antes de hacer la siguiente.

Resumen

En términos simples: Las computadoras cuánticas son ruidosas e impredecibles. La forma antigua de medir su confianza no tenía en cuenta este ruido cambiante, lo que llevaba a predicciones poco fiables. Los autores construyeron un nuevo sistema "autocorrector" que ajusta constantemente sus niveles de confianza en tiempo real. Esto asegura que, incluso en una máquina cuántica inestable y ruidosa, las predicciones sigan siendo confiables y precisas.

Resumen Técnico: Predicción Conformal Adaptativa para Aprendizaje Automático Cuántico

Enunciado del Problema

El Aprendizaje Automático Cuántico (QML) busca aprovechar los procesadores cuánticos para mejorar los algoritmos clásicos, sin embargo, el despliegue de estos modelos en dominios de alto riesgo (por ejemplo, atención sanitaria, defensa) requiere una cuantificación rigurosa de la incertidumbre. Aunque la Predicción Conformal (CP) ofrece garantías libres de distribución y de muestra finita para modelos clásicos, su aplicación a QML enfrenta un obstáculo crítico: ruido de hardware no estacionario.

La Predicción Conformal estándar, incluido el recientemente propuesto marco de Predicción Conformal Cuántica (QCP) (Park & Simeone, 2023), se basa en la suposición de que los datos de calibración y prueba son intercambiables. Esta suposición implica que los procesos de ruido subyacentes dentro del hardware cuántico permanecen estacionarios a lo largo del tiempo. Sin embargo, los dispositivos actuales de Escala Intermedia Ruidosa (NISQ) exhiben ruido variable en el tiempo debido a factores como fluctuaciones de temperatura, oscilaciones del equipo de control y eventos de rayos cósmicos. Los autores demuestran que, cuando el ruido es no estacionario, las puntuaciones de conformidad derivadas de las mediciones cuánticas ya no son intercambiables, incluso si la distribución de los datos de entrada es estacionaria. En consecuencia, las garantías teóricas de cobertura del QCP estándar (es decir, que el resultado verdadero se encuentra dentro del conjunto de predicción con probabilidad $1-\alpha$ ) quedan invalidadas.

Metodología

Para abordar la ruptura de la intercambiabilidad causada por el ruido dependiente del tiempo, los autores proponen la Predicción Conformal Cuántica Adaptativa (AQCP). Este enfoque adapta el marco de Inferencia Conformal Adaptativa (ACI) (Gibbs & Candès, 2021) al entorno cuántico.

Algoritmo Central

AQCP opera en un entorno de prueba en línea donde el nivel de no cobertura se ajusta dinámicamente en función de la cobertura empírica observada. El algoritmo procede de la siguiente manera:

Inicialización: Un conjunto de datos de calibración $D_{cal}$ se utiliza para calcular las puntuaciones de conformidad iniciales.
Procesamiento Secuencial: Para cada punto de prueba $i$ , el algoritmo construye un conjunto de predicción $C_i(X_{n+i})$ utilizando un nivel de no cobertura actual $\alpha_i$ .
Bucle de Retroalimentación: Después de revelar la etiqueta verdadera $Y_{n+i}$ , el algoritmo actualiza el nivel de no cobertura:
$\alpha_{i+1} = \alpha_i + \gamma (\alpha - \text{err}_i)$
donde $\gamma$ es un hiperparámetro de tamaño de paso y $\text{err}_i$ es 1 si la etiqueta verdadera está fuera del conjunto de predicción, y 0 en caso contrario.
Funciones de Puntuación: Dado que los modelos cuánticos producen muestras estocásticas (disparos) en lugar de salidas deterministas, AQCP utiliza funciones de puntuación basadas en muestras. El artículo evalúa cuatro funciones específicas:
- Distancia Euclidiana: Distancia entre el candidato $y$ y la media de las muestras de disparos.
- Vecino más Cercano k (k-NN): Distancia al $k$ -ésimo vecino más cercano entre las muestras.
- Estimación de Densidad de Kernel (KDE): Estimación negativa de la densidad logarítmica en $y$ .
- Región de Alta Densidad (HDR): Masa de probabilidad estimada de la región donde la densidad es al menos tan alta como en $y$ .

Garantías Teóricas

A diferencia de la CP estándar, que ofrece garantías de muestra finita bajo intercambiabilidad, AQCP proporciona garantías de cobertura promedio asintóticas bajo condiciones de ruido arbitrarias. Los autores demuestran que, a medida que el número de puntos de prueba $N \to \infty$ , la tasa promedio de no cobertura converge casi seguramente al objetivo $\alpha$ . También se deriva un límite de muestra finita bajo suposiciones específicas respecto a cadenas de Markov ocultas que gobiernan el ruido, aunque los autores señalan que estas suposiciones podrían no cumplirse exactamente en la práctica.

Contribuciones Clave

El artículo realiza tres contribuciones principales:

Formalización de la Dependencia Temporal: Los autores proporcionan un marco teórico que demuestra cómo el ruido no estacionario en los procesadores cuánticos invalida la intercambiabilidad de las puntuaciones de conformidad, socavando así las garantías conformales estándar.
Algoritmo Adaptativo (AQCP): Presentan AQCP, un algoritmo que utiliza recalibración en línea para manejar el ruido no estacionario. Está diseñado para funcionar con funciones de puntuación que operan sobre muestras de distribuciones de probabilidad implícitas (disparos cuánticos).
Evaluación Exhaustiva de Hardware: El estudio realiza experimentos extensos en el Procesador Cuántico de IBM (ibm_sherbrooke) y en un simulador clásico. Analiza la validez y eficiencia de AQCP, comparando diversas funciones de puntuación y demostrando que AQCP mantiene niveles de cobertura objetivo con mayor estabilidad que el QCP estándar.

Resultados Experimentales

Los experimentos se realizaron en una tarea de regresión multimodal univariada, replicando la configuración de Park & Simeone (2023).

Estabilidad de la Cobertura: Utilizando datos del procesador cuántico de IBM, los autores compararon AQCP (con tamaño de paso $\gamma = 0.03$ $γ = 0.03$ ) contra "QCP en línea" (equivalente a AQCP con $\gamma = 0$ $γ = 0$ , es decir, sin ajuste de retroalimentación).
- QCP en línea exhibió desviaciones significativas de la cobertura objetivo (por ejemplo, sobre-cobertura seguida de sub-cobertura), fallando en mantener consistentemente el nivel nominal del 90%.
- AQCP demostró una estabilidad robusta, manteniendo consistentemente una cobertura promedio cercana al objetivo del 90% a través de todas las funciones de puntuación probadas (k-NN, Euclidiana, KDE, HDR).
Eficiencia (Tamaño del Conjunto): Utilizando un simulador clásico (FakeQuitoV2) para aislar los efectos de los números de disparos y las funciones de puntuación:
- Las funciones de puntuación KDE y HDR produjeron los tamaños promedio de conjuntos de predicción más pequeños, particularmente a medida que aumentaba el número de disparos ( $M$ ).
- Las funciones de puntuación Euclidiana y 1-NN resultaron en conjuntos de predicción significativamente más grandes (1.5–2 veces más grandes en $M=1000$ ) en comparación con HDR, a pesar de lograr la misma cobertura.
- Todos los métodos alcanzaron la cobertura objetivo, pero la elección de la función de puntuación impactó significativamente la eficiencia (tamaño) de los conjuntos de predicción.

Significado y Afirmaciones

El artículo afirma que AQCP proporciona una representación confiable de la incertidumbre para los modelos de QML bajo condiciones de ruido de hardware arbitrarias, un requisito crítico para el despliegue confiable de algoritmos cuánticos.

Los autores son modestos en sus afirmaciones, reconociendo que:

Las garantías teóricas son asintóticas en lugar de de muestra finita (excepto bajo suposiciones específicas, potencialmente restrictivas).
La evaluación empírica de la robustez se basa en datos recopilados durante un único día, lo que significa que no caracteriza completamente la deriva a largo plazo o las perturbaciones estructuradas.
El método es inherentemente secuencial, requiriendo que la respuesta verdadera sea revelada antes de la siguiente predicción, lo que limita su aplicabilidad directa a configuraciones de predicción por lotes.

A pesar de estas limitaciones, el trabajo establece que la recalibración adaptativa es necesaria para mantener la validez en presencia de ruido cuántico no estacionario, ofreciendo una vía práctica para la cuantificación de la incertidumbre en las aplicaciones actuales de la era NISQ.