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

Este documento demuestra la viabilidad del aprendizaje automático híbrido cuántico-clásico para la predicción de series temporales con múltiples salidas a escala de servicios públicos mediante la evaluación de dos marcos, Computación de Reservorios Cuánticos Kernelizados y Procesos Gaussianos de Núcleo Cuántico Proyectado, en un conjunto de datos de medidores inteligentes de 103 hogares utilizando el procesador cuántico IBM Marrakech, donde ambos modelos lograron reducciones significativas del error en comparación con las líneas base clásicas en simuladores y mantuvieron un rendimiento competitivo en hardware NISQ.

Lo esencial

Imagina que estás intentando predecir cuánto electricidad usarán 100 familias diferentes en las próximas horas. Esto no se trata solo de adivinar; se trata de detectar patrones en una danza caótica de números. Algunas familias consumen más energía cuando hace frío, otras cuando ven la televisión, y sus hábitos a menudo se reflejan entre sí.

Este artículo trata sobre un equipo de investigadores que intenta resolver este rompecabezas utilizando un nuevo tipo de computadora: una máquina híbrida cuántica-clásica. Piensa en esto como un equipo donde un "cerebro cuántico" súper rápido y futurista realiza el trabajo pesado de detectar patrones complejos, mientras que un "cerebro clásico" estándar (como la computadora portátil que usas hoy) se encarga de los cálculos finales y la toma de decisiones.

Aquí tienes un desglose de sus dos experimentos principales, explicados de forma sencilla:

El Desafío: La Computadora Cuántica "Ruidosa"

Los investigadores no tenían una computadora cuántica futurista perfecta. Utilizaron una real, de generación actual (llamada dispositivo NISQ), ubicada en un laboratorio. Piensa en esta computadora como un músico brillante pero ligeramente distraído. Puede tocar música increíblemente compleja (resolver problemas matemáticos difíciles), pero se distrae con el ruido (errores de hardware) y ocasionalmente puede tocar una nota falsa. El objetivo era ver si este "músico distraído" podía ayudar a predecir el consumo de electricidad mejor que una computadora estándar.

Experimento 1: La "Cámara de Eco" (KQRC-RM)

La Analogía: Imagina una cueva grande y resonante (el "Reservorio"). Gritas un sonido dentro de ella (los datos de electricidad) y el sonido rebota, mezclándose con ecos de sonidos anteriores. La forma en que el sonido se estabiliza te dice algo sobre la forma de la cueva.

• Cómo funciona: Introdujeron datos de electricidad en una "cueva" cuántica. A medida que los datos rebotaban dentro del sistema cuántico, creaban un patrón complejo de ecos. Luego, "escucharon" estos ecos repetidamente (Medición Repetida) para determinar cómo sería el consumo futuro de electricidad.
• El Resultado:
  • En el Simulador (La Cueva Perfecta): Cuando lo ejecutaron en una simulación informática perfecta, fue asombroso. Predijo el uso futuro con un 37% menos de error que el mejor método de computadora estándar.
  • En Hardware Real (La Cueva Ruidosa): Cuando lo ejecutaron en la computadora cuántica real, el "ruido" interfirió. Las predicciones empeoraron y el error en realidad aumentó en comparación con la computadora estándar.
  • La Conclusión: La idea de la "Cámara de Eco" funciona genial en teoría, pero actualmente, el hardware cuántico real es demasiado ruidoso para hacerlo mejor que una computadora estándar para esta tarea específica.

Experimento 2: El "Vigilancia del Barrio Local" (Proceso Gaussiano de Núcleo Cuántico Proyectado)

La Analogía: Imagina intentar predecir el clima en toda una ciudad. En lugar de intentar medir toda la atmósfera a la vez (lo cual es difícil y propenso a errores), solo miras pequeños vecindarios locales. Si el vecindario local está soleado, asumes que es probable que toda la ciudad esté soleada. Esto es "local" y "robusto".

• Cómo funciona: Este modelo está diseñado para ser "resistente al ruido". En lugar de observar todo el estado cuántico (que es frágil), solo mira pequeñas piezas locales de información (como verificar solo unos pocos qubits a la vez). Luego utiliza un "Proceso Gaussiano" (una herramienta estadística inteligente) para adivinar el futuro basándose en estas pistas locales.
• El Resultado:
  • En el Simulador: Fue un gran éxito, reduciendo los errores de predicción en un 62% en comparación con los métodos estándar.
  • En Hardware Real: Incluso con la computadora cuántica ruidosa, aún superó a la computadora estándar en un 40%.
  • La Gran Prueba (100 Familias): Lo probaron a gran escala, prediciendo para 100 familias simultáneamente utilizando 100 "bits" cuánticos (qubits).
    • El 49% de las familias se predijo con una precisión muy alta (bajo error).
    • El 31% estuvo en un rango de precisión "media".
    • El 20% tuvo errores altos.
  • ¿Por qué los errores? Los investigadores descubrieron que el 20% que obtuvo predicciones deficientes fue asignado a las partes "más ruidosas" del chip cuántico (como qubits que están cansados o tienen poca capacidad de atención). Si hubieran asignado a las familias a las partes "más saludables" del chip, los resultados probablemente habrían sido aún mejores.

La Conclusión

El artículo afirma que:

1. Es posible: Ahora podemos ejecutar estas previsiones complejas de electricidad para múltiples familias en computadoras cuánticas reales con más de 100 qubits.
2. Es prometedor pero imperfecto: El método de "Vigilancia del Barrio Local" (Experimento 2) es el ganador. Es lo suficientemente robusto para manejar el ruido del hardware actual y aún supera a las computadoras estándar.
3. El hardware importa: La calidad de la predicción depende en gran medida de qué parte del chip cuántico se utilice. Si el chip es ruidoso en un punto específico, las predicciones para ese punto serán malas.

En resumen: Los investigadores demostraron que un equipo híbrido (Cuántico + Clásico) puede predecir el consumo de electricidad mejor que un equipo clásico por sí solo, incluso en las computadoras cuánticas imperfectas de hoy. Sin embargo, la ventaja cuántica "perfecta" aún espera a que el hardware sea un poco más silencioso y confiable.

Resumen técnico

Resumen Técnico: Aprendizaje Automático Híbrido Cuántico-Clásico para la Predicción de Series Temporales con Múltiples Salidas

Enunciado del Problema
La predicción precisa de series temporales con múltiples salidas es crítica para la operación fiable de los sistemas energéticos modernos, incluido el equilibrio de carga y la integración de energías renovables. Sin embargo, la predicción de la demanda eléctrica es un desafío debido a las dinámicas no lineales, la estacionalidad multiescala y las fuertes dependencias entre series correlacionadas. Los modelos estadísticos clásicos (por ejemplo, ARIMA) a menudo luchan contra estas no linealidades, mientras que los enfoques flexibles de aprendizaje automático generalmente requieren datos sustanciales y recursos computacionales. Aunque el aprendizaje automático cuántico (QML) ofrece potencial mediante mapas de características no lineales expresivos y dinámicas de reservorio, las aplicaciones prácticas en dispositivos cuánticos intermedios a escala ruidosa (NISQ) actuales están limitadas por conteos de qubits reducidos, profundidades de circuitos superficiales y ruido de hardware. El artículo aborda la viabilidad de marcos híbridos cuántico-clásicos para la predicción energética de múltiples flujos a escala de más de 100 qubits bajo estas restricciones realistas.

Metodología
Los autores investigan dos marcos híbridos cuántico-clásicos distintos utilizando un conjunto de datos real de medidores inteligentes que comprende 103 series temporales de consumo eléctrico de hogares. Los experimentos se realizaron tanto en un simulador de Estado de Producto Matricial (MPS) como en el procesador cuántico superconductor ibm_marrakesh.

1. Computación de Reservorio Cuántico Kernelizado con Medición Repetida (KQRC-RM):

   • Arquitectura: Este modelo extiende la Computación de Reservorio Cuántico (QRC) a múltiples series temporales correlacionadas. Emplea reservorios cuánticos acoplados donde cada serie temporal se mapea a un registro de sistema emparejado con un registro de ancilla.
   • Dinámica: Los datos de entrada se codifican mediante unitarios parametrizados. Las puertas de entrelazamiento propagan información tanto dentro de flujos individuales como a través de flujos vecinos para modelar las correlaciones cruzadas.
   • Lectura: El marco utiliza mediciones repetidas asistidas por ancilla. Solo se miden los qubits de ancilla en cada paso de tiempo, mientras que los qubits del sistema mantienen la coherencia para transportar memoria. Las distribuciones de probabilidad resultantes forman vectores de características.
   • Regresión: Una lectura kernelizada (kernel RBF seguido de regresión de cresta) se entrena con estas características cuánticas para predecir valores futuros.
   • Escala: Los experimentos utilizaron 114 qubits (15 de sistema + 15 de ancilla por flujo para 3 flujos concurrentes).

2. Proceso Gaussiano de Kernel Cuántico Proyectado (QGP):

   • Arquitectura: Una alternativa bayesiana que reemplaza los kernels cuánticos basados en fidelidad con kernels proyectados construidos a partir de estadísticas de estados reducidos locales. Este enfoque evita circuitos profundos de cálculo-descomputación y mitiga la sensibilidad al ruido.
   • Construcción del Kernel: La similitud entre entradas se determina comparando matrices de densidad reducidas locales (específicamente subconjuntos de 2 cuerpos) en lugar de superposiciones de estados globales.
   • Regresión: Un Proceso Gaussiano (GP) de múltiples salidas utiliza estos kernels proyectados para predecir múltiples series temporales simultáneamente, proporcionando incertidumbre predictiva.
   • Escala: Este marco es más eficiente en hardware, escalando linealmente con el número de series temporales. Los experimentos variaron desde subconjuntos de 5 clientes hasta un experimento a escala de servicio público de 100 qubits (un qubit por cliente).

Resultados Clave

• Diagnósticos Teóricos: El análisis de la diferencia geométrica ($g_{CQ}$) y la complejidad del modelo ($\kappa$) indicó que el conjunto de datos de medidores inteligentes exhibe firmas consistentes con un régimen donde los modelos cuánticos podrían acceder a espacios de funciones distintos de las líneas base clásicas, particularmente a medida que aumenta el tamaño del conjunto de datos.
• Rendimiento de KQRC-RM:
  • En el simulador MPS, el modelo logró un MAE de 0.0811 para una entrada/salida de 3 flujos, representando una mejora del 36.92% sobre su análogo clásico (ESN-KRR).
  • En hardware, el rendimiento se degradó a un MAE de 0.1524 debido al ruido de las puertas y la decoherencia, aunque el modelo aún capturó las tendencias temporales dominantes.
• Rendimiento de QGP:
  • Escala Pequeña: En un subconjunto de 5 clientes, el QGP logró un MAE de 0.16 en el simulador y 0.24 en hardware. Esto corresponde a una reducción del 62.01% en el MAE en el simulador y del 40.37% en hardware en comparación con una línea base clásica de Proceso Gaussiano de múltiples salidas.
  • Escala de Servicio Público (100 Qubits): En el experimento a gran escala, el 49% de los clientes logró predicciones de alta precisión (MAE < 0.15), y el 80% cayó en regímenes de error bajo o medio.
  • Correlación con Hardware: La distribución de la precisión estuvo directamente correlacionada con el paisaje de ruido físico del hardware. Los clientes mapeados a qubits con tiempos de coherencia $T_2$ más largos y errores de puerta CZ más bajos cayeron consistentemente en la categoría de bajo error, mientras que aquellos mapeados a regiones degradadas (por ejemplo, qubits de la cadena central) contribuyeron al régimen de alto error.

Significado y Afirmaciones
El artículo afirma demostrar la viabilidad del aprendizaje automático cuántico híbrido para la predicción de series temporales de múltiples entradas y múltiples salidas a escala de más de 100 qubits en dispositivos NISQ.

• Viabilidad Empírica: Los resultados muestran que tanto KQRC-RM como QGP permanecen operativos bajo restricciones de ruido realistas, capturando patrones de demanda para la mayoría de los clientes incluso en hardware actual.
• Escalabilidad y Eficiencia: El estudio destaca una compensación: KQRC-RM es efectivo para capturar dinámicas complejas pero es intensivo en recursos, mientras que QGP ofrece una alternativa más escalable y eficiente en hardware, adecuada para un mayor número de series temporales con conjuntos de datos de entrenamiento más pequeños.
• Conciencia del Hardware: El experimento a escala de servicio público subraya la importancia de la optimización consciente de la topología y la selección de qubits, mostrando que la calidad de la predicción depende en gran medida de las características físicas específicas del procesador cuántico utilizado.

Los autores concluyen que, si bien estos hallazgos representan un paso significativo hacia la predicción asistida por cuántica práctica, deben interpretarse principalmente como un estudio de viabilidad empírica. El trabajo no afirma una "ventaja cuántica" definitiva sobre todos los métodos clásicos en todas las configuraciones, sino que establece que los modelos cuánticos híbridos pueden superar líneas base clásicas específicas en tareas de predicción energética estructuradas bajo restricciones NISQ.