Parameter-Efficient Quantum-Inspired Fast Weight Programmers for Traffic-Matrix Forecasting

Resumen Técnico: Programadores de Pesos Rápidos de Inspiración Cuántica y Eficientes en Parámetros para la Previsión de Matrices de Tráfico

Planteamiento del Problema
Las matrices de tráfico (TM, por sus siglas en inglés) representan la demanda origen-destino (OD) a través de una red y son críticas para tareas de ingeniería de tráfico, como la planificación de capacidad, la mitigación de la congestión y el enrutamiento. Si bien la previsión precisa de la matriz completa es esencial, esta enfrenta restricciones significativas en entornos operativos. En los bucles de control de red en línea, particularmente en entornos de borde (edge) y de borde-nube (cloud-edge), los modelos deben operar bajo estrictas limitaciones de memoria, cómputo y presupuesto de entrenamiento. El traslado de telemetría de grano fino a nubes remotas introduce costos de latencia y ancho de banda, lo que requiere capacidades de predicción locales que sean eficientes en recursos. Los métodos existentes de alta precisión suelen depender de módulos de grafos, transformadores o difusión a gran escala que pueden exceder estos presupos de recursos. Este artículo investiga si los modelos recurrentes compactos de inspiración cuántica pueden proporcionar pronósticos efectivos de la matriz completa sin depender de codificadores espaciales dedicados o arquitecturas de gran capacidad.

Metodología
Los autores adaptan la arquitectura del Programador de Pesos Rápidos de Redes de Kolmogorov–Arnold de Inspiración Cuántica con Compuerta (QKAN-FWP) a la tarea de la previsión directa de matrices de tráfico de múltiples pasos. El estudio utiliza el conjunto de datos de la red troncal Abilene, procesando 24 archivos semanales en fotogramas de TM de 5 minutos. Cada fotograma consiste en 144 pares OD, convertidos en una representación de TM normalizada por fotograma (FN-TM) donde los valores se invierten y escalan a [0, 1] para reflejar la intensidad relativa del tráfico.

El protocolo experimental involucra un enfoque de previsión directa de múltiples pasos: los modelos ingieren un historial de 2 horas (24 fotogramas) y predicen los 100 minutos subsiguientes (20 fotogramas) en una sola pasada hacia adelante (forward pass). La evaluación compara tres variantes de la familia QKAN-FWP contra tres líneas base bajo un protocolo de entrenamiento de presupuesto fijo compartido (50 épocas, tasa de aprendizaje fija, optimizador Adam):

1. G-QKANFWP: Un programador lento clásico genera actualizaciones para un programador rápido de Red Híbrida QKAN (HQKAN) (no linealidad de inspiración cuántica en la lectura rápida).
2. GQKAN-FWP: El módulo HQKAN se coloca en el programador lento, con un programador rápido lineal clásico.
3. GQKAN-QKANFWP: Se utilizan módulos HQKAN tanto en el lado lento como en el rápido (la variante más comprimida).
4. Líneas Base: Un LSTM de tamaño coincidente (LSTM-S), un LSTM más grande (LSTM-L) y un Programador de Pesos Rápidos con Compuerta (G-FWP) clásico sin componentes de inspiración cuántica.

El rendimiento se mide utilizando el Error Cuadrático Medio (RMSE) agrupado a través de todas las ventanas de prueba, horizontes y canales OD, así como el Área Bajo la Curva de Aprendizaje (AULC) de la pérdida de validación y las tasas de victoria por canal OD.

Contribuciones Clave

1. Benchmarking: El estudio proporciona una comparación rigurosa de las variantes de QKAN-FWP con compuerta frente a las líneas base recurrentes estándar (LSTMs) y una línea base de peso rápido clásica en una tarea de previsión de matriz de tráfico multicanal.
2. Análisis de Arquitectura: Aísla el impacto de la ubicación del módulo de inspiración cuántica dentro del marco de pesos rápidos, probando si la no linealidad es más efectiva en la lectura rápida, en el generador de actualización lenta o en ambos.
3. Compromiso Eficiencia-Precisión: El trabajo demuestra que un modelo recurrente compacto puede lograr una precisión competitiva o superior a modelos más grandes mientras reduce significativamente el recuento de parámetros, validando específicamente el espacio de diseño "precisión-eficiencia" para el control de red consciente de los recursos.

Resultos

• Precisión Agregada: El modelo G-QKANFWP logró el mejor RMSE agrupado (0.06897 ± 0.00030) entre todos los modelos evaluados. Superó al LSTM-S de tamaño coincidente (0.07155) y al G-FWP clásico (0.07038). Notablemente, superó ligeramente al significativamente más grande LSTM-L (0.06920) utilizando solo el 22.4% de los parámetros de LSTM-L (8,189 frente a 36,624 parámetros).
• Rendimiento por Horizonte: G-QKANFWP mostró el rendimiento más fuerte en los horizontes corto (H=1) y largo (H=20), mientras que LSTM-L se mantuvo ligeramente superior en el horizonte intermedio (H=10).
• Convergencia: Todas las variantes de inspiración cuántica demostraron un AULC de pérdida de validación menor que el LSTM-S de tamaño coincidente y el G-FWP clásico, lo que indica una reducción de pérdida más rápida y sostenida dentro del presupuesto de entrenamiento fijo. G-QKANFWP igualó la convergencia del LSTM-L más grande.
• Victorias por Canal: Aunque el LSTM-L ganó la mayor cantidad de canales OD individuales (52/144), los modelos de inspiración cuántica (G-QKANFWP y GQKAN-FWP) ganaron sustancialmente más canales (33 y 39, respectivamente) que las líneas base de tamaño coincidente (8 cada una), lo que sugiere mejoras localizadas en la topología de la red.
• Perspectivas de Ablación: La comparación con G-FWP confirma que la ganancia de rendimiento no se debe únicamente al marco de peso rápido con compuerta, sino que se ve significativamente mejorada por la lectura rápida de inspiración cuántica. Colocar el HQKAN en la lectura rápida (G-QKANFWP) resultó más efectivo que colocarlo en el programador lento o en ambos lados para esta tarea específica.

Significado y Reivindicaciones
El artículo afirma que G-QKANFWP representa un diseño prometedor de "precisión-eficiencia" para la previsión de matrices de tráfico de red conscientes de los recursos. El significado principal radica en demostrar que un programador lento clásico combinado con un programador rápido de inspiración cuántica puede lograr una precisión agrupada de vanguardia con una fracción de los parámetros requeridos por las líneas base recurrentes más grandes.

Los autores enmarcan modestamente su contribución no como un reemplazo para los pronosticadores de alta capacidad, sino como una validación de modelos recurrentes compactos para restricciones operativas específicas. Enfatizan que los resultados son específicos para el conjunto de datos de Abilene y el protocolo de entrenamiento de presupuesto fijo. El estudio aísla intencionalmente el componente recurrente temporal, sugiriendo que el trabajo futuro debería integrar estos módulos recurrentes eficientes con codificadores espaciales dedicados (por ejemplo, módulos de grafos o de difusión) para aprovechar aún más las dependencias espaciales. Los hallazgos respaldan la viabilidad de la programación de pesos rápidos de inspiración cuántica como una alternativa ligera para el control de red en línea donde los presupuestos de memoria y entrenamiento son las limitaciones primarias.