📊 statistics

Adaptive Conformal Prediction for Quantum Machine Learning

Cet article présente la prédiction conforme quantique adaptative (AQCP), un algorithme qui garantit une quantification fiable de l'incertitude pour l'apprentissage automatique quantique en maintenant des garanties de couverture cible malgré le bruit variable dans le temps inhérent au matériel quantique, surpassant la prédiction conforme quantique standard en stabilité et en validité.

Auteurs originaux : Douglas Spencer, Samual Nicholls, Michele Caprio

Publié 2026-05-18

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Douglas Spencer, Samual Nicholls, Michele Caprio

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez d'enseigner à un robot très puissant, mais légèrement « ivre », de prédire la météo. Ce robot est un modèle d'Apprentissage Automatique Quantique (AAQ). Il est incroyablement rapide et intelligent, mais il réside sur un ordinateur quantique, qui est actuellement un peu instable. Le matériel est comme un navire en pleine mer agitée ; les vagues (le bruit) changent constamment, parfois doucement, parfois violemment.

Le problème est le suivant : Comment savoir quand le robot est suffisamment confiant pour faire confiance à sa prédiction ?

Dans le monde classique, nous utilisons un filet de sécurité appelé Prédiction Conformée. Imaginez cela comme une « ceinture de confiance ». Au lieu que le robot dise : « Il pleuvra demain », il dit : « Il pleuvra entre 14 h et 16 h ». L'objectif est de s'assurer que cette « ceinture » est assez large pour capturer la vraie réponse 90 % du temps (si vous la réglez à 90 %).

Le Problème : La Ceinture Instable du Robot Ivre

L'article souligne une faille majeure dans la façon dont nous utilisons actuellement ce filet de sécurité pour les ordinateurs quantiques.

Les filets de sécurité standards supposent que l'« ivresse » du robot (le bruit) reste constante toute la journée. Mais sur les vrais ordinateurs quantiques, le bruit change. Le matériel se recalibre chaque heure, la température varie, et des rayons cosmiques peuvent frapper la machine.

Les auteurs expliquent que, parce que le bruit change au fil du temps, la « ceinture de confiance » du robot devient peu fiable. C'est comme essayer d'utiliser une règle qui s'étire et rétrécit de manière aléatoire. Si vous calibrez la règle le matin, elle pourrait être trop courte l'après-midi. Les mathématiques standards disent : « Nous garantissons que cette ceinture capture la vérité 90 % du temps », mais parce que la règle change de taille, cette garantie s'effondre. Le robot pourrait penser qu'il est sûr à 90 %, mais en réalité, il ne l'est qu'à 70 %, ou peut-être à 99 %.

La Solution : La Ceinture « Auto-Corrective »

Pour résoudre ce problème, les auteurs introduisent une nouvelle méthode appelée Prédiction Conformée Quantique Adaptative (PCQA).

Imaginez la PCQA comme une ceinture intelligente et auto-corrective.

Ancienne Méthode (PCQ) : Vous mesurez la règle une fois le matin et vous vous en tenez toute la journée. Si la règle rétrécit plus tard, vos mesures sont fausses.
Nouvelle Méthode (PCQA) : Vous vérifiez la règle à chaque fois que vous faites une prédiction.
- Si le robot s'est trompé (la vraie réponse était en dehors de la ceinture), le système dit : « Oups, ma ceinture était trop serrée ! » et l'élargit immédiatement pour la prochaine prédiction.
- Si le robot a raison (la réponse était à l'intérieur), il pourrait resserrer légèrement la ceinture pour être plus efficace.

Cela se produit en temps réel. Le système se recalibre constamment en fonction de savoir s'il vient d'obtenir un « coup » ou un « raté ». Cela lui permet de gérer le matériel « ivre », même si le bruit est chaotique et change à chaque seconde.

Comment Ils L'Ont Testé

Les chercheurs ont testé cela sur un véritable ordinateur quantique fabriqué par IBM (appelé ibm_sherbrooke). Ils ont donné au robot une tâche : prédire un nombre basé sur un motif de sinusoïde (une ligne ondulée).

Le Test : Ils ont effectué des milliers de prédictions.
Le Résultat : L'ancienne méthode (PCQ) continuait de dériver loin de la cible. Parfois, elle était bien trop large (gaspillant des ressources), et parfois trop étroite (manquant la vérité).
Le Gagnant : La nouvelle méthode (PCQA) est restée exactement sur la cible. Elle a maintenu le « taux de capture » stable à 90 %, peu importe à quel point le bruit matériel a tremblé.

Ils ont également testé différentes façons de mesurer « à quel point » le robot s'était trompé (appelées fonctions de score). Ils ont constaté que certaines méthodes étaient meilleures pour garder la ceinture de prédiction aussi petite que possible tout en capturant toujours la vérité, mais toutes fonctionnaient beaucoup mieux avec le système auto-correctif PCQA qu'en son absence.

L'Inconvénient

Il y a une petite limitation. Parce que ce système apprend en vérifiant ses erreurs une par une, il doit fonctionner de manière séquentielle.

Analogie : Imaginez un professeur corrigeant une pile de copies. L'ancienne méthode corrige les 100 copies d'un coup, basée sur une règle définie au départ. La nouvelle méthode corrige une copie, vérifie la réponse, ajuste la règle, et ensuite corrige la suivante.
Conséquence : Vous ne pouvez pas utiliser cela pour un traitement par « lots » (corriger 1 000 copies d'un coup sans voir les réponses). Vous devez attendre le résultat d'une prédiction avant d'en faire une autre.

Résumé

En termes simples : les ordinateurs quantiques sont bruyants et imprévisibles. L'ancienne façon de mesurer leur confiance ne tenait pas compte de ce bruit changeant, conduisant à des prédictions peu fiables. Les auteurs ont construit un nouveau système « auto-correctif » qui ajuste constamment ses niveaux de confiance en temps réel. Cela garantit que même sur une machine quantique instable et bruyante, les prédictions restent fiables et précises.

Résumé technique : Prédiction conforme adaptative pour l'apprentissage automatique quantique

Énoncé du problème

L'apprentissage automatique quantique (QML) vise à exploiter les processeurs quantiques pour améliorer les algorithmes classiques, mais le déploiement de ces modèles dans des domaines à haut risque (par exemple, la santé, la défense) exige une quantification rigoureuse de l'incertitude. Bien que la prédiction conforme (CP) offre des garanties sans distribution et à échantillon fini pour les modèles classiques, son application au QML se heurte à un obstacle critique : le bruit matériel non stationnaire.

La prédiction conforme standard, y compris le cadre de prédiction conforme quantique (QCP) récemment proposé (Park & Simeone, 2023), repose sur l'hypothèse que les données d'étalonnage et de test sont échangeables. Cette hypothèse implique que les processus de bruit sous-jacents au sein du matériel quantique restent stationnaires dans le temps. Cependant, les dispositifs quantiques intermédiaires à échelle bruyante (NISQ) actuels présentent un bruit variant dans le temps en raison de facteurs tels que les fluctuations de température, les oscillations des équipements de contrôle et les événements de rayons cosmiques. Les auteurs démontrent que lorsque le bruit est non stationnaire, les scores de conformité dérivés des mesures quantiques ne sont plus échangeables, même si la distribution des données d'entrée est stationnaire. Par conséquent, les garanties théoriques de couverture du QCP standard (c'est-à-dire que le résultat vrai se trouve dans l'ensemble de prédiction avec une probabilité $1-\alpha$ ) sont invalidées.

Méthodologie

Pour remédier à la rupture de l'échangeabilité causée par le bruit dépendant du temps, les auteurs proposent la Prédiction Conforme Quantique Adaptative (AQCP). Cette approche adapte le cadre de l'Inférence Conforme Adaptative (ACI) (Gibbs & Candès, 2021) au contexte quantique.

Algorithme principal

L'AQCP fonctionne dans un contexte de test en ligne où le niveau de non-couverture est ajusté dynamiquement en fonction de la couverture empirique observée. L'algorithme procède comme suit :

Initialisation : Un ensemble de données d'étalonnage $D_{cal}$ est utilisé pour calculer les scores de conformité initiaux.
Traitement séquentiel : Pour chaque point de test $i$ , l'algorithme construit un ensemble de prédiction $C_i(X_{n+i})$ en utilisant un niveau de non-couverture courant $\alpha_i$ .
Boucle de rétroaction : Après que l'étiquette vraie $Y_{n+i}$ a été révélée, l'algorithme met à jour le niveau de non-couverture :
$\alpha_{i+1} = \alpha_i + \gamma (\alpha - \text{err}_i)$
où $\gamma$ est un hyperparamètre de pas et $\text{err}_i$ vaut 1 si l'étiquette vraie est en dehors de l'ensemble de prédiction, et 0 sinon.
Fonctions de score : Puisque les modèles quantiques produisent des échantillons stochastiques (tirs) plutôt que des sorties déterministes, l'AQCP utilise des fonctions de score basées sur des échantillons. L'article évalue quatre fonctions spécifiques :
- Distance euclidienne : Distance entre le candidat $y$ et la moyenne des échantillons de tirs.
- k-plus proches voisins (k-NN) : Distance au $k$ -ième plus proche voisin parmi les échantillons.
- Estimation de densité par noyau (KDE) : Estimation du logarithme négatif de la densité en $y$ .
- Région de haute densité (HDR) : Masse de probabilité estimée de la région où la densité est au moins aussi élevée qu'en $y$ .

Garanties théoriques

Contrairement à la CP standard qui offre des garanties à échantillon fini sous l'hypothèse d'échangeabilité, l'AQCP fournit des garanties de couverture moyenne asymptotiques dans des conditions de bruit arbitraires. Les auteurs prouvent que lorsque le nombre de points de test $N \to \infty$ , le taux moyen de non-couverture converge presque sûrement vers la cible $\alpha$ . Une borne à échantillon fini est également dérivée sous des hypothèses spécifiques concernant les chaînes de Markov cachées régissant le bruit, bien que les auteurs notent que ces hypothèses puissent ne pas être exactement vérifiées en pratique.

Contributions clés

L'article apporte trois contributions principales :

Formalisation de la dépendance temporelle : Les auteurs fournissent un cadre théorique démontrant comment le bruit non stationnaire dans les processeurs quantiques invalide l'échangeabilité des scores de conformité, sapant ainsi les garanties conformes standard.
Algorithme adaptatif (AQCP) : Ils introduisent l'AQCP, un algorithme qui utilise un réétalonnage en ligne pour gérer le bruit non stationnaire. Il est conçu pour fonctionner avec des fonctions de score opérant sur des échantillons de distributions de probabilités implicites (tirs quantiques).
Évaluation matérielle complète : L'étude mène des expériences extensives sur le Processeur Quantique IBM (ibm_sherbrooke) et un simulateur classique. Elle analyse la validité et l'efficacité de l'AQCP, compare diverses fonctions de score et démontre que l'AQCP maintient des niveaux de couverture cible avec une stabilité supérieure à celle du QCP standard.

Résultats expérimentaux

Les expériences ont été menées sur une tâche de régression univariée multimodale, en reproduisant la configuration de Park & Simeone (2023).

Stabilité de la couverture : En utilisant des données provenant du processeur quantique IBM, les auteurs ont comparé l'AQCP (avec un pas $\gamma = 0,03$ $γ = 0, 03$ ) à la « QCP en ligne » (équivalente à l'AQCP avec $\gamma = 0$ $γ = 0$ , c'est-à-dire sans ajustement de rétroaction).
- La QCP en ligne a présenté des écarts significatifs par rapport à la couverture cible (par exemple, une sur-couverture suivie d'une sous-couverture), ne parvenant pas à maintenir de manière cohérente le niveau nominal de 90 %.
- L'AQCP a démontré une stabilité robuste, maintenant de manière cohérente une couverture moyenne proche de l'objectif de 90 % sur toutes les fonctions de score testées (k-NN, euclidienne, KDE, HDR).
Efficacité (Taille de l'ensemble) : En utilisant un simulateur classique (FakeQuitoV2) pour isoler les effets du nombre de tirs et des fonctions de score :
- Les fonctions de score KDE et HDR ont produit les plus petites tailles moyennes d'ensembles de prédiction, en particulier lorsque le nombre de tirs ( $M$ ) augmentait.
- Les fonctions de score Euclidienne et 1-NN ont résulté en des ensembles de prédiction significativement plus grands (1,5 à 2 fois plus grands à $M=1000$ ) par rapport à HDR, bien qu'atteignant la même couverture.
- Toutes les méthodes ont atteint la couverture cible, mais le choix de la fonction de score a considérablement impacté l'efficacité (taille) des ensembles de prédiction.

Importance et affirmations

L'article affirme que l'AQCP fournit une représentation fiable de l'incertitude pour les modèles QML dans des conditions de bruit matériel arbitraires, une exigence critique pour le déploiement digne de confiance des algorithmes quantiques.

Les auteurs sont modestes dans leurs affirmations, reconnaissant que :

Les garanties théoriques sont asymptotiques plutôt qu'à échantillon fini (sauf sous des hypothèses spécifiques, potentiellement restrictives).
L'évaluation empirique de la robustesse est basée sur des données collectées sur une seule journée, ce qui signifie qu'elle ne caractérise pas pleinement la dérive à long terme ou les perturbations structurées.
La méthode est intrinsèquement séquentielle, nécessitant que la réponse vraie soit révélée avant la prochaine prédiction, ce qui limite son applicabilité directe aux contextes de prédiction par lots.

Malgré ces limitations, ce travail établit que le réétalonnage adaptatif est nécessaire pour maintenir la validité en présence de bruit quantique non stationnaire, offrant une voie pratique pour la quantification de l'incertitude dans les applications actuelles de l'ère NISQ.