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

Ce papier démontre la faisabilité de l'apprentissage automatique hybride quantique-classique pour la prévision de séries temporelles à multiples sorties à l'échelle des services publics en évaluant deux cadres, le calcul de réservoir quantique à noyau et les processus gaussiens à noyau quantique projeté, sur un jeu de données de compteurs intelligents de 103 ménages utilisant le processeur quantique IBM Marrakech, où les deux modèles ont obtenu des réductions d'erreur significatives par rapport aux bases de référence classiques sur les simulateurs et ont maintenu des performances compétitives sur le matériel NISQ.

L'essentiel

Imaginez que vous essayez de prédire combien d'électricité 100 familles différentes consommeront au cours des prochaines heures. Il ne s'agit pas seulement de deviner ; il s'agit de repérer des motifs dans une danse chaotique de chiffres. Certaines familles consomment plus d'énergie quand il fait froid, d'autres quand elles regardent la télévision, et leurs habitudes se reflètent souvent mutuellement.

Ce papier traite d'une équipe de chercheurs tentant de résoudre cette énigme à l'aide d'un nouveau type d'ordinateur : une machine hybride quantique-classique. Imaginez cela comme une équipe où un « cerveau quantique » ultra-rapide et futuriste effectue le travail lourd consistant à repérer des motifs complexes, tandis qu'un « cerveau classique » standard (comme l'ordinateur portable que vous utilisez aujourd'hui) gère les calculs finaux et la prise de décision.

Voici un aperçu de leurs deux principales expériences, expliquées simplement :

Le Défi : L'Ordinateur Quantique « Bruyant »

Les chercheurs ne disposaient pas d'un ordinateur quantique futuriste parfait. Ils ont utilisé un appareil réel de génération actuelle (appelé dispositif NISQ) situé dans un laboratoire. Imaginez cet ordinateur comme un musicien brillant mais légèrement distrait. Il peut jouer une musique incroyablement complexe (résoudre des problèmes mathématiques difficiles), mais il se laisse distraire par le bruit (erreurs matérielles) et peut parfois jouer une fausse note. L'objectif était de voir si ce « musicien distrait » pouvait tout de même aider à prédire la consommation d'électricité mieux qu'un ordinateur standard.

Expérience 1 : La « Chambre d'Écho » (KQRC-RM)

L'Analogie : Imaginez une grande grotte résonnante (le « Réservoir »). Vous criez un son à l'intérieur (les données électriques), et le son rebondit, se mélangeant aux échos de sons précédents. La façon dont le son se stabilise vous renseigne sur la forme de la grotte.

• Fonctionnement : Ils ont injecté des données électriques dans une « grotte » quantique. Alors que les données rebondissaient à l'intérieur du système quantique, elles créaient un motif complexe d'échos. Ils ont ensuite « écouté » ces échos à plusieurs reprises (Mesure Répétée) pour déterminer à quoi ressemblerait la consommation future d'électricité.
• Le Résultat :
  • Dans le Simulateur (La Grotte Parfaite) : Lorsqu'ils ont exécuté cela sur une simulation informatique parfaite, le résultat était époustouflant. Il a prédit la consommation future avec 37 % d'erreur en moins que la meilleure méthode informatique standard.
  • Sur le Matériel Réel (La Grotte Bruyante) : Lorsqu'ils l'ont exécuté sur l'ordinateur quantique réel, le « bruit » a interféré. Les prédictions se sont détériorées, et l'erreur a en fait augmenté par rapport à l'ordinateur standard.
  • La Conclusion : L'idée de la « Chambre d'Écho » fonctionne très bien en théorie, mais pour l'instant, le matériel quantique réel est trop bruyant pour le rendre meilleur qu'un ordinateur standard pour cette tâche spécifique.

Expérience 2 : La « Surveillance de Quartier Locale » (Processus Gaussien à Noyau Quantique Projeté)

L'Analogie : Imaginez essayer de prédire la météo dans toute une ville. Au lieu d'essayer de mesurer l'ensemble de l'atmosphère d'un coup (ce qui est difficile et sujet aux erreurs), vous ne regardez que de petits quartiers locaux. Si le quartier local est ensoleillé, vous supposez que toute la ville est probablement ensoleillée. C'est « local » et « robuste ».

• Fonctionnement : Ce modèle est conçu pour être « résistant au bruit ». Au lieu d'examiner l'état quantique complet (qui est fragile), il ne regarde que de petits morceaux d'informations locaux (comme vérifier quelques qubits à la fois). Il utilise ensuite un « Processus Gaussien » (un outil statistique intelligent) pour deviner le futur sur la base de ces indices locaux.
• Le Résultat :
  • Dans le Simulateur : Ce fut un immense succès, réduisant les erreurs de prédiction de 62 % par rapport aux méthodes standard.
  • Sur le Matériel Réel : Même avec l'ordinateur quantique bruyant, il a encore surpassé l'ordinateur standard de 40 %.
  • Le Grand Test (100 Familles) : Ils ont testé cela à grande échelle, prédisant pour 100 familles simultanément en utilisant 100 « bits » quantiques (qubits).
    • 49 % des familles ont été prédites avec une très grande précision (faible erreur).
    • 31 % se situaient dans une plage de précision « moyenne ».
    • 20 % présentaient des erreurs élevées.
  • Pourquoi ces erreurs ? Les chercheurs ont constaté que les 20 % ayant reçu de mauvaises prédictions avaient été assignés aux parties les plus « bruyantes » de la puce quantique (comme des qubits fatigués ou ayant une courte durée d'attention). S'ils avaient assigné les familles aux parties les plus « saines » de la puce, les résultats auraient probablement été encore meilleurs.

La Conclusion

Le papier affirme que :

1. C'est possible : Nous pouvons désormais exécuter ces prévisions complexes de consommation d'électricité multi-familles sur des ordinateurs quantiques réels comportant plus de 100 qubits.
2. C'est prometteur mais imparfait : La méthode « Surveillance de Quartier Locale » (Expérience 2) est la gagnante. Elle est suffisamment robuste pour gérer le bruit du matériel actuel et bat toujours les ordinateurs standards.
3. Le matériel compte : La qualité de la prédiction dépend fortement de la partie de la puce quantique que vous utilisez. Si la puce est bruyante à un endroit spécifique, les prédictions pour cet endroit seront mauvaises.

En bref : Les chercheurs ont prouvé qu'une équipe hybride (Quantique + Classique) peut prédire la consommation d'électricité mieux qu'une équipe purement classique, même sur les ordinateurs quantiques imparfaits d'aujourd'hui. Cependant, l'avantage quantique « parfait » attend toujours que le matériel devienne un peu plus silencieux et plus fiable.

Résumé technique

Résumé technique : Apprentissage automatique hybride quantique-classique pour la prévision de séries temporelles à multiples sorties

Énoncé du problème
La prévision précise de séries temporelles à multiples sorties est cruciale pour le fonctionnement fiable des systèmes énergétiques modernes, notamment l'équilibrage de charge et l'intégration des énergies renouvelables. Cependant, la prévision de la demande électrique est difficile en raison de dynamiques non linéaires, de saisonnalités multi-échelles et de fortes dépendances entre séries corrélées. Les modèles statistiques classiques (par exemple, ARIMA) peinent souvent face à ces non-linéarités, tandis que les approches d'apprentissage automatique flexibles nécessitent généralement d'importantes quantités de données et de ressources de calcul. Bien que l'apprentissage automatique quantique (QML) offre un potentiel grâce à des cartes de caractéristiques non linéaires expressives et à des dynamiques de réservoir, les applications pratiques sur les dispositifs quantiques intermédiaires à échelle bruyante (NISQ) actuels sont limitées par un nombre restreint de qubits, des profondeurs de circuits faibles et du bruit matériel. L'article aborde la faisabilité des cadres hybrides quantique-classique pour la prévision énergétique multi-flux à l'échelle de 100+ qubits dans le cadre de ces contraintes réalistes.

Méthodologie
Les auteurs examinent deux cadres hybrides quantique-classique distincts en utilisant un ensemble de données réelles de compteurs intelligents comprenant 103 séries temporelles de consommation électrique de ménages. Les expériences ont été menées à la fois sur un simulateur d'état de produit matriciel (MPS) et sur le processeur quantique supraconducteur ibm_marrakesh.

1. Calcul de réservoir quantique noyalisé avec mesure répétée (KQRC-RM) :

   • Architecture : Ce modèle étend le calcul de réservoir quantique (QRC) à plusieurs séries temporelles corrélées. Il emploie des réservoirs quantiques couplés où chaque série temporelle est mappée sur un registre système apparié à un registre auxiliaire.
   • Dynamique : Les données d'entrée sont encodées via des unitaires paramétrés. Des portes d'intrication propagent l'information à la fois au sein des flux individuels et entre les flux voisins pour modéliser les corrélations croisées.
   • Lecture : Le cadre utilise des mesures répétées assistées par des qubits auxiliaires. Seuls les qubits auxiliaires sont mesurés à chaque pas de temps, tandis que les qubits système conservent leur cohérence pour porter la mémoire. Les distributions de probabilité résultantes forment des vecteurs de caractéristiques.
   • Régression : Une lecture noyalisée (noyau RBF suivi d'une régression ridge) est entraînée sur ces caractéristiques quantiques pour prédire les valeurs futures.
   • Échelle : Les expériences ont utilisé 114 qubits (15 système + 15 auxiliaire par flux pour 3 flux simultanés).

2. Processus gaussien à noyau quantique projeté (QGP) :

   • Architecture : Une alternative bayésienne qui remplace les noyaux quantiques basés sur la fidélité par des noyaux projetés construits à partir de statistiques d'états réduits locaux. Cette approche évite les circuits profonds de calcul-décalcul et atténue la sensibilité au bruit.
   • Construction du noyau : La similarité entre les entrées est déterminée en comparant des matrices de densité réduites locales (spécifiquement des sous-ensembles à 2 corps) plutôt que des chevauchements d'états globaux.
   • Régression : Un processus gaussien (GP) à multiples sorties utilise ces noyaux projetés pour prédire simultanément plusieurs séries temporelles, fournissant une incertitude prédictive.
   • Échelle : Ce cadre est plus efficace en termes matériels, évoluant linéairement avec le nombre de séries temporelles. Les expériences ont varié de sous-ensembles de 5 clients à une expérience à l'échelle utilitaire de 100 qubits (un qubit par client).

Résultats clés

• Diagnostics théoriques : L'analyse de la différence géométrique ($g_{CQ}$) et de la complexité du modèle ($\kappa$) a indiqué que l'ensemble de données des compteurs intelligents présente des signatures cohérentes avec un régime où les modèles quantiques pourraient accéder à des espaces de fonctions distincts des bases classiques, en particulier à mesure que la taille de l'ensemble de données augmente.
• Performance du KQRC-RM :
  • Sur le simulateur MPS, le modèle a atteint une erreur absolue moyenne (MAE) de 0,0811 pour une entrée/sortie à 3 flux, représentant une amélioration de 36,92 % par rapport à son analogue classique (ESN-KRR).
  • Sur le matériel, les performances se sont dégradées à une MAE de 0,1524 en raison du bruit des portes et de la décohérence, bien que le modèle ait toujours capturé les tendances temporelles dominantes.
• Performance du QGP :
  • À petite échelle : Sur un sous-ensemble de 5 clients, le QGP a atteint une MAE de 0,16 sur le simulateur et 0,24 sur le matériel. Cela correspond à une réduction de 62,01 % de la MAE sur le simulateur et de 40,37 % sur le matériel par rapport à une base classique de processus gaussien à multiples sorties.
  • À l'échelle utilitaire (100 qubits) : Dans l'expérience à grande échelle, 49 % des clients ont obtenu des prédictions de haute précision (MAE < 0,15), et 80 % se sont situés dans des régimes d'erreur faible ou moyenne.
  • Corrélation matérielle : La distribution de la précision était directement corrélée au paysage de bruit physique du matériel. Les clients mappés sur des qubits avec des temps de cohérence $T_2$ plus longs et des erreurs de porte CZ plus faibles se sont systématiquement situés dans le palier d'erreur faible, tandis que ceux mappés sur des régions dégradées (par exemple, les qubits du milieu de la chaîne) ont contribué au régime d'erreur élevée.

Signification et revendications
L'article revendique de démontrer la faisabilité de l'apprentissage automatique quantique hybride pour la prévision de séries temporelles à multiples entrées et multiples sorties à l'échelle de 100+ qubits sur des dispositifs NISQ.

• Faisabilité empirique : Les résultats montrent que le KQRC-RM et le QGP restent opérationnels sous des contraintes de bruit réalistes, capturant les modèles de demande pour la majorité des clients, même sur le matériel actuel.
• Évolutivité et efficacité : L'étude met en évidence un compromis : le KQRC-RM est efficace pour capturer des dynamiques complexes mais est gourmand en ressources, tandis que le QGP offre une alternative plus évolutive et efficace en termes de matériel, adaptée à un plus grand nombre de séries temporelles avec de plus petits ensembles de données d'entraînement.
• Conscience matérielle : L'expérience à l'échelle utilitaire souligne l'importance de l'optimisation consciente de la topologie et de la sélection des qubits, montrant que la qualité de la prédiction dépend fortement des caractéristiques physiques spécifiques du processeur quantique utilisé.

Les auteurs concluent que, bien que ces résultats représentent une étape significative vers une prévision assistée par l'informatique quantique pratique, ils doivent être interprétés principalement comme une étude de faisabilité empirique. Le travail ne revendique pas un « avantage quantique » définitif par rapport à toutes les méthodes classiques dans tous les contextes, mais établit que les modèles quantiques hybrides peuvent surpasser des bases classiques spécifiques dans des tâches de prévision énergétique structurées sous contraintes NISQ.