Quantum machine learning performance evaluation for air pollution assessment with benchmarking and comparative analysis using multi-metric scoring and quantum circuit expressibility

Résumé Technique : Évaluation de la Performance de l'Apprentissage Automatique Quantique pour l'Évaluation de la Pollution de l'Air

Énoncé du Problème
La dégradation de la qualité de l'air nécessite des mesures correctives immédiates, ceant l'exploration de l'Apprentissage Automatique (ML), de l'Apprentissage Profond (DL) et de l'Apprentissage Automatique Quantique (QML) pour prédire l'Indice de Qualité de l'Air (IQA). Bien que diverses études aient appliqué des modèles d'inspiration quantique ou des approches hybrides quantiques-classiques aux données de pollution atmosphérique, il existe un manque de cadre unifié et multi-métrique pour évaluer rigoureusement les modèles classiques et quantiques les uns par rapport aux autres. Plus précisément, la littérature existante ne parvient souvent pas à rendre compte des complexités structurelles des circuits quantiques — telles que l'expressivité et le pouvoir d'intrication — et de leur relation avec les écarts de généralisation et les pathologies d'optimisation comme les plateaux stériles (barren plateaux) sous les contraintes de l'ère NISQ (Noisy Intermediate-Scale Quantum). Cette étude comble cette lacune en proposant une évaluation comparative des modèles ML, DL et QML à l'aide d'une hiérarchie multi-métrique intégrant des pénalités structurelles spécifiques au quantique.

Méthodologie
L'étude utilise un ensemble de données de 257 834 observations de 2015 à 2020, provenant du Central Pollution Control Board (Inde), comprenant 13 prédicteurs (incluant PM2,5, PM10, NOx, SO2, O3 et les composés organiques volatils) pour prédire l'IQA. Les données ont subi un prétraitement impliquant une normalisation par score Z, une suppression des valeurs aberrantes via Isolation Forest, une imputation et une transformation de Yeo-Johnson pour traiter l'asymétrie. Les caractéristiques ont été réduites à quatre composantes principales (retenant 96,5 % de la variance) pour l'encodage quantique.

Le cadre d'évaluation, nommé MDQ-3L (Machine Learning, Deep Learning, Quantum - 3-Level), intègre trois niveaux distincts d'évaluation :

1. Niveau 1 (Précision Prédictive) : Agrège les métriques de régression normalisées (MAE, MSE, RMSE, MAPE, RMSLE) et le coefficient de détermination ($R^2$).
2. Niveau 2 (Généralisation) : Mesure l'écart entre l'erreur quadratique moyenne (RMSE) d'entraînement et de test ($\Delta_m$).
3. Niveau 3 (Complexité Quantique) : Applique un régularisateur structurel ($\mathcal{R}_m^{(Q)}$) spécifique aux modèles QML, pénalisant la haute expressivité ($E_m$) et le pouvoir d'intrication ($P_m$) pour tenir compte des limitations NISQ et des risques de plateaux stériles.

Le fonctionnel de performance unifié ($J_m$) combine ces niveaux avec des coefficients pondérés ($\alpha, \beta, \gamma$), privilégiant la précision prédictive (80 %) tout en incorporant des pénalités de complexité (20 %). Une version étendue, MDQ-3L+$\mathcal{B}$, inclut un terme de benchmarking ($\mathcal{B}_m^{(exp)}$) qui pénalise les écarts de l'expressivité et de l'intrication d'un circuit par rapport aux valeurs cibles.

L'étude a évalué :

• 17 Régresseurs ML : Incluant CatBoost, XGBoost, Random Forest et divers modèles linéaires.
• 9 Modèles DL : Incluant MLP, CNN, LSTM, GRU, DBN et Transformers.
• 7 Circuits QML : Simulés sur des backends sans bruit avec 4 qubits, incluant le Random Layers Regressor (RLR), RYCZ, le Shifted Entangled Linear Regressor (SELR), le Hardware Efficient Ansatz (HEA), le Réseau de Neurones Convolutifs Quantiques (QCNN), le Tree Tensor Network (TTN) et l'Attention Quantique (QAttn).

Résultats Clés

• Performance Classique : Les méthodes d'ensemble basées sur les arbres, spécifiquement CatBoost et Extra Trees, ainsi que le Deep Belief Network (DBN), se sont révélées être les meilleurs performeurs. CatBoost a atteint un $R^2$ de 0,68 avec un RMSE de 72,41, tandis que le DBN a obtenu le $R^2$ le plus élevé (0,72) et le MSE le plus bas (4807,5) parmi tous les modèles.
• Performance Quantique : Tous les circuits QML ont présenté des valeurs de $R^2$ négatives (allant de -1,2 à -7,9), indiquant une performance inférieure à une ligne de base de moyenne constante. Bien que certains circuits comme QAttn et RYCZ présentent des métriques d'erreur brute compétitives (ex: MSE de QAttn $\approx$ 0,25), leur variance expliquée négative et leurs pénalités structurelles ont entraîné des scores composites nettement plus élevés par rapport aux modèles classiques.
• Pénalités Structurelles : Les circuits présentant une haute expressivité (QCNN, TTN avec $E \approx 2,0$) et un haut pouvoir d'intrication (RLR avec $P \approx 0,40$) ont subi des pénalités substantielles. Le cadre MDQ-3L a révélé que la capacité brute d'un circuit ne se traduit pas par une utilité prédictive sous les contraintes actuelles.
• Impact du Benchmarking : L'inclusion du terme de benchmarking ($\mathcal{B}$) a réduit les pénalités pour des architectures comme QCNN et TTN d'environ 30 % lorsqu'elles sont alignées avec l'expressivité et l'intrication cibles, pourtant elles restaient en retrait des modèles classiques de 25 à 40 % en termes de scores composites.
• Importance des Caractéristiques : L'analyse SHAP a confirmé que les PM2,5 sont le moteur dominant de l'IQA, suivis par les PM10, le CO et l'O3, les modèles s'appuyant fortement sur les concentrations de matières particulaires.

Signification et Revendications
L'article affirme fournir un outil interprétable et multi-métrique pour la modélisation environnementale hybride qui fait progresser les benchmarks de l'intelligence machine quantique. Ses principales contributions incluent :

1. Benchmarking Unifié : Le cadre MDQ-3L parvient à agréger des métriques hétérogènes et des propriétés structurelles quantiques en un score unique et comparable, empêchant la sélection de modèles basée sur une seule métrique favorable au détriment d'autres.
2. Exposition des Limites du QML : L'étude démontre quantitativement que sous les contraintes NISQ (4-6 qubits, profondeur faible), les circuits QML actuels souffrent d'écarts de généralisation et de pathologies d'optimisation (plateaux stériles), entraînant des déficits de performance de 25 à 40 % par rapport aux lignes de base ML/DL classiques.
3. Orientation pour les Futures Architectures : En pénalisant la haute expressivité et l'intrication, le cadre suggère que les ansatz à faible intrication (tels que SELR et HEA) avec une expressivité modérée pourraient offrir un gain potentiel de 10 à 15 % dans les itérations futures en s'alignant mieux sur les exigences d'entraînabilité NISQ.
4. Rigueur Méthodologique : Ce travail va au-delà des discussions qualitatives sur l'intrication et l'expressivité en les intégrant comme des coordonnées de régularisation quantitatives, offrant un critère rigoureux pour la sélection de modèles qui équilibre l'exactitude statistique et la complexité alignée sur le matériel.

Les auteurs concluent que bien que les circuits quantiques ne soient pas encore supérieurs pour cette tâche de régression spécifique, le cadre proposé fournit une structure nécessaire pour l'évaluation des futurs modèles hybrides, garantissant que les améliorations dans une dimension n'obscurcissent pas les pathologies dans une autre.