Conformalized Quantum DeepONet Ensembles: Towards Scalable Operator Learning with Distribution-Free Guarantees

Dans le monde de la science et de l'ingénierie modernes, de nombreux problèmes impliquent de prédire comment des systèmes complexes se comporteront au fil du temps. Pensez à un réseau électrique gérant le flux d'électricité, ou à un modèle météorologique traquant une tempête. Ces systèmes sont régis par des lois de la physique qui peuvent être écrites sous forme d'équations, mais résoudre ces équations pour chaque scénario possible est souvent trop lent et coûteux pour une prise de décision en temps réel. Pour accélérer les choses, les scientifiques ont développé des « modèles de substitution » (surrogate models), qui sont des versions simplifiées et apprises de ces systèmes complexes. Ces modèles peuvent faire des prédictions presque instantanément, agissant comme un bouton de lecture rapide pour les simulations. Cependant, il y a un bémol : lorsque ces modèles sont utilisés pour des tâches critiques pour la sécurité, comme maintenir la stabilité d'un réseau électrique, savoir ce que le modèle prédit ne suffit pas. Les ingénieurs doivent également savoir à quel point ils peuvent faire confiance à cette prédiction. Si un modèle est incertain, il doit le dire, et il doit fournir une plage de résultats possibles fiable. De plus, à mesure que ces systèmes deviennent plus détaillés, la puissance informatique requise pour faire fonctionner les modèles croît si rapidement qu'il peut devenir impossible de les utiliser du tout.

Une équipe de chercheurs de l'Université Purdue a abordé ces deux problèmes — la vitesse et la fiabilité — en combinant deux domaines distincts : l'informatique quantique et une méthode statistique de mesure de l'incertitude. Ils ont créé un nouveau cadre appelé « Conformalized Quantum Deep Operator Network ». En termes simples, il s'agit d'un type d'intelligence artificielle conçue pour apprendre les règles de fonctionnement des systèmes, mais elle est construite en utilisant les principes de la mécanique quantique pour fonctionner plus rapidement, et elle est enveloppée dans un filet de sécurité statistique pour garantir que ses prédictions sont dignes de confiance. Les chercheurs n'ont pas seulement construit un seul modèle ; ils ont construit un groupe de ces modèles travaillant ensemble, une technique connue sous le nom d'ensemble, pour mieux évaluer leur degré d'incertitude. Leurs travaux montrent que, bien que ces modèles quantiques soient encore à leurs débuts, ils peuvent atteindre une grande précision et fournir des marges de sécurité mathématiquement garanties, même lorsqu'ils sont simulés sur un matériel bruyant et imparfait.

Le cœur du problème que les chercheurs ont abordé est que les modèles d'intelligence artificielle traditionnels, qui utilisent des puces informatiques standards, peinent lorsqu'on leur demande de simuler des systèmes continus complexes. Ces modèles reposent sur des couches de calculs qui deviennent exponentiellement plus coûteuses à mesure que le système devient plus détaillé. Si vous voulez prédire le comportement d'un système avec une haute précision, le temps nécessaire pour exécuter la simulation peut devenir si important qu'il annule l'intérêt d'avoir un modèle rapide. Les chercheurs se sont tournés vers l'informatique quantique pour résoudre ce goulot d'étranglement. Ils ont utilisé un type spécifique de réseau de neurones quantiques, qui utilise les propriétés uniques des bits quantiques, ou qubits, pour effectuer des calculs d'une manière qui est théoriquement beaucoup plus efficace pour ces types de problèmes spécifiques. Au lieu des puces informatiques standard qui nécessitent une quantité quadratique de travail pour traiter les données, leur approche quantique évolue de manière beaucoup plus douce, offrant une voie potentielle pour gérer les quantités massives de données requises pour des simulations de haute précision.

Cependant, le simple fait de rendre un modèle plus rapide ne le rend pas sûr pour une utilisation dans des situations critiques. En fait, les ordinateurs quantiques sont actuellement sujets aux erreurs et au bruit, ce qui peut rendre leurs résultats aléatoires ou peu fiables. Pour remédier à cela, les chercheurs ont combiné leurs modèles quantiques avec une technique appelée prédiction conforme (conformal prediction). Il s'agit d'une méthode statistique qui ne repose pas sur l'estimation de la probabilité d'une erreur basée sur des distributions de données passées. Au lieu de cela, elle utilise un ensemble de données distinct pour calibrer le modèle, créant un intervalle de prédiction qui contient l'issue réelle un certain pourcentage du temps, quelle que soit la distribution des données. En entraînant plusieurs modèles quantiques de manière indépendante, puis en utilisant cette méthode de calibration, l'équipe a créé un système qui non seulement prédit des résultats, mais dessine aussi une boîte autour de ces prédictions, affirmant avec certitude mathématique que la valeur réelle se trouve à l'intérieur de cette boîte.

Les chercheurs ont testé ce cadre sur plusieurs défis différents. Premièrement, ils ont utilisé des benchmarks synthétiques, tels qu'une tâche mathématique impliquant l'intégration de fonctions et une simulation d'une onde se déplaçant dans l'espace. Dans ces simulations idéales et sans bruit, le système a obtenu une grande précision, atteignant une erreur relative de moins de la moitié d'un pour cent pour la tâche d'intégration et environ deux pour cent pour la simulation de l'onde. Plus important encore, le système a réussi à atteindre ses objectifs de fiabilité. Lorsque les chercheurs ont demandé au modèle de fournir un intervalle de confiance de 90 %, les résultats réels se situaient dans cet intervalle environ 88 à 92 % du temps, correspondant étroitement à l'objectif. Cela a démontré que la méthode pouvait fournir les garanties de sécurité rigoureuses nécessaires aux applications du monde réel.

Pour s'assurer de la robustesse des résultats, l'équipe a également simulé les effets des imperfections du matériel réel. Les ordinateurs quantiques actuels ne sont pas parfaits ; ils souffrent de « bruit » qui peut corrompre les calculs. Les chercheurs ont testé leurs modèles sous divers niveaux de bruit simulé, incluant des schémas d'erreurs spécifiques trouvés dans des processeurs quantiques réels de grands fabricants. Même avec ces imperfections, le système est resté remarquablement stable. Les intervalles de prédiction se sont ajustés de manière appropriée et les taux de couverture sont restés proches des niveaux cibles. Dans certains cas, la présence de bruit a même semblé avoir un effet subtil et inattendu sur le comportement du modèle, bien que les chercheurs aient noté que cela était préliminaire et nécessitait des études supplémentaires. Ils ont également exploré différentes manières de faire fonctionner les modèles, comme la répartition du travail entre les parties classiques et quantiques de l'ordinateur, ou l'utilisation d'une technique pour exécuter plusieurs modèles sur un seul circuit quantique afin d'économiser des ressources. Ces expériences ont montré que, bien qu'il existe des compromis entre vitesse, précision et nombre de qubits quantiques requis, le cadre est suffisamment flexible pour s'adapter à différentes contraintes matérielles.

Enfin, les chercheurs ont appliqué leur méthode à un scénario du monde réel : la dynamique des réseaux électriques. Ils ont entraîné les modèles pour prédire comment la tension et le flux de puissance dans un réseau électrique changeraient en réponse à des perturbations. Il s'agit d'une tâche critique pour prévenir les pannes de courant et maintenir la stabilité du réseau. Les modèles ont été testés à la fois sur des tâches hors ligne, où l'historique complet d'un système est analysé en une seule fois, et sur des tâches en ligne, où les prédictions doivent être faites en temps réel à mesure que de nouvelles données arrivent. Lors de ces tests, les modèles d'ensemble quantiques ont atteint des erreurs relatives allant d'environ 4 % à 12 %, selon la complexité de la tâche. Crucialement, les estimations d'incertitude sont restées fiables, les résultats réels se situant dans les plages prédites près de 90 % du temps, conformément à la théorie. Cela a prouvé que le cadre pouvait gérer les données complexes et à enjeux élevés d'un véritable réseau électrique, et non seulement des puzzles mathématiques propres.

Le travail présenté dans cette étude constitue une étape importante dans le domaine de l'apprentissage automatique scientifique, mais il comporte des réserves importantes. Les chercheurs précisent avec prudence que leurs résultats concernant la vitesse sont basés sur des analyses théoriques et des simulations, et non sur l'exécution de leurs modèles sur un ordinateur quantique physique plus rapide qu'un ordinateur classique. Le matériel quantique actuel n'est pas encore assez puissant pour surpasser les supercalculateurs classiques pour ces tâches dans un cadre pratique et réel. La principale réussite est la démonstration d'un cadre complet qui combine avec succès l'efficacité quantique et des garanties statistiques rigoureuses. Les chercheurs ont montré qu'il est possible de construire un système qui soit à la fois conscient des ressources et conscient de l'incertitude, fournissant un plan directeur pour la façon dont ces technologies pourraient être utilisées ensemble à l'avenir.

À mesure que la technologie mûrira, cette approche pourrait devenir un outil vital pour les ingénieurs et les scientifiques qui doivent prendre des décisions rapides et fiables dans des environnements complexes. En prouvant que les modèles quantiques peuvent être calibrés pour fournir des marges de sécurité dignes de confiance, les chercheurs ont levé un obstacle majeur à l'adoption de ces technologies dans les domaines critiques pour la sécurité. L'étude ne prétend pas avoir résolu le problème du bruit de l'informatique quantique ou avoir construit une machine prête pour un déploiement immédiat dans une centrale électrique. Elle offre plutôt une voie claire et mathématiquement solide, montrant que lorsque l'apprentissage quantique est associé à des méthodes statistiques robustes, il peut délivrer des prédictions qui sont non seulement rapides, mais aussi honnêtes quant à leurs propres limites. Cette combinaison de vitesse et de fiabilité est la clé pour débloquer le potentiel de l'apprentissage automatique quantique pour les défis les plus importants de la science et de l'ingénierie.