📊 statistics

Adaptive Conformal Prediction for Quantum Machine Learning

Questo articolo introduce la Predizione Conformale Quantistica Adattiva (AQCP), un algoritmo che garantisce una quantificazione affidabile dell'incertezza per l'apprendimento automatico quantistico mantenendo garanzie di copertura target nonostante il rumore variabile nel tempo intrinseco all'hardware quantistico, superando la predizione conformale quantistica standard in termini di stabilità e validità.

Autori originali: Douglas Spencer, Samual Nicholls, Michele Caprio

Pubblicato 2026-05-18

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Douglas Spencer, Samual Nicholls, Michele Caprio

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover insegnare a un robot molto potente, ma leggermente "ubriaco", a prevedere il tempo. Questo robot è un modello di Apprendimento Automatico Quantistico (QML). È incredibilmente veloce e intelligente, ma vive su un computer quantistico, che al momento è un po' instabile. L'hardware è come una nave in un mare tempestoso; le onde (il rumore) cambiano costantemente, a volte dolcemente, a volte violentemente.

Il problema è: Come fai a sapere quando il robot è abbastanza sicuro da fidarsi della sua previsione?

Nel mondo classico, usiamo una rete di sicurezza chiamata Previsione Conformale. Immagina questa come una "cintura di sicurezza". Invece di dire il robot: "Domani pioverà", dice: "Pioverà tra le 14:00 e le 16:00". L'obiettivo è assicurarsi che questa "cintura" sia abbastanza larga da catturare la risposta vera il 90% delle volte (se la imposti al 90%).

Il Problema: La Cintura Instabile del Robot Ubriaco

Il documento evidenzia un grave difetto nel modo in cui utilizziamo attualmente questa rete di sicurezza per i computer quantistici.

Le reti di sicurezza standard assumono che la "ubriachezza" del robot (il rumore) rimanga costante per tutto il giorno. Ma sui computer quantistici reali, il rumore cambia. L'hardware si ricalibra ogni ora, la temperatura varia e i raggi cosmici possono colpire la macchina.

Gli autori spiegano che, poiché il rumore cambia nel tempo, la "cintura di sicurezza" del robot diventa inaffidabile. È come cercare di usare un righello che si allunga e si restringe in modo casuale. Se calibri il righello al mattino, potrebbe essere troppo corto nel pomeriggio. La matematica standard dice: "Garantiamo che questa cintura catturi la verità il 90% delle volte", ma poiché il righello cambia dimensione, quella garanzia si rompe. Il robot potrebbe pensare di essere sicuro al 90%, ma in realtà lo è solo al 70%, o forse al 99%.

La Soluzione: La Cintura "Auto-correttiva"

Per risolvere questo problema, gli autori introducono un nuovo metodo chiamato Previsione Conformale Quantistica Adattiva (AQCP).

Pensa all'AQCP come a una cintura intelligente e auto-correttiva.

Metodo Vecchio (QCP): Misuri il righello una volta al mattino e ti attieni ad esso per tutto il giorno. Se il righello si restringe dopo, le tue misurazioni sono sbagliate.
Metodo Nuovo (AQCP): Controlli il righello ogni singola volta che fai una previsione.
- Se il robot si è sbagliato (la risposta vera è caduta fuori dalla cintura), il sistema dice: "Ops, la mia cintura era troppo stretta!" e la allarga immediatamente per la previsione successiva.
- Se il robot si è sbagliato (la risposta era dentro), potrebbe stringere leggermente la cintura per essere più efficiente.

Questo avviene in tempo reale. Il sistema si ricalibra costantemente in base al fatto di aver appena ottenuto un "colpo" o un "mancato". Questo gli permette di gestire l'hardware "ubriaco", anche se il rumore è caotico e cambia ogni secondo.

Come l'hanno Testato

I ricercatori hanno testato questo su un vero computer quantistico realizzato da IBM (chiamato ibm_sherbrooke). Hanno dato al robot un compito: prevedere un numero basato su un pattern di onda sinusoidale (una linea ondulata).

Il Test: Hanno eseguito migliaia di previsioni.
Il Risultato: Il vecchio metodo (QCP) continuava a deviare dal bersaglio. A volte era troppo largo (sprecando risorse), e a volte troppo stretto (mancando la verità).
Il Vincitore: Il nuovo metodo (AQCP) è rimasto esattamente sul bersaglio. Ha mantenuto il "tasso di cattura" stabile al desiderato 90%, indipendentemente da quanto il rumore dell'hardware fosse instabile.

Hanno anche testato diversi modi per misurare "quanto sbagliava" il robot (chiamati funzioni di punteggio). Hanno scoperto che alcuni metodi erano migliori nel mantenere la cintura di previsione più piccola possibile catturando comunque la verità, ma tutti funzionavano molto meglio con il sistema AQCP auto-correttivo rispetto a quando non lo usavano.

Il Rovescio della Medaglia

C'è un piccolo limite. Poiché questo sistema impara controllando i suoi errori uno per uno, deve funzionare in modo sequenziale.

Analogia: Immagina un insegnante che corregge una pila di compiti. Il vecchio metodo corregge tutti i 100 compiti insieme basandosi su una regola stabilita all'inizio. Il nuovo metodo corregge un compito, controlla la risposta, aggiusta la regola e poi corregge il successivo.
Conseguenza: Non puoi usarlo per l'elaborazione "in batch" (correggere 1.000 compiti tutti insieme senza vedere le risposte). Devi aspettare il risultato di una previsione prima di fare la successiva.

Riassunto

In termini semplici: i computer quantistici sono rumorosi e imprevedibili. Il vecchio modo di misurare la loro fiducia non teneva conto di questo rumore variabile, portando a previsioni inaffidabili. Gli autori hanno costruito un nuovo sistema "auto-correttivo" che aggiusta costantemente i suoi livelli di fiducia in tempo reale. Questo garantisce che, anche su una macchina quantistica instabile e rumorosa, le previsioni rimangano affidabili e accurate.

Riepilogo Tecnico: Predizione Conformale Adattiva per l'Apprendimento Automatico Quantistico

Enunciato del Problema

L'Apprendimento Automatico Quantistico (QML) mira a sfruttare i processori quantistici per potenziare gli algoritmi classici, tuttavia il dispiegamento di questi modelli in ambiti ad alto rischio (ad esempio, sanità, difesa) richiede una quantificazione rigorosa dell'incertezza. Sebbene la Predizione Conformale (CP) offra garanzie distribuzionalmente libere e su campioni finiti per i modelli classici, la sua applicazione al QML incontra un ostacolo critico: il rumore hardware non stazionario.

La Predizione Conformale standard, incluso il recentemente proposto framework di Quantum Conformal Prediction (QCP) (Park & Simeone, 2023), si basa sull'assunzione che i dati di calibrazione e di test siano scambiabili. Tale assunzione implica che i processi di rumore sottostanti nell'hardware quantistico rimangano stazionari nel tempo. Tuttavia, i dispositivi attuali Noisy Intermediate-Scale Quantum (NISQ) esibiscono un rumore variabile nel tempo a causa di fattori quali fluttuazioni di temperatura, oscillazioni delle apparecchiature di controllo ed eventi di raggi cosmici. Gli autori dimostrano che quando il rumore è non stazionario, i punteggi di conformità derivati dalle misurazioni quantistiche non sono più scambiabili, anche se la distribuzione dei dati di input è stazionaria. Di conseguenza, le garanzie teoriche di copertura del QCP standard (ovvero, che il risultato vero rientri nell'insieme di predizione con probabilità $1-\alpha$ ) vengono invalidate.

Metodologia

Per affrontare il collasso dello scambio causato dal rumore dipendente dal tempo, gli autori propongono la Predizione Conformale Quantistica Adattiva (AQCP). Questo approccio adatta il framework di Adaptive Conformal Inference (ACI) (Gibbs & Candès, 2021) al contesto quantistico.

Algoritmo Principale

L'AQCP opera in un contesto di test online in cui il livello di mancata copertura viene regolato dinamicamente in base alla copertura empirica osservata. L'algoritmo procede come segue:

Inizializzazione: Un dataset di calibrazione $D_{cal}$ è utilizzato per calcolare i punteggi di conformità iniziali.
Elaborazione Sequenziale: Per ogni punto di test $i$ , l'algoritmo costruisce un insieme di predizione $C_i(X_{n+i})$ utilizzando un livello corrente di mancata copertura $\alpha_i$ .
Ciclo di Feedback: Dopo che l'etichetta vera $Y_{n+i}$ viene rivelata, l'algoritmo aggiorna il livello di mancata copertura:
$\alpha_{i+1} = \alpha_i + \gamma (\alpha - \text{err}_i)$
dove $\gamma$ è un iperparametro di dimensione del passo e $\text{err}_i$ è 1 se l'etichetta vera è esterna all'insieme di predizione, e 0 altrimenti.
Funzioni di Punteggio: Poiché i modelli quantistici producono campioni stocastici (spari) anziché output deterministici, l'AQCP utilizza funzioni di punteggio basate sui campioni. Il documento valuta quattro funzioni specifiche:
- Distanza Euclidea: Distanza tra il candidato $y$ e la media dei campioni degli spari.
- k-Nearest Neighbour (k-NN): Distanza fino al k-esimo vicino più prossimo tra i campioni.
- Stima della Densità di Kernel (KDE): Stima negativa del log-densità in $y$ .
- Regione ad Alta Densità (HDR): Massa di probabilità stimata della regione in cui la densità è almeno alta quanto in $y$ .

Garanzie Teoriche

A differenza della CP standard che offre garanzie su campioni finiti sotto scambio, l'AQCP fornisce garanzie di copertura media asintotiche sotto condizioni di rumore arbitrarie. Gli autori dimostrano che all'aumentare del numero di punti di test $N \to \infty$ , il tasso medio di mancata copertura converge quasi certamente al target $\alpha$ . Viene inoltre derivato un limite su campioni finiti sotto specifiche assunzioni riguardanti le catene di Markov nascoste che governano il rumore, sebbene gli autori notino che tali assunzioni potrebbero non valere esattamente nella pratica.

Contributi Chiave

Il documento apporta tre contributi principali:

Formalizzazione della Dipendenza Temporale: Gli autori forniscono un quadro teorico che dimostra come il rumore non stazionario nei processori quantistici invalidi lo scambio dei punteggi di conformità, minando di conseguenza le garanzie conformali standard.
Algoritmo Adattivo (AQCP): Introducono l'AQCP, un algoritmo che utilizza la ricalibrazione online per gestire il rumore non stazionario. È progettato per funzionare con funzioni di punteggio che operano su campioni da distribuzioni di probabilità implicite (spari quantistici).
Valutazione Hardware Completa: Lo studio conduce esperimenti estensivi sul Processore Quantistico IBM (ibm_sherbrooke) e su un simulatore classico. Analizza la validità e l'efficienza dell'AQCP, confrontando varie funzioni di punteggio e dimostrando che l'AQCP mantiene i livelli di copertura target con maggiore stabilità rispetto al QCP standard.

Risultati Sperimentali

Gli esperimenti sono stati condotti su un compito di regressione multimodale univariata, replicando la configurazione di Park & Simeone (2023).

Stabilità della Copertura: Utilizzando dati dal processore quantistico IBM, gli autori hanno confrontato l'AQCP (con dimensione del passo $\gamma = 0.03$ $γ = 0.03$ ) con il "QCP online" (equivalente all'AQCP con $\gamma = 0$ $γ = 0$ , ovvero senza aggiustamento di feedback).
- Il QCP online ha mostrato deviazioni significative dalla copertura target (ad esempio, sovracopertura seguita da sottocopertura), non riuscendo a mantenere costantemente il livello nominale del 90%.
- L'AQCP ha dimostrato una stabilità robusta, mantenendo costantemente una copertura media vicina al target del 90% su tutte le funzioni di punteggio testate (k-NN, Euclidea, KDE, HDR).
Efficienza (Dimensione dell'Insieme): Utilizzando un simulatore classico (FakeQuitoV2) per isolare gli effetti del numero di spari e delle funzioni di punteggio:
- Le funzioni di punteggio KDE e HDR hanno prodotto le dimensioni medie più piccole degli insiemi di predizione, in particolare all'aumentare del numero di spari ( $M$ ).
- Le funzioni di punteggio Euclidea e 1-NN hanno risultato in insiemi di predizione significativamente più grandi (1,5–2 volte più grandi a $M=1000$ ) rispetto all'HDR, nonostante raggiungessero la stessa copertura.
- Tutti i metodi hanno raggiunto la copertura target, ma la scelta della funzione di punteggio ha impattato significativamente l'efficienza (dimensione) degli insiemi di predizione.

Significato e Affermazioni

Il documento afferma che l'AQCP fornisce una rappresentazione affidabile dell'incertezza per i modelli QML in condizioni di rumore hardware arbitrarie, un requisito critico per il dispiegamento affidabile degli algoritmi quantistici.

Gli autori sono modesti nelle loro affermazioni, riconoscendo che:

Le garanzie teoriche sono asintotiche piuttosto che su campioni finiti (eccetto sotto specifiche, potenzialmente restrittive, assunzioni).
La valutazione empirica della robustezza si basa su dati raccolti nell'arco di un singolo giorno, il che significa che non caratterizza pienamente la deriva a lungo termine o le perturbazioni strutturate.
Il metodo è intrinsecamente sequenziale, richiedendo che la risposta vera venga rivelata prima della prossima predizione, il che ne limita l'applicabilità diretta ai contesti di predizione in batch.

Nonostante queste limitazioni, il lavoro stabilisce che la ricalibrazione adattiva è necessaria per mantenere la validità in presenza di rumore quantistico non stazionario, offrendo un percorso pratico per la quantificazione dell'incertezza nelle attuali applicazioni dell'era NISQ.