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

Riepilogo Tecnico: Apprendimento Automatico Ibrido Quantistico-Classico per la Previsione di Serie Temporali Multi-Output

Enunciato del Problema
La previsione accurata di serie temporali multi-output è fondamentale per il funzionamento affidabile dei moderni sistemi energetici, inclusi il bilanciamento del carico e l'integrazione delle fonti rinnovabili. Tuttavia, la previsione della domanda elettrica è complessa a causa delle dinamiche non lineari, della stagionalità multi-scala e delle forti dipendenze tra serie correlate. I modelli statistici classici (ad esempio ARIMA) spesso faticano con queste non linearità, mentre gli approcci di apprendimento automatico flessibili richiedono tipicamente notevoli quantità di dati e risorse computazionali. Sebbene l'apprendimento automatico quantistico (QML) offra potenzialità attraverso mappe di caratteristiche non lineari espressive e dinamiche di serbatoio, le applicazioni pratiche sui dispositivi quantistici attuali di scala intermedia rumorosa (NISQ) sono vincolate dal numero limitato di qubit, dalle profondità ridotte dei circuiti e dal rumore hardware. Il documento affronta la fattibilità di framework ibridi quantistico-classici per la previsione energetica multi-stream alla scala di 100+ qubit sotto questi vincoli realistici.

Metodologia
Gli autori esaminano due distinti framework ibridi quantistico-classici utilizzando un reale dataset di contatori intelligenti (Smart Meter) composto da 103 serie temporali di consumo elettrico domestico. Gli esperimenti sono stati condotti sia su un simulatore di Stato Prodotto Matriciale (MPS) sia sul processore quantistico superconduttivo ibm_marrakesh.

1. Computazione di Serbatoio Quantistico Kernelizzata con Misurazione Ripetuta (KQRC-RM):

   • Architettura: Questo modello estende la Computazione di Serbatoio Quantistico (QRC) a serie temporali multiple correlate. Impiega serbatoi quantistici accoppiati in cui ogni serie temporale è mappata su un registro di sistema paired con un registro ancilla.
   • Dinamica: I dati di input sono codificati tramite unitarie parametriche. Le porte di entanglement propagano informazioni sia all'interno dei singoli flussi sia tra flussi adiacenti per modellare le cross-correlazioni.
   • Lettura: Il framework utilizza misurazioni ripetute assistite da ancilla. Solo i qubit ancilla sono misurati a ogni passo temporale, mentre i qubit di sistema mantengono la coerenza per trasportare la memoria. Le distribuzioni di probabilità risultanti formano vettori di caratteristiche.
   • Regressione: Una lettura kernelizzata (kernel RBF seguita da regressione ridge) viene addestrata su queste caratteristiche quantistiche per prevedere i valori futuri.
   • Scala: Gli esperimenti hanno utilizzato 114 qubit (15 di sistema + 15 ancilla per flusso per 3 flussi concorrenti).

2. Processo Gaussiano con Kernel Quantistico Proiettato (QGP):

   • Architettura: Un'alternativa bayesiana che sostituisce i kernel quantistici basati sulla fedeltà con kernel proiettati costruiti a partire da statistiche di stati ridotti locali. Questo approccio evita circuiti profondi di calcolo e decalcolo e mitiga la sensibilità al rumore.
   • Costruzione del Kernel: La similarità tra gli input è determinata confrontando le matrici di densità ridotte locali (specificamente sottoinsiemi a 2 corpi) piuttosto che le sovrapposizioni globali degli stati.
   • Regressione: Un Processo Gaussiano (GP) multi-output utilizza questi kernel proiettati per prevedere simultaneamente multiple serie temporali, fornendo incertezza predittiva.
   • Scala: Questo framework è più efficiente dal punto di vista hardware, scalando linearmente con il numero di serie temporali. Gli esperimenti hanno variato da sottoinsiemi di 5 clienti a un esperimento su scala utility da 100 qubit (un qubit per cliente).

Risultati Chiave

• Diagnostica Teorica: L'analisi della differenza geometrica ($g_{CQ}$) e della complessità del modello ($\kappa$) ha indicato che il dataset Smart Meter presenta firme coerenti con un regime in cui i modelli quantistici potrebbero accedere a spazi di funzioni distinti dai baseline classici, in particolare all'aumentare delle dimensioni del dataset.
• Prestazioni KQRC-RM:
  • Sul simulatore MPS, il modello ha raggiunto un MAE di 0,0811 per un input/output a 3 flussi, rappresentando un miglioramento del 36,92% rispetto al suo analogo classico (ESN-KRR).
  • Su hardware, le prestazioni sono degradate a un MAE di 0,1524 a causa del rumore delle porte e della decoerenza, sebbene il modello abbia comunque catturato le tendenze temporali dominanti.
• Prestazioni QGP:
  • Piccola Scala: Su un sottoinsieme di 5 clienti, il QGP ha raggiunto un MAE di 0,16 sul simulatore e 0,24 su hardware. Ciò corrisponde a una riduzione del 62,01% del MAE sul simulatore e del 40,37% su hardware rispetto a un baseline classico GP multi-output.
  • Scala Utility (100 Qubit): Nell'esperimento su larga scala, il 49% dei clienti ha ottenuto previsioni ad alta accuratezza (MAE < 0,15) e l'80% è rientrato in regimi di errore basso o medio.
  • Correlazione Hardware: La distribuzione dell'accuratezza era direttamente correlata al panorama del rumore fisico dell'hardware. I clienti mappati su qubit con tempi di coerenza $T_2$ più lunghi e errori di porta CZ più bassi rientravano costantemente nella fascia a basso errore, mentre quelli mappati su regioni degradate (ad esempio, qubit centrali della catena) contribuivano al regime ad alto errore.

Significato e Affermazioni
Il documento afferma di dimostrare la fattibilità dell'apprendimento automatico quantistico ibrido per la previsione di serie temporali multi-input e multi-output alla scala di 100+ qubit su dispositivi NISQ.

• Fattibilità Empirica: I risultati mostrano che sia KQRC-RM che QGP rimangono operativi sotto vincoli di rumore realistici, catturando i modelli di domanda per la maggior parte dei clienti anche sull'hardware attuale.
• Scalabilità ed Efficienza: Lo studio evidenzia un compromesso: KQRC-RM è efficace per catturare dinamiche complesse ma è intensivo in termini di risorse, mentre QGP offre un'alternativa più scalabile ed efficiente dal punto di vista hardware, adatta a un numero maggiore di serie temporali con dataset di addestramento più piccoli.
• Consapevolezza Hardware: L'esperimento su scala utility sottolinea l'importanza dell'ottimizzazione consapevole della topologia e della selezione dei qubit, dimostrando che la qualità della previsione dipende fortemente dalle caratteristiche fisiche specifiche del processore quantistico utilizzato.

Gli autori concludono che, sebbene questi risultati rappresentino un passo significativo verso la previsione assistita da quantistica pratica, dovrebbero essere interpretati principalmente come uno studio di fattibilità empirico. Il lavoro non rivendica un "vantaggio quantistico" definitivo su tutti i metodi classici in tutte le situazioni, ma stabilisce che i modelli quantistici ibridi possono superare specifici baseline classici in compiti di previsione energetica strutturata sotto vincoli NISQ.