Quantum Convolutional Neural Networks for Groundwater Heat Plume Prediction: A Surrogate Modeling Approach

Sintesi Tecnica: Reti Neurali Convoluzionali Quantistiche per la Predizione del Pennacchio di Calore Sotterraneo

Definizione del Problema
La gestione delle pompe di calore geotermiche superficiali (GWHP) in ambienti urbani come Monaco richiede una modellazione precisa dei campi di temperatura del sottosuolo per prevenire perdite di efficienza e danni ecologici. Sebbene le simulazioni numeriche ad alta fedeltà (ad esempio, utilizzando Pflotran) forniscano predizioni accurate della dinamica dei pennacchi di calore, esse sono computazionalmente costose e inadatte per applicazioni in tempo reale o per l'ottimizzazione di grandi numero di costellazioni di pompe di calore. Al contrario, i modelli analitici esistenti (come il Modello di Trasporto del Calore Advettivo Lineare, LAHM) sono rapidi ma mancano di accuratezza, specialmente in acquiferi eterogenei o scenari di flusso complessi. I modelli surrogati basati sul deep learning, specificamente le Reti Neurali Convoluzionali (CNN), sono emersi come un compromesso, offrendo alta velocità con una ragionevole accuratezza. Tuttavia, l'integrazione del Machine Learning Quantistico (QML) in questo dominio rimane inesplorata. Questo lavoro indaga se le Reti Neurali Convoluzionali Quantistiche (QCNN) possano fungere da modelli surrogati efficaci per la predizione delle caratteristiche dei pennacchi di calore sotterranei, affrontando i vincoli di scalabilità dell'attuale hardware NISQ (Noisy Intermediate-Scale Quantum).

Metodologia
Lo studio impiega un approccio ibrido quantistico-classico per modellare i pennacchi di calore generati da una singola GWHP a ciclo aperto.

• Generazione del Dataset: Un dataset di 352 campioni è stato generato utilizzando il software Pflotran. Le simulazioni coprono un dominio di $100 \times 1280$ metri con una risoluzione di 5 metri ($20 \times 256$ celle). Le variabili di input includono i gradienti idraulici e i campi di permeabilità, mentre l'output è un campo di temperatura spazialmente risolto.
• Riduzione della Dimensionalità: Per conformarsi ai limiti di qubit dell'attuale hardware quantistico, i dati di simulazione ad alta dimensionalità sono stati compressi. L'input è stato ridotto dai campi spaziali a due variabili scalari (permeabilità e gradiente di pressione). Il campo di temperatura di output è stato ridotto a quattro parametri rappresentativi: l'estensione X e Y dell'isolinea di 1 Kelvin, la temperatura massima dell'acqua sotterranea e la posizione spaziale di tale massimo.
• Architettura QCNN: La QCNN proposta consiste in tre fasi principali:
  1. Preparazione dello Stato: I dati classici vengono codificati in stati quantistici utilizzando uno schema di codifica Instantaneous Quantum Polynomial (IQP). Questa strategia ispirata all'Hamiltoniana utilizza porte commutanti per incorporare le informazioni classiche nelle fasi dello stato quantistico.
  2. Elaborazione Quantistica: L'architettura include uno strato convoluzionale quantistico e uno strato di pooling quantistico. Lo strato convoluzionale utilizza blocchi unitari parametrizzati (rotazioni a singolo qubit e porte di entanglement come CNOT) per estrarre caratteristiche localizzate. Lo strato di pooling riduce la dimensionalità dello spazio di Hilbert tramite operazioni di misura e traccia parziale, analogamente al pooling max- o average-classico.
  3. Readout e Post-Processing Classico: Lo stato quantistico finale viene misurato per ottenere i valori di aspettativa, che vengono poi forniti a una rete neurale completamente connessa classica (implementata in PyTorch) per eseguire la regressione finale e mappare le caratteristiche quantistiche sui quattro valori scalari target.
• Addestramento e Valutazione: Il modello è stato addestrato utilizzando l'ottimizzatore Adam con una funzione di perdita Mean Squared Error (MSE). Gli esperimenti sono stati condotti attraverso quattro distinti regimi di esecuzione:
  1. Simulatore statevector ideale.
  2. Simulatore rumoroso con modelli di rumore realistici.
  3. Processore quantistico IBM Kyiv a 127 qubit (hardware raw).
  4. Processore IBM Kyiv con tecniche avanzate di mitigazione dell'errore (inclusi il dynamical decoupling, il Twirled Readout Error Extinction, lo Zero-Noise Extrapolation e il Probabilistic Error Cancellation).

Risultati Chiave
Le prestazioni della QCNN sono state messe a confronto con un baseline di una CNN classica attraverso i diversi ambienti di esecuzione:

• Simulazione Ideale: Sul simulatore statevector, la QCNN ha dimostrato la capacità di apprendere la mappatura dalle quattro caratteristiche di input ai quattro descrittori target, raggiungendo prestazioni competitive con un basso MSE.
• Simulazione Rumorosa: Il simulatore rumoroso ha mostrato un lieve degrado delle prestazioni rispetto al caso ideale, ma ha mantenuto una traiettoria di apprendimento stabile, indicando che livelli moderati di rumore sono tollerabili.
• Hardware Reale (Raw): Sul processore IBM Kyiv raw, la QCNN ha incontrato difficoltà significative. L'MSE è stato marcatamente più alto rispetto alle simulazioni e il modello non è riuscito a generalizzare, producendo ricostruzioni del pennacchio di calore distorte. Ciò evidenzia l'impatto devastante delle imperfezioni delle porte, della decoerenza e del crosstalk sulle attività di regressione non banali nell'era NISQ.
• Hardware Reale (Mitigato): L'applicazione di tecniche avanzate di mitigazione dell'errore sul backend Kyiv ha portato a un miglioramento evidente. Le perdite di addestramento e di test sono diminuite e la ricostruzione visiva del pennacchio di calore è diventata più coerente con i pattern target. Tuttavia, le prestazioni non sono tornate completamente ai livelli del simulatore ideale.
• Baseline Classica: La CNN classica ha costantemente superato tutte le varianti quantistiche in ogni configurazione, ottenendo l'MSE più basso e le ricostruzioni spaziali più accurate.

Significatività e Rivendicazioni
Il documento sostiene che, sebbene le QCNN non siano ancora pronte a sostituire i modelli surrogati classici per la predizione dei pennacchi di calore sotterranei, esse rappresentano una direzione promettente per la ricerca futura. Lo studio dimostra che:

1. Fattibilità: Le QCNN possono teoricamente apprendere mappature complesse da caratteristiche di input compatte a descrittori spaziali, a condizione che l'hardware sia privo di rumore.
2. Limiti dell'Hardware: Il rumore dell'attuale hardware NISQ degrada severamente le prestazioni per i compiti di regressione, rendendo inefficace l'esecuzione quantistica raw per questa specifica applicazione.
3. Ruolo della Mitigazione: Le tecniche di mitigazione dell'errore sono essenziali per estrarre segnali significativi da dispositivi quantistici rumorosi, recuperando parzialmente le prestazioni e migliorando l'interpretabilità fisica dei risultati.
4. Viabilità Futura: Man mano che l'hardware quantistico matura e si sviluppano tecniche di compilazione e mitigazione più efficienti, le QCNN potrebbero diventare praticabili per la predizione idrotermale ad alta dimensionalità, in particolare se integrate in workflow ibridi quantistico-classici.

Gli autori concludono che il valore primario di questo lavoro risiede nell'aver stabilito un banco di prova per comprendere il comportamento delle architetture quantistiche in condizioni reali di dispositivo, piuttosto che nel rivendicare una superiorità immediata rispetto ai metodi classici.