Parameter-Efficient Quantum-Inspired Fast Weight Programmers for Traffic-Matrix Forecasting

Sintesi Tecnica: Programmatori di Pesi Rapidi Quantum-Inspired a Efficienza di Parametri per la Previsione di Matrici di Traffico

Problema
Le matrici di traffico (TM) rappresentano la domanda origine–destinazione (OD) attraverso una rete e sono critiche per compiti di ingegneria del traffico come la pianificazione della capacità, la mitigazione della congestione e il routing. Sebbene la previsione accurata dell'intera matrice sia essenziale, essa affronta vincoli significativi negli ambienti operativi. Nei loop di controllo di rete online, in particolare negli scenari edge e cloud-edge, i modelli devono operare sotto rigidi limiti di memoria, calcolo e budget di addestramento. Spostare la telemetria granulare verso cloud remoti introduce costi di latenza e larghezza di banda, rendendo necessarie capacità di previsione locali che siano efficienti dal punto di vista delle risorse. I metodi esistenti ad alta precisione spesso si affidano a grandi moduli grafici, transformer o di diffusione che potrebbero eccedere tali budget di risorse. Questo articolo investiga se modelli ricorrenti compatti, ispirati alla meccanica quantistica (quantum-inspired), possano fornire previsioni efficaci dell'intera matrice senza fare affidamento su encoder spaziali dedicati o architetture ad alta capacità.

Metodologia
Gli autori adattano l'architettura Gated Quantum-Inspired Kolmogorov–Arnold Network Fast Weight Programmer (QKAN-FWP) al compito della previsione diretta multi-step di matrici di traffico. Lo studio utilizza il dataset della dorsale di rete Abilene, elaborando 24 file settimanali in frame di TM da 5 minuti. Ogni frame consiste in 144 coppie OD, convertite in una rappresentazione FN-TM (frame-normalized TM) dove i valori sono invertiti e scalati nell'intervallo [0, 1] per riflettere l'intensità relativa del traffico.

Il protocollo sperimentale prevede un approccio di previsione diretta multi-step: i modelli ingeriscono una storia di 2 ore (24 frame) e prevedono i successivi 100 minuti (20 frame) in un unico passaggio in avanti (forward pass). L'valutazione confronta tre varianti della famiglia QKAN-FWP contro tre baseline sotto un protocollo di addestramento a budget fisso condiviso (50 epoche, learning rate fisso, ottimizzatore Adam):

1. G-QKANFWP: un programmatore lento classico genera aggiornamenti per un programmatore veloce Hybrid QKAN (HQKAN) (non linearità quantum-inspired nel fast readout).
2. GQKAN-FWP: il modulo HQKAN è posizionato nel programmatore lento, con un programmatore veloce lineare classico.
3. GQKAN-QKANFWP: i moduli HQKAN sono utilizzati sia sul lato lento che su quello veloce (la variante più compressa).
4. Baseline: un LSTM di dimensioni corrispondenti (LSTM-S), un LSTM più grande (LSTM-L) e un programmatore di pesi rapidi gated classico (G-FWP) privo di componenti quantum-inspired.

Le prestazioni sono misurate utilizzando l'errore quadratico medio (RMSE) aggregato su tutte le finestre di test, gli orizzonti e i canali OD, nonché l'Area Sotto la Curva di Apprendimento (AULC) della perdita di validazione e i tassi di vittoria per canale OD.

Contributi Chiave

1. Benchmarking: lo studio fornisce un confronto rigoroso tra le varianti gated QKAN-FWP e le baseline ricorrenti standard (LSTM) e una baseline a pesi rapidi classica su un compito di previsione di matrice di traffico multi-canale.
2. Analisi dell'Architettura: isola l'impatto del posizionamento del modulo quantum-inspired all'interno del framework dei pesi rapidi (fast-weight), testando se la non linearità sia più efficace nel fast readout, nel generatore di aggiornamento lento o in entrambi.
3. Trade-off Accuratezza–Efficienza: il lavoro dimostra che un modello ricorrente compatto può raggiungere un'accuratezza competitiva o superiore rispetto a modelli più grandi, riducendo significativamente il numero di parametri, convalidando specificamente lo spazio di progettazione "accuratezza–efficienza" per il controllo di rete consapevole delle risorse.

Risultati

• Accuratezza Aggregata: il modello G-QKANFWP ha ottenuto il miglior RMSE aggregato (0.06897 ± 0.00030) tra tutti i modelli valutati. Ha superato l'LSTM-S di dimensioni corrispondenti (0.07155) e il G-FWP classico (0.07038). Notevolmente, ha superato leggermente l'LSTM-L, significativamente più grande (0.06920), pur utilizzando solo il 22,4% dei parametri dell'LSTM-L (8.189 rispetto a 36.624 parametri).
• Prestazioni per Orizzonte: G-QKANFWP ha mostrato le prestazioni più forti agli orizzonti brevi (H=1) e lunghi (H=20), mentre l'LSTM-L è rimasto leggermente superiore all'orizzonte intermedio (H=10).
• Convergenza: Tutte le varianti quantum-inspired hanno dimostrato un AULC della perdita di validazione inferiore rispetto all'LSTM-S e al G-FWP classico, indicando una riduzione della perdita più rapida e sostenuta entro il budget di addestramento fisso. G-QKANFWP ha eguagliato la convergenza del più grande LSTM-L.
• Vittorie a Livello di Canale: Sebbene l'LSTM-L abbia vinto il maggior numero di singoli canali OD (52/144), i modelli quantum-inspired (G-QKANFWP e GQKAN-FWP) hanno vinto sostanzialmente più canali (33 e 39, rispettivamente) rispetto alle baseline di dimensioni corrispondenti (8 ciascuna), suggerendo miglioramenti localizzati attraverso la topologia di rete.
• Insight dall'Ablazione: Il confronto con G-FWP conferma che il guadagno di prestazione non è dovuto esclusivamente al framework dei pesi rapidi gated, ma è significativamente potenziato dal fast readout quantum-inspired. Posizionare l'HQKAN nel fast readout (G-QKANFWP) si è rivelato più efficace rispetto al posizionarlo nel programmatore lento o su entrambi i lati per questo specifico compito.

Significatività e Rivendicazioni
L'articolo sostiene che il G-QKANFWP rappresenti un promettente design "accuratezza–efficienza" per la previsione di matrici di traffico di rete consapevole delle risorse. La principale significatività risiede nel dimostrare che un programmatore lento classico combinato con un programmatore veloce quantum-inspired può raggiungere un'accuratezza aggregata allo stato dell'arte con una frazione dei parametri richiesti dalle baseline ricorrenti più grandi.

Gli autori inquadrano modestamente il loro contributo non come un sostituto dei forecaster ad alta capacità, ma come una validazione di modelli ricorrenti compatti per specifici vincoli operativi. Essi sottolineano che i risultati sono specifici per il dataset Abilene e il protocollo di addestramento a budget fisso. Lo studio isola intenzionalmente la componente ricorrente temporale, suggerendo che il lavoro futuro dovrebbe integrare questi moduli ricorrenti efficienti con encoder spaziali dedicati (ad esempio, moduli grafici o di diffusione) per sfruttare ulteriormente le dipendenze spaziali. Le conclusioni supportano la viabilità della programmazione a pesi rapidi quantum-inspired come alternativa leggera per il controllo di rete online dove i budget di memoria e addestramento sono i limiti primari.