Quantum machine learning performance evaluation for air pollution assessment with benchmarking and comparative analysis using multi-metric scoring and quantum circuit expressibility

Sintesi Tecnica: Valutazione delle Prestazioni del Quantum Machine Learning per la Valutazione dell'Inquinamento Atmosferico

Definizione del Problema
Il degrado della qualità dell'aria richiede azioni correttive immediate, spingendo l'esplorazione di Machine Learning (ML), Deep Learning (DL) e Quantum Machine Learning (QML) per la previsione dell'Indice di Qualità dell'Aria (AQI). Sebbene vari studi abbiano applicato modelli di ispirazione quantistica o approcci ibridi quantistico-classici ai dati sull'inquinamento atmosferico, esiste una mancanza di un framework unificato e multi-metrico che confronti rigorosamente i modelli classici e quantistici tra loro. Nello specifico, la letteratura esistente spesso non tiene conto delle complessità strutturali dei circuiti quantistici — come l'espressività e il potere di entanglement — e della loro relazione con i gap di generalizzazione e le patologie di ottimizzazione come i plateau sterili (barren plateaus) sotto i vincoli NISQ (Noisy Intermediate-Scale Quantum). Questo studio affronta tale lacuna proponendo una valutazione comparativa di modelli ML, DL e QML utilizzando un framework multi-metrico che incorpora penalità strutturali specifiche per il quantum.

Metodologia
Lo studio utilizza un dataset di 257.834 osservazioni dal 2015 al 2020, proveniente dal Central Pollution Control Board (India), caratterizzato da 13 predittori (inclusi PM2.5, PM10, NOx, SO2, O3 e composti organici volatili) per prevedere l'AQI. I dati sono stati sottoposti a pre-elaborazione mediante normalizzazione z-score, rimozione degli outlier tramite Isolation Forest, imputazione e trasformazione Yeo-Johnson per affrontare l'asimmetria. Le caratteristiche sono state ridotte a quattro componenti principali (mantenendo il 96,5% della varianza) per la codifica quantistica.

Il framework di valutazione, denominato MDQ-3L (Machine Learning, Deep Learning, Quantum - 3-Level), integra tre distinti livelli di valutazione:

1. Livello 1 (Accuratezza Predittiva): Aggrega metriche di regressione normalizzate (MAE, MSE, RMSE, MAPE, RMSLE) e il coefficiente di determinazione ($R^2$).
2. Livello 2 (Generalizzazione): Misura il gap tra l'errore RMSE di addestramento e di test ($\Delta_m$).
3. Livello 3 (Complessità Quantistica): Applica un regolarizzatore strutturale ($\mathcal{R}_m^{(Q)}$) specifico per i modelli QML, penalizzando l'alta espressività ($E_m$) e il potere di entanglement ($P_m$) per tenere conto dei limiti NISQ e dei rischi di plateau sterile.

Il funzionale di prestazione unificato ($J_m$) combina questi livelli con coefficienti pesati ($\alpha, \beta, \gamma$), dando priorità all'accuratezza predittiva (80%) pur incorporando penalità di complessità (20%). Una versione estesa, MDQ-3L+$\mathcal{B}$, include un termine di benchmarking ($\mathcal{B}_m^{(exp)}$) che penalizza le deviazioni dell'espressività e del potere di entanglement di un circuito dai valori target.

Lo studio ha valutato:

• 17 Regressori ML: Includendo CatBoost, XGBoost, Random Forest e vari modelli lineari.
• 9 Modelli DL: Includendo MLP, CNN, LSTM, GRU, DBN e Transformer.
• 7 Circuiti QML: Simulati su backend privi di rumore con 4 qubit, tra cui Random Layers Regressor (RLR), RYCZ, Shifted Entangled Linear Regressor (SELR), Hardware Efficient Ansatz (HEA), Quantum Convolutional Neural Network (QCNN), Tree Tensor Network (TTN) e Quantum Attention (QAttn).

Risultati Chiave

• Prestazioni Classiche: I metodi ensemble basati su alberi, specificamente CatBoost e Extra Trees, e il Deep Belief Network (DBN) sono emersi come i top performer. CatBoost ha raggiunto un $R^2$ di 0,68 con un RMSE di 72,41, mentre il DBN ha ottenuto l' $R^2$ più alto (0,72) e il MSE più basso (4807,5) tra tutti i modelli.
• Prestazioni Quantistiche: Tutti i circuiti QML hanno mostrato valori di $R^2$ negativi (compresi tra -1,2 e -7,9), indicando prestazioni peggiori rispetto a un baseline di media costante. Sebbene alcuni circuiti come QAttn e RYCZ mostrassero metriche di errore grezzo competitive (ad esempio, MSE di QAttn $\approx$ 0,25), la loro varianza spiegata negativa e le penalità strutturali hanno portato a punteggi compositi significativamente più alti rispetto ai modelli classici.
• Penalità Strutturali: I circuiti con alta espressività (QCNN, TTN con $E \approx 2,0$) e alto potere di entanglement (RLR con $P \approx 0,40$) hanno subito penalità sostanziali. Il framework MDQ-3L ha rivelato che la capacità grezza del circuito non si traduce in utilità predittiva sotto gli attuali vincoli.
• Impatto del Benchmarking: L'inclusione del termine di benchmarking ($\mathcal{B}$) ha ridotto le penalità per architetture come QCNN e TTN di circa il 30% quando allineate con l'espressività e l'entanglement target, eppure esse sono rimaste indietro rispetto ai modelli classici del 25-40% nei punteggi compositi.
• Importanza delle Caratteristiche: L'analisi SHAP ha confermato che il PM2.5 è il driver dominante dell'AQI, seguito da PM10, CO e O3, con i modelli che dipendono fortemente dalle concentrazioni di particolato.

Significatività e Rivendicazioni
L'articolo sostiene di fornire uno strumento interpretabile e multi-metrico per la modellazione ambientale ibrida che fa avanzare i benchmark della Quantum Machine Intelligence. I suoi principali contributi includono:

1. Benchmarking Unificato: Il framework MDQ-3L aggrega con successo metriche eterogenee e proprietà strutturali quantistiche in un unico punteggio confrontabile, impedendo la selezione di modelli basata su una singola metrica favorevole che fallisce in altre.
2. Esposizione dei Limiti QML: Lo studio dimostra quantitativamente che, sotto i vincoli NISQ (4-6 qubit, profondità ridotta), gli attuali circuiti QML soffrono di gap di generalizzazione e patologie di ottimizzazione (plateau sterili), risultando in deficit di prestazione del 25-40% rispetto ai baseline classici ML/DL.
3. Guida per Architetture Future: Penalizzando l'alta espressività e l'entanglement, il framework suggerisce che ansätze a basso entanglement (come SELR e HEA) con espressività moderata potrebbero offrire un potenziale guadagno del 10-15% in iterazioni future, allineandosi meglio ai requisiti di addestrabilità NISQ.
4. Rigore Metodologico: Il lavoro va oltre le discussioni qualitative su entanglement ed espressività, inserendoli come coordinate di regolarizzazione quantitative, offrendo un criterio rigoroso per la selezione del modello che bilancia l'accuratezza statistica con la complessità allineata all'hardware.

Gli autori concludono che, sebbene i circuiti quantistici non siano ancora superiori per questo specifico compito di regressione, il framework proposto fornisce una struttura necessaria per valutare futuri modelli ibridi, garantendo che i miglioramenti in una dimensione non oscurino le patologie in un'altra.