Conformalized Quantum DeepONet Ensembles: Towards Scalable Operator Learning with Distribution-Free Guarantees

Nel mondo della scienza e dell'ingegneria moderna, molti problemi riguardano la previsione di come sistemi complessi si comporteranno nel tempo. Pensate a una rete elettrica che gestisce il flusso di elettricità, o a un modello meteorologico che traccia una tempesta. Questi sistemi sono governati da leggi della fisica che possono essere scritte sotto forma di equazioni, ma risolvere tali equazioni per ogni possibile scenario è spesso troppo lento e costoso per il processo decisionale in tempo reale. Per velocizzare le cose, gli scienziati hanno sviluppato i "modelli surrogati", che sono versioni semplificate e apprese di questi sistemi complessi. Questi modelli possono fare previsioni quasi istantaneamente, agendo come un pulsante di riproduzione veloce per le simulazioni. Tuttavia, c'è un problema: quando questi modelli vengono utilizzati per compiti critici per la sicurezza, come mantenere stabile una rete elettrica, conoscere cosa il modello prevede non è sufficiente. Gli ingegneri devono anche sapere quanto possono fidarsi di quella previsione. Se un modello è incerto, deve saperlo dire, e deve fornire un intervallo affidabile di possibili risultati. Inoltre, man mano che questi sistemi diventano più dettagliati, la potenza di calcolo necessaria per eseguire i modelli cresce così velocemente da poter rendere impossibile il loro utilizzo.

Un team di ricercatori dell'Università Purdue ha affrontato questi due problemi — velocità e affidabilità — combinando due campi distinti: l'informatica quantistica e un metodo statistico per misurare l'incertezza. Hanno creato un nuovo framework chiamato "Conformalized Quantum Deep Operator Network". In termini semplici, si tratta di un tipo di intelligenza artificiale progettata per apprendere le regole di come i sistemi cambiano, ma è costruita utilizzando i principi della meccanica quantistica per funzionare più velocemente, ed è avvolta in una rete di sicurezza statistica per garantire che le sue previsioni siano affidabili. I ricercatori non hanno costruito solo un singolo modello; hanno costruito un gruppo di questi modelli che lavorano insieme, una tecnica nota come ensemble, per valutare meglio la loro incertezza. Il loro lavoro dimostra che, sebbene questi modelli quantistici siano ancora nelle prime fasi di sviluppo, possono raggiungere un'elevata accuratezza e fornire margini di sicurezza matematicamente garantiti, anche quando simulati su hardware rumoroso e imperfetto.

Il nucleo del problema affrontato dai ricercatori è che i modelli tradizionali di intelligenza artificiale, che utilizzano chip informatici standard, faticano quando vengono chiamati a simulare sistemi continui e complessi. Questi modelli si basano su strati di calcoli che diventano esponenzialmente più costosi man mano che il sistema diventa più dettagliato. Se si vuole prevedere il comportamento di un sistema con alta precisione, il tempo necessario per eseguire la simulazione può diventare così grande da vanificare lo scopo di avere un modello veloce. I ricercatori si sono rivolti all'informatica quantistica per risolvere questo collo di bottiglia. Hanno utilizzato un tipo specifico di rete neurale quantistica, che utilizza le proprietà uniche dei bit quantistici, o qubit, per eseguire calcoli in un modo che è teoricamente molto più efficiente per questi tipi specifici di problemi. Invece dei normali chip informatici che richiedono una quantità quadratica di lavoro per elaborare i dati, il loro approccio quantistico scala in modo molto più dolce, offrendo una via potenziale per gestire le enormi quantità di dati richiesti per simulazioni ad alta risoluzione.

Tuttavia, rendere un modello semplicemente più veloce non lo rende sicuro da usare in situazioni critiche. Infatti, i computer quantistici sono attualmente soggetti a errori e rumore, il che può rendere i loro output apparentemente casuali o inaffidabili. Per affrontare questo, i ricercatori hanno combinato i loro modelli quantistici con una tecnica chiamata previsione conforme (conformal prediction). Questa è una tecnica statistica che non si basa sul tentare di indovinare la probabilità di un errore basandosi sulle distribuzioni dei dati passati. Invece, utilizza un set separato di dati per calibrare il modello, creando un intervallo di previsione che contiene garantitamente la risposta vera una certa percentuale delle volte, indipendentemente dalla distribuzione dei dati. Addestrando più modelli quantistici in modo indipendente e utilizzando poi questo metodo di calibrazione, il team ha creato un sistema che non solo prevede gli esiti, ma disegna anche un riquadro attorno a tali previsioni, affermando con certezza matematica che il valore vero si trova all'interno di quel riquadro.

I ricercatori hanno testato questo framework su diverse sfide differenti. Per prima cosa, hanno utilizzato benchmark sintetici, come un compito matematico che riguarda l'integrazione di funzioni e una simulazione di un'onda che si muove nello spazio. In queste simulazioni ideali e prive di rumore, il sistema ha operato con un'elevata accuratezza, raggiungendo un errore relativo inferiore allo 0,5% per il compito di integrazione e circa il 2% per la simulazione dell'onda. Ancora più importante, il sistema ha soddisfatto con successo i suoi obiettivi di affidabilità. Quando i ricercatori hanno chiesto al modello di fornire un intervallo di confidenza del 90%, i risultati effettivi sono caduti in quell'intervallo circa l'88-92% delle volte, corrispondendo strettamente all'obiettivo. Ciò ha dimostrato che il metodo può fornire le rigorose garanzie di sicurezza necessarie per le applicazioni del mondo reale.

Per garantire che i risultati fossero robusti, il team ha anche simulato gli effetti delle imperfezioni dell'hardware reale. I computer quantistici odierni non sono perfetti; soffrono di "rumore" che può corrompere i calcoli. I ricercatori hanno testato i loro modelli sotto vari livelli di rumore simulato, inclusi specifici pattern di errore presenti nei veri processori quantistici di grandi produttori. Anche con queste imperfezioni, il sistema è rimasto sorprendentemente stabile. Gli intervalli di previsione si sono adattati in modo appropriato e i tassi di copertura sono rimasti vicini ai livelli target. In alcuni casi, la presenza di rumore sembrava persino avere un effetto sottile e inaspettato sul comportamento del modello, sebbene i ricercatori abbiano sottolineato che si trattava di uno studio preliminare e che richiedeva ulteriori approfondimenti. Hanno anche esplorato diversi modi per eseguire i modelli, come la divisione del lavoro tra parti classiche e quantistiche del computer, o l'uso di una tecnica per eseguire più modelli su un singolo circuito quantistico per risparmiare risorse. Questi esperimenti hanno mostrato che, sebbene esistano compromessi tra velocità, accuratezza e numero di qubit richiesti, il framework è abbastanza flessibile da adattarsi a diverse limitazioni hardware.

Infine, i ricercatori hanno applicato il loro metodo a uno scenario del mondo reale: la dinamica dei sistemi di potenza. Hanno addestrato i modelli per prevedere come la tensione e il flusso di potenza in una rete elettrica cambierebbero in risposta a disturbi. Questo è un compito critico per prevenire blackout e mantenere la stabilità della rete. I modelli sono stati testati sia su compiti offline, dove l'intera cronologia di un sistema viene analizzata in un colpo solo, sia su compiti online, dove le previsioni devono essere effettuate in tempo reale man mano che arrivano nuovi dati. In questi test, i modelli ensemble quantistici hanno raggiunto errori relativi compresi tra circa il 4% e il 12%, a seconda della complessità del compito. Fondamentalmente, le stime di incertezza sono rimaste affidabili, con i risultati effettivi che cadevano negli intervalli previsti quasi il 90% delle volte, proprio come suggeriva la teoria. Ciò ha dimostato che il framework può gestire i dati disordinati e ad alto rischio di una vera rete elettrica, non solo puzzle matematici puliti.

Il lavoro presentato in questo studio è un passo significativo nel campo dell'apprendimento automatico scientifico, ma comporta importanti avvertenze. I ricercatori sottolineano con cura che i loro risultati riguardanti la velocità si basano su analisi teoriche e simulazioni, non sull'esecuzione dei modelli su un computer quantistico fisico che sia più veloce di uno classico. L'hardware quantistico attuale non è ancora abbastanza potente da superare i supercomputer classici per questi compiti in un contesto pratico e reale. Il principale traguardo è la dimostrazione di un framework completo che combina con successo l'efficienza quantistica con rigorose garanzie statistiche. I ricercatori hanno dimostrato che è possibile costruire un sistema che sia sia consapevole delle risorse che dell'incertezza, fornendo un progetto su come queste tecnologie possano essere utilizzate insieme in futuro.

Man mano che la tecnologia matura, questo approccio potrebbe diventare uno strumento vitale per ingegneri e scienziati che hanno bisogno di prendere decisioni rapide e affidabili in ambienti complessi. Dimostrando che i modelli quantistici possono essere calibrati per fornire margini di sicurezza affidabili, i ricercatori hanno rimosso una barriera importante all'adozione di queste tecnologie in settori critici per la sicurezza. Lo studio non pretende di aver risolto il problema del rumore dell'informatica quantistica o di aver costruito una macchina pronta per l'impiego immediato in una centrale elettrica. Al contrario, offre una via d'uscita chiara e matematicamente fondata, mostrando che quando l'apprendimento quantistico è accoppiato con metodi statistici robusti, può fornire previsioni che non sono solo veloci, ma anche oneste riguardo ai propri limiti. Questa combinazione di velocità e affidabilità è la chiave per sbloccare il potenziale dell'apprendimento automatico quantistico per le sfide più importanti della scienza e dell'ingegneria.