Quantum Neural Networks for Wind Energy Forecasting: A Comparative Study of Performance and Scalability with Classical Models

Sintesi Tecnica: Reti Neurali Quantistiche per la Previsione dell'Energia Eolica

Definizione del Problema
L'apprendimento automatico quantistico (QML) detiene una promessa teorica per il potenziamento dell'apprendimento classico attraverso principi come la sovrapposizione e l'entanglement. Tuttavia, persiste uno scetticismo riguardo alla sua utilità pratica, in particolare entro i vincoli dei dispositivi NISQ (Noisy Intermediate-Scale Quantum). Esiste un divario significativo nella letteratura riguardante i benchmark sistematici delle architetture di Reti Neurali Quantistiche (QNN) per compiti di regressione del mondo reale. Nello specifico, mancano prove empiriche che guidino la selezione di configurazioni ottimali di QNN, la loro scalabilità rispetto alla dimensione del dataset e il loro costo computazionale rispetto ai modelli classici nella previsione dell'energia. Questo studio affronta tali lacune valutando le QNN per la previsione della potenza eolica, un compito critico per l'integrazione nella rete e la pianificazione operativa, dove la complessità dei dati spesso mette alla prova la scalabilità classica.

Metodologia
Lo studio utilizza un dataset temporale reale composto da 4.464 misurazioni di una turbina eolica, registrate a intervalli di 10 minuti. Le caratteristiche di input includono velocità del vento, direzione, pressione atmosferica e temperatura, con la potenza generata come variabile target. Per analizzare la scalabilità, gli autori hanno creato sottoinsiemi di 1.000, 2.000, 3.000 e 4.000 campioni, ulteriormente suddivisi in set di addestramento (80%) e di test (20%), normalizzati tramite min-max scaling.

Il design sperimentale si concentra su un paradigma Classico-Quantistico (CQ) utilizzando Qiskit Machine Learning. La metodologia centrale prevede:

1. Codifica dei Dati: La Z Feature Map è stata selezionata rispetto alla ZZ Feature Map sulla base delle prestazioni precedenti, scelta per la sua capacità di produrre circuiti superficiali adatti alla simulazione e all'hardware a breve termine.
2. Design dell'Ansatz: Sei distinte configurazioni QNN sono state costruite combinando la Z Feature Map con sei diverse strategie di entanglement: Full, Linear, Circular, Shifted-Circular Alternating (SCA), Reverse Linear e Pairwise.
3. Ottimizzazione: I modelli sono stati addestrati utilizzando ottimizzatori classici (ADAM e L-BFGS-B) per minimizzare l'errore di previsione.
4. Benchmarking: Le prestazioni sono state confrontate con tre modelli di regressione classica: k-Nearest Neighbors (kNN), Decision Tree Regressor (DTR) e Regressione Lineare (LR).

Le metriche di valutazione includevano il coefficiente di determinazione ($R^2$), l'errore quadratico medio (RMSE), la stabilità dell'addestramento (tramite analisi della varianza della perdita e degli spike) e la complessità del tempo di simulazione.

Contributi Chiave
Il documento fornisce quattro contributi primari:

1. Benchmarking Sistematico: Una valutazione completa di sei configurazioni QNN su un compito di regressione dell'energia eolica reale, analizzando le prestazioni predittive e la stabilità attraverso diverse dimensioni del dataset.
2. Analisi della Scalabilità: Un'indagine su come la dimensione del dataset influenzi sia l'accuratezza del modello che il tempo di esecuzione della simulazione, identificando un punto specifico di "rendimenti decrescenti".
3. Caratterizzazione della Complessità: Evidenza empirica che dimostra come il tempo di addestramento delle QNN scali linearmente ($O(n)$) con la dimensione del dataset, con il numero totale di gate quantistici identificato come il principale driver del costo computazionale.
4. Framework di Stabilità: Un framework di analisi della stabilità proposto che confronta la dinamica di apprendimento delle QNN attraverso diverse configurazioni di circuito utilizzando deviazione standard, picchi massimi di perdita e valori di perdita finale.

Risultati Sperimentali

• Prestazioni Predittive: Le configurazioni QNN hanno ottenuto prestazioni competitive o superiori rispetto ai baseline classici. La configurazione con le migliori prestazioni, QNN-3 (che utilizza la strategia di entanglement Circular), ha raggiunto un punteggio $R^2$ di 0,94 e un RMSE di 174,67 kW sul set di test più grande. Questo ha superato il miglior modello classico (kNN), che ha ottenuto un $R^2$ di 0,94 e un RMSE di 182,99 kW, rappresentando una riduzione del 4,5% dell'errore di previsione.
• Tendenze di Scalabilità: I miglioramenti delle prestazioni sono stati più significativi aumentando la dimensione del dataset da 800 a 1.600 campioni. Oltre i 1.600 campioni, ulteriori aumenti non hanno prodotto miglioramenti costanti in $R^2$ o RMSE; in alcuni casi, le prestazioni sono leggermente diminuite. Ciò suggerisce un rapporto ottimale tra complessità del modello e dimensione dei dati per le architetture testate.
• Stabilità: QNN-6 (entanglement Pairwise) ha dimostrato la massima stabilità in tutte le metriche, mentre QNN-2 ha mostrato la maggiore variabilità. Dataset più grandi hanno generalmente contribuito a una convergenza più fluida e a una riduzione della varianza della perdita.
• Efficienza Computazionale: Il tempo di addestramento è scalato linearmente con la dimensione del dataset. Le configurazioni con un numero inferiore di gate totali (QNN-5 e QNN-6, con 34 gate) sono state le più efficienti dal punto di vista temporale, mentre QNN-1 (40 gate) ha richiesto i tempi di addestramento più lunghi.
• Distribuzione dell'Errore: I modelli quantistici hanno generalmente esibito distribuzioni di errore più simmetriche e concentrate rispetto ai modelli classici. Tuttavia, è stato osservato un limite degno di nota: le QNN hanno occasionalmente prodotto output di potenza negativi fisicamente non validi, un comportamento non riscontrato in kNN o DTR.

Significatività e Rivendicazioni
Gli autori affermano che questo studio fornisce una valutazione empirica strutturata delle QNN per compiti di regressione, dimostrando la loro validità come alternativa complementare all'apprendimento automatico classico, in particolare in scenari con dati limitati. I risultati suggeriscono che, sebbene le QNN possano eguagliare o superare le prestazioni classiche, la loro scalabilità è limitata da un rapporto ottimale tra dati e complessità e dal costo computazionale dei circuiti con molti gate.

Il documento conclude modestamente che le QNN sono promettenti ma non ancora un sostituto integrale dei metodi classici. Evidenzia la necessità di lavori futuri per incorporare baseline classiche avanzate (ad esempio, XGBoost, LSTM), eseguire l'ottimizzazione degli iperparametri e sviluppare metodi per imporre vincoli fisici (come gli output di potenza non negativi) all'interno del processo di modellazione QNN. Lo studio funge da benchmark fondamentale per comprendere i compromessi tra complessità del modello, dimensione del dataset e costo computazionale nell'attuale era NISQ.