Conformalized Quantum DeepONet Ensembles for Scalable Operator Learning with Distribution-Free Uncertainty

論文「分布フリーの不確実性を伴うスケーラブルな演算子学習のための共形化量子 DeepONet アンサンブル」の詳細な技術的サマリーを以下に示す。

1. 問題定義

本論文は、電力網や偏微分方程式（PDE）などの高次元動的システムに対する現在のニューラル演算子学習（特に DeepONet）における 2 つの根本的な限界に対処する：

• スケーラビリティのボトルネック： 古典的な DeepONet は、$O(n^2)$ の計算複雑性を持つ密なニューラル層に依存している。この二次的なスケーリングは、微細な離散化や大規模なモンテカルロ評価（例：$10^4$ 時間ステップ）を必要とする安全クリティカルな応用にとって、実行不可能なものとしている。
• 信頼性の低い不確実性定量化（UQ）： 安全クリティカルな展開には、厳格な不確実性推定が必要である。ベイズニューラルネットワークやモンテカルロドロップアウトなどの標準的な手法は、分布フリーの保証を持たない。共形予測はそうした保証を提供するが、量子モデルに適用するのは困難である。なぜなら：
  • 単純な量子アンサンブル（$L$ 個のモデルを並列実行）は、量子ビットの要件を線形にスケーリング（$O(L \cdot n)$）させ、ハードウェアのボトルネックを生み出すため。
  • 不確実性の源として量子測定ショットノイズのみに依存することは不十分であり、それはモデルの多様性（真の認識的不確実性）ではなく、ハードウェアノイズを捉えてしまうため。

2. 手法

著者らは、スケーラブルな量子推論、リソース効率の良いアンサンブル、および厳格な不確実性較正を統合したフレームワークである共形化量子 DeepONet アンサンブルを提案する。

A. スケーラブルな量子演算子推論

• 量子直交ニューラルネットワーク（QOrthoNNs）： 中核となるアーキテクチャは、パラメータ化量子回路（PQC）を用いた再構成可能ビームスプリッター（RBS）ゲートを使用して、古典的な密な層を置き換える。
• 複雑性の低減： 単項部分空間で動作し、RBS ゲートを利用することで、推論の複雑性を $O(n^2)$ から $\tilde{O}(n)$ に低減する。
• 学習戦略： 学習中のハードウェアノイズを回避するため、モデルは古典的に学習される。量子演算は、厳密な古典的直交変換と数学的に同等である。最適化は回転角空間（$\theta$）で行われ、厳密な直交性を保証し、砂漠の高原（barren plateaus）を回避した後、推論のために量子ハードウェアに展開される。

B. リソース効率の良いアンサンブル

量子ビット要件を線形にスケーリングすることなく認識的不確実性を捉えるために、著者らは 2 つの戦略を採用する：

1. ハイブリッド古典 - 量子アーキテクチャ： DeepONet は、「ブランチ」ネットワーク（入力関数を処理し、シナリオごとに 1 回評価）と「トランク」ネットワーク（クエリ座標を処理し、$M$ 回評価）で構成される。
   • ブランチは古典的な密なネットワークに置き換えられる。これは 1 回しか評価されないため、$O(n^2)$ のコストは償却され、主要な量子ノイズ源が排除される。
   • トランクは、高頻度評価に対する $\tilde{O}(n)$ の高速化を維持するために量子のまま残される。
2. 重ね合わせパラメータ化量子回路（SPQCs）： $L$ 個のアンサンブルメンバーを並列実行する（$L \times n$ 量子ビットを必要とする）代わりに、SPQCs はすべての $L$ 個のモデルを単一の回路に符号化する。
   • 一様重ね合わせにおけるアドレス量子ビットを使用して、回路は状態準備、ユニタリ進化、測定をアンサンブル全体に対して正確に 1 回実行する。
   • これにより量子ビット要件を $n + 1 + \lceil \log_2(L) \rceil$ に低減し、スケーラブルなアンサンブル実行を可能にする。

C. 分布フリーの不確実性定量化

• 適応的共形予測： フレームワークは、アンサンブルの認識的不確実性（予測の標準偏差）と共形予測を組み合わせる。
• 較正： 非適合スコアは、局所アンサンブル標準偏差で正規化された絶対誤差として計算される。較正セットから経験的量子（$\hat{q}$）が導き出される。
• 保証： データの交換性が成り立つ場合、これは真の値が確率 $1-\alpha$ で集合内に含まれるという厳格で分布フリーの保証を持つ予測集合 $C_\alpha(u, y)$ を生み出す。

3. 主な貢献

1. スケーラブルな量子推論： QOrthoNNs を使用して演算子推論の複雑性を $O(n^2)$ から $\tilde{O}(n)$ に低減することを実証し、微細な離散化を可能にした。
2. ハードウェア効率の良いアンサンブル： アンサンブル実行を圧縮するためのハイブリッドアーキテクチャと SPQCs を導入し、並列量子アンサンブルに固有の線形量子ビットスケーリング問題を解決した。
3. 厳格な UQ： 数学的に保証された分布フリーの不確実性限界を提供するために、適応的共形予測を量子アンサンブルと統合した。
4. ロバストな評価： 合成 PDE および実世界の電力システム動力学において、現実的な量子ノイズモデル（脱分極、読み取りエラー、熱緩和）の下でフレームワークを検証した。

4. 実験結果

本フレームワークは、合成ベンチマーク（積分、移流方程式）および実世界の電力システムデータセット（電圧 - 電圧、電圧 - 電力）で評価された。

• 合成ベンチマーク：
  • 低い相対 $L_2$ 誤差を達成（例：積分で 0.46%、移流で 2.28%）。
  • 理想的なシミュレーション下で、目標とする 90% に近い経験的カバレッジを維持（例：92.13% および 88.99%）。
  • ノイズ耐性： 現実的なノイズモデル（IBM Brisbane、Torino、Marrakesh）の下でも、共形フレームワークはカバレッジを $\ge 90\%$ に維持し、ハードウェアのドリフトに対するロバスト性を証明した。
• 実世界の電力システム：
  • オフライン（事後分析）およびオンライン（リアルタイム予測）タスクを成功裡に処理した。
  • オンライン電圧予測： 交換性の仮定に違反した場合（時間的依存性による）でも 90.11% のカバレッジを達成し、厳格なストレステストとして機能した。
• アーキテクチャ比較：
  • ハイブリッド vs 完全量子： ハイブリッド（古典的ブランチ + 量子トランク）構成は、ノイズの多いブランチのボトルネックを排除することで、精度と不確実性の幅において完全量子設定を大幅に上回った。
  • SPQC vs 単純な並列化： SPQCs は、標準的なアンサンブルと同等の予測精度と不確実性較正を達成しながら、量子ビット使用量を劇的に削減した（例：4 メンバーアンサンブルで 20 量子ビット対 7 量子ビット）。

5. 意義と展望

• 実用的な道筋： この研究は、スケーラビリティと信頼性の二重の問題を解決することで、安全クリティカルなインフラにおける量子機械学習の展開のための実現可能な道筋を確立する。
• リソース効率： SPQC アプローチは、量子アンサンブルのリソーススケーリングを量子ビットの観点から線形から対数へと根本的に変え、近未来のハードウェアでの大規模な不確実性定量化を可能にする。
• 将来の方向性： 著者らは、現在の保証がデータの交換性に依存しているが、将来の研究は非交換的なストリーミングデータ（例：逐次共形予測を介して）に対処する必要があると指摘している。さらに、浅い回路においてノイズが時として不確実性限界を改善するという異常な観測は、「ノイズ誘起正則化」に関するさらなる調査を要する。

要約すると、本論文は、演算子学習のための量子高速化を活用しつつ、古典準拠のアンサンブルと共形予測を使用して実世界展開に必要な厳格な安全保証を確保する、統合されたフレームワークを提示している。