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

技術要約：大気汚染評価における量子機械学習の性能評価

問題提起
大気質の悪化は即時的な救済措置を必要としており、大気質指数（AQI）の予測に向けた機械学習（ML）、ディープラーニング（DL）、および量子機械学習（QML）の探索を促している。様々な研究が、大気汚染データに対して量子に着想を得たモデルやハイブリッド量子・古典アプローチを適用してきたが、古典モデルと量子モデルを厳密にベンチマークするための、統一されたマルチメトリックなフレームワークが不足している。具体的には、既存の文献は、量子回路の構造的複雑性（表現力や絡み合いの強さなど）や、NISQ（Noisy Intermediate-Scale Quantum）制約下での汎化ギャップおよびバレン・プラトー（不毛な台地）のような最適化の病理との関係性を考慮できていないことが多い。本研究は、量子固有の構造的ペナルティを組み込んだマルチメトリックな階層を用いて、ML、DL、およびQMLモデルの比較評価を提案することで、このギャップに対処するものである。

手法
本研究では、インド中央汚染管理委員会から提供された、2015年から2020年までの257,834件の観測データを使用している。これには、PM2.5、PM10、NOx、SO2、O3、および揮発性有機化合物を含む13の予測因子が含まれており、AQIを予測する。データのプリプロセッシングには、zスコア正規化、Isolation Forestによる外れ値除去、補完、および歪みに対処するためのYeo-Johnson変換が行われた。量子エンコーディングのために、特徴量は4つの主成分（分散の96.5%を保持）に削減された。

MDQ-3L（Machine Learning, Deep Learning, Quantum - 3-Level）と呼ばれる評価フレームワークは、以下の3つの異なる評価レベルを統合している：

1. レベル1（予測精度）： 正規化された回帰指標（MAE、MSE、RMSE、MAPE、RMSLE）および決定係数（$R^2$）を集計する。
2. レベル2（汎化）： トレーニングとテストのRMSE間の差（$\Delta_m$）を測定する。
3. レベル3（量子複雑性）： NISQの制限とバレン・プラトーのリスクを考慮し、高い表現力（$E_m$）と絡み合いの強さ（$P_m$）にペナルティを課す、量子固有の構造的正則化項（$\mathcal{R}_m^{(Q)}$）を適用する。

統一性能関数（$J_m$）は、予測精度（80%）を優先しつつ、複雑性のペナルティ（20%）を組み込むことで、これらのレベルを重み係数（$\alpha, \beta, \gamma$）を用いて結合する。拡張版であるMDQ-3L+$\mathcal{B}$には、回路の表現力と絡み合いの強さがターゲット値から逸脱することをペナルティとするベンチマーク項（$\mathcal{B}_m^{(exp)}$）が含まれている。

本研究では以下を評価した：

• 17のML回帰モデル： CatBoost、XGBoost、ランダムフォレスト、および各種線形モデルを含む。
• 9つのDLモデル： MLP、CNN、LSTM、GRU、DBN、およびTransformerを含む。
• 7つのQML回路： 4量子ビットを用いたノイズレス・バックエンド上でシミュレートされた、Random Layers Regressor (RLR)、RYCZ、Shifted Entangled Linear Regressor (SELR)、Hardware Efficient Ansatz (HEA)、Quantum Convolutional Neural Network (QCNN)、Tree Tensor Network (TTN)、およびQuantum Attention (QAttn)。

主要な結果

• 古典的性能： 木構造ベースのアンサンブル手法、特にCatBoostとExtra Trees、および**Deep Belief Network (DBN)**がトップパフォーマーとして浮上した。CatBoostは$R^2$ 0.68、RMSE 72.41を達成し、DBNは全モデルの中で最高の$R^2$（0.72）と最低のMSE（4807.5）を達成した。
• 量子性能： すべてのQML回路は負の$R^2$値（-1.2から-7.9の範囲）を示しており、これは定数平均ベースラインよりも性能が低いことを示している。QAttnやRYCZなどの一部の回路は競争力のある生の誤差指標（例：QAttnのMSE $\approx$ 0.25）を示したが、負の分散説明力と構造的ペナルティにより、複合スコアは大幅に低下した。
• 構造的ペナルティ： 高い表現力（QCNN、TTNで $E \approx 2.0$）や高い絡み合いの強さ（RLRで $P \approx 0.40$）を持つ回路は、多大なペナルティを課された。MDQ-3Lフレームワークは、生の回路容量が現在の制約下では予測的な有用性に直結しないことを明らかにした。
• ベンチマークの影響： ベンチマーク項（$\mathcal{B}$）の導入により、QCNNやTTNのようなアーキテクチャに対するペナルティは、ターゲットとなる表現力や絡み合いに整合する場合に約30%減少したが、それでも複合スコアにおいて古典的モデルに25-40%遅れをとった。
• 特徴量の重要度： SHAP分析により、PM2.5がAQIの支配的な要因であり、次いでPM10、CO、O3であることが確認され、モデルは粒子状物質の濃度に大きく依存していることが示された。

意義と主張
本論文は、量子機械知能のベンチマークを進展させる、ハイブリッド環境モデリングのための解釈可能なマルチメトリック・ツールを提供することを主張している。その主な貢献は以下の通りである：

1. 統一されたベンチマーク： MDQ-3Lフレームワークは、異種混合の指標と量子の構造的特性を単一の比較可能なスコアへと正常に集約し、単一の好ましい指標に基づいてモデルが選択される一方で、他の側面で失敗するという事態を防ぐ。
2. QMLの限界の露呈： 本研究は、NISQ制約下（4-6量子ビット、浅いデプス）において、現在のQML回路が汎化ギャップと最適化の病理（バレン・プラトー）に苦しみ、古典的なML/DLベースラインに対して25-40%の性能不足が生じることを定量的に示した。
3. 将来のアーキテクチャへの指針： 高い表現力と絡み合いにペナルティを課すことで、本フレームワークは、低絡み合いのアンサンブル（SELRやHEAなど）が、NISQの学習可能性の要件により適合することで、将来の反復において10-15%の潜在的な利得をもたらす可能性があることを示唆している。
4. 手法の厳密性： 本研究は、絡み合いや表現力を定性的な議論を超えて、定量的な正則化座標として組み込むことで、統計的な正確さとハードウェアに即した複雑さのバランスを取るための厳密なモデル選択基準を提供している。

著者らは、現在のところ量子回路はこの特定の回帰タスクにおいて優れているわけではないが、提案されたフレームワークは将来のハイブリッドモデルを評価するための必要な構造を提供し、ある次元での改善が他の次元における病理を隠蔽してしまうことを防ぐものであると結論づけている。