Hybrid Quantum-Classical Machine Learning Algorithms for Multi-Output Time-Series Forecasting at Utility Scale

본 논문은 IBM 마라케시 양자 프로세서를 사용하여 103 가구의 스마트 미터 데이터셋에서 커널화된 양자 저류 컴퓨팅과 프로젝션 양자 커널 가우시안 프로세스라는 두 가지 프레임워크를 평가함으로써 유틸리티 규모의 다중 출력 시계열 예측을 위한 하이브리드 양자 - 고전 머신러닝의 실현 가능성을 입증하며, 두 모델 모두 시뮬레이터에서 고전적 베이스라인 대비 유의미한 오차 감소를 달성하고 NISQ 하드웨어에서도 경쟁력 있는 성능을 유지했습니다.

핵심

100 개가 다른 가계가 향후 몇 시간 동안 사용할 전력량을 예측한다고 상상해 보세요. 이는 단순히 추측하는 것이 아니라, 숫자들의 혼란스러운 춤 속에서 패턴을 찾아내는 것입니다. 어떤 가계는 추울 때 전기를 더 많이 사용하고, 다른 가계는 TV 를 볼 때 더 많이 사용하며, 그들의 습관은 종종 서로를 반영합니다.

이 논문은 새로운 유형의 컴퓨터인 하이브리드 양자 - 고전적 기계를 사용하여 이 퍼즐을 해결하려는 연구팀에 관한 것입니다. 이를 초고속 미래지향적인'양자 두뇌'가 복잡한 패턴을 찾아내는 중추적인 역할을 하고, 오늘날 당신이 사용하는 노트북과 같은 표준적인'고전적 두뇌'가 최종 계산과 의사결정을 담당하는 팀으로 생각하세요.

다음은 두 가지 주요 실험에 대한 간단한 설명입니다:

도전 과제: "노이즈가 있는"양자 컴퓨터

연구자들은 완벽한 미래지향적 양자 컴퓨터를 가지고 있지 않았습니다. 대신 실험실에 있는 실제 현재 세대의 양자 컴퓨터 (NISQ 장치라고 함) 를 사용했습니다. 이 컴퓨터를 천재적이지만 약간 산만한 음악가로 생각하세요. 이 음악가는 incredibly 복잡한 음악 (어려운 수학 문제 해결) 을 연주할 수 있지만, 노이즈 (하드웨어 오류) 에 의해 산만해져 가끔은 잘못된 음을 낼 수도 있습니다. 목표는 이"산만한 음악가"가 표준 컴퓨터보다 전력 사용량 예측을 더 잘할 수 있는지 확인하는 것이었습니다.

실험 1: "메아리 방" (KQRC-RM)

비유: 거대하고 메아리가 잘 울리는 동굴 (저장소) 을 상상해 보세요. 당신은 그 안에 소리 (전력 데이터) 를 지르고, 소리는 과거의 소리들과 섞이며 메아리쳐 돌아옵니다. 소리가 어떻게 정착하는지는 동굴의 모양에 대해 알려줍니다.

• 작동 원리: 그들은 전력 데이터를 양자"동굴"에 입력했습니다. 데이터가 양자 시스템 내부에서 메아리치며 복잡한 패턴을 만들었습니다. 그런 다음 그들은 미래의 전력 사용량이 어떻게 될지 파악하기 위해 이러한 메아리를 반복적으로"들었습니다" (Repeated Measurement).
• 결과:
  • 시뮬레이터에서 (완벽한 동굴): 완벽한 컴퓨터 시뮬레이션에서 실행했을 때 놀라웠습니다. 최고의 표준 컴퓨터 방법보다 37% 적은 오차로 미래 사용량을 예측했습니다.
  • 실제 하드웨어에서 (노이즈가 있는 동굴): 실제 양자 컴퓨터에서 실행했을 때, "노이즈"가 방해가 되었습니다. 예측이 나빠졌고, 오차는 실제로 표준 컴퓨터보다 증가했습니다.
  • 교훈: "메아리 방"아이디어는 이론적으로는 훌륭하게 작동하지만, 현재로서는 실제 양자 하드웨어가 너무 노이즈가 많아 이 특정 작업에서 표준 컴퓨터보다 더 나은 결과를 내지 못합니다.

실험 2: "지역 이웃 감시단" (Projected Quantum Kernel Gaussian Process)

비유: 도시 전체의 날씨를 예측하려고 상상해 보세요. 한 번에 전체 대기를 측정하는 대신 (이는 어렵고 오류가 발생하기 쉽습니다), 작은 지역 이웃만 봅니다. 만약 지역 이웃이 맑다면, 도시 전체도 맑을 것이라고 가정합니다. 이는"지역적"이고"견고한"접근법입니다.

• 작동 원리: 이 모델은"노이즈에 강하게"설계되었습니다. 전체 양자 상태 (취약함) 를 보는 대신, 작은 지역 정보 조각들 (한 번에 몇 개의 큐비트만 확인하는 것) 만 봅니다. 그런 다음"가우시안 프로세스"(스마트한 통계 도구) 를 사용하여 이러한 지역적 단서를 바탕으로 미래를 추측합니다.
• 결과:
  • 시뮬레이터에서: 표준 방법 대비 예측 오차를 62% 줄여 대성공을 거두었습니다.
  • 실제 하드웨어에서: 노이즈가 있는 양자 컴퓨터에서도 여전히 표준 컴퓨터보다 40% 더 나은 성과를 냈습니다.
  • 대규모 테스트 (100 개 가계): 100 개의 양자"비트"(큐비트) 를 사용하여 100 개 가계를 한 번에 예측하는 거대한 규모로 이를 시도했습니다.
    • **49%**의 가계는 매우 높은 정확도 (낮은 오차) 로 예측되었습니다.
    • **31%**는"중간"정도의 정확도 범위에 속했습니다.
    • **20%**는 높은 오차를 보였습니다.
  • 오차의 원인? 연구자들은 부정확한 예측을 받은 20% 가 양자 칩의"가장 노이즈가 많은"부분 (지치거나 주의력이 짧은 큐비트와 같은) 에 할당되었다는 사실을 발견했습니다. 만약 가계를 칩의"가장 건강한"부분에 할당했다면 결과는 더 좋았을 것입니다.

결론

이 논문은 다음과 같이 주장합니다:

1. 가능성: 이제 100 개 이상의 큐비트를 가진 실제 양자 컴퓨터에서 이러한 복잡한 다중 가계 전력 예측을 실행할 수 있습니다.
2. 유망하지만 불완전함: "지역 이웃 감시단"방법 (실험 2) 이 승리자입니다. 이는 현재 하드웨어의 노이즈를 처리할 만큼 견고하며 여전히 표준 컴퓨터를 능가합니다.
3. 하드웨어의 중요성: 예측의 품질은 양자 칩의 어느 부분을 사용하느냐에 크게 달려 있습니다. 칩의 특정 부분이 노이즈가 많다면, 해당 부분의 예측은 나빠집니다.

간단히 말해: 연구자들은 오늘날의 불완전한 양자 컴퓨터에서도 고전적 팀 단독보다 하이브리드 팀 (양자 + 고전) 이 전력 사용량을 더 잘 예측할 수 있음을 증명했습니다. 그러나"완벽한"양자 우위는 하드웨어가 조금 더 조용하고 신뢰할 수 있게 될 때까지 기다려야 합니다.

기술 요약

기술 요약: 다중 출력 시계열 예측을 위한 하이브리드 양자 - 고전 머신러닝

문제 제기
정확한 다중 출력 시계열 예측은 부하 균형 및 재생에너지 통합을 포함한 현대 에너지 시스템의 신뢰성 있는 운영에 필수적입니다. 그러나 전력 수요 예측은 비선형 동역학, 다중 스케일 계절성, 그리고 상관된 시계열 간의 강한 의존성으로 인해 어렵습니다. 고전 통계 모델 (예: ARIMA) 은 종종 이러한 비선형성에 직면하여 어려움을 겪는 반면, 유연한 머신러닝 접근법은 일반적으로 막대한 데이터와 컴퓨팅 자원을 필요로 합니다. 양자 머신러닝 (QML) 은 표현력 있는 비선형 특징 매핑과 저수지 (reservoir) 동역학을 통해 잠재력을 제공하지만, 현재의 잡음이 있는 중규모 양자 (NISQ) 장치에서의 실용적 응용은 제한된 큐비트 수, 얕은 회로 깊이, 그리고 하드웨어 잡음에 의해 제약받습니다. 본 논문은 이러한 현실적 제약 하에서 100 개 이상의 큐비트 규모로 다중 스트림 에너지 예측을 위한 하이브리드 양자 - 고전 프레임워크의 실현 가능성을 다룹니다.

방법론
저자들은 103 가구의 전력 소비 시계열로 구성된 실제 스마트 미터 데이터셋을 사용하여 두 가지 구별되는 하이브리드 양자 - 고전 프레임워크를 조사했습니다. 실험은 행렬 곱 상태 (MPS) 시뮬레이터와 ibm_marrakesh 초전도 양자 프로세서 모두에서 수행되었습니다.

1. 반복 측정을 통한 커널 양자 저수지 컴퓨팅 (KQRC-RM):

   • 아키텍처: 이 모델은 양자 저수지 컴퓨팅 (QRC) 을 여러 상관된 시계열로 확장합니다. 각 시계열이 시스템 레지스터와 보조 (ancilla) 레지스터에 짝지어진 결합된 양자 저수지를 사용합니다.
   • 동역학: 입력 데이터는 매개변수화된 유니타리 연산을 통해 인코딩됩니다. 얽힘 게이트는 개별 스트림 내부뿐만 아니라 인접한 스트림 간에도 정보를 전파하여 교차 상관관계를 모델링합니다.
   • 판독: 이 프레임워크는 보조 큐비트 지원 반복 측정을 활용합니다. 각 시간 단계에서 시스템 큐비트는 메모리를 전달하기 위해 결맞음을 유지하는 반면, 보조 큐비트만 측정됩니다. 결과적으로 생성된 확률 분포는 특징 벡터를 형성합니다.
   • 회귀: 커널화된 판독 (RBF 커널 다음에 릿지 회귀) 이 이러한 양자 특징에 대해 훈련되어 미래 값을 예측합니다.
   • 규모: 실험은 3 개의 동시 스트림을 위해 스트림당 15 개의 시스템 큐비트와 15 개의 보조 큐비트를 포함하여 총 114 개의 큐비트를 사용했습니다.

2. 투영 양자 커널 가우시안 프로세스 (QGP):

   • 아키텍처: 충실도 기반 양자 커널을 로컬 축소 상태 통계로 구성된 투영 커널로 대체하는 베이지안 대안입니다. 이 접근법은 깊은 계산 - 역계산 회로를 피하고 잡음 민감도를 완화합니다.
   • 커널 구성: 입력 간의 유사성은 전역 상태 중첩이 아닌 로컬 축소 밀도 행렬 (특히 2-바디 부분집합) 을 비교하여 결정됩니다.
   • 회귀: 다중 출력 가우시안 프로세스 (GP) 는 이러한 투영 커널을 사용하여 여러 시계열을 동시에 예측하며 예측 불확실성을 제공합니다.
   • 규모: 이 프레임워크는 하드웨어 효율성이 더 높아 시계열 수에 따라 선형적으로 확장됩니다. 실험은 5 고객 하위 집합에서 유틸리티 규모의 100 큐비트 실험 (고객당 하나의 큐비트) 까지 다양했습니다.

주요 결과

• 이론적 진단: 기하학적 차이 ($g_{CQ}$) 와 모델 복잡도 ($\kappa$) 분석은 스마트 미터 데이터셋이 데이터셋 크기가 증가함에 따라 특히 고전적 기준과 구별되는 함수 공간에 양자 모델이 접근할 수 있는 영역과 일치하는 서명을 보임을 나타냈습니다.
• KQRC-RM 성능:
  • MPS 시뮬레이터에서 이 모델은 3 스트림 입력/출력에 대해 0.0811 의 평균 절대 오차 (MAE) 를 달성하여 고전적 아날로그 (ESN-KRR) 대비 36.92% 개선을 보였습니다.
  • 하드웨어에서는 게이트 잡음과 결맞음 상실로 인해 성능이 0.1524 의 MAE 로 저하되었지만, 모델은 여전히 지배적인 시간적 추세를 포착했습니다.
• QGP 성능:
  • 소규모: 5 고객 하위 집합에서 QGP 는 시뮬레이터에서 0.16, 하드웨어에서 0.24 의 MAE 를 달성했습니다. 이는 고전적 다중 출력 GP 기준 대비 시뮬레이터에서 MAE 가 62.01% 감소하고 하드웨어에서는 40.37% 감소한 것입니다.
  • 유틸리티 규모 (100 큐비트): 대규모 실험에서 49% 의 고객이 높은 정확도 예측 (MAE < 0.15) 을 달성했으며, 80% 는 저오류 또는 중오류 영역에 속했습니다.
  • 하드웨어 상관관계: 정확도 분포는 물리적 하드웨어의 잡음 지형과 직접적으로 상관관계가 있었습니다. 더 긴 $T_2$ 결맞음 시간과 더 낮은 CZ 게이트 오류를 가진 큐비트에 매핑된 고객은 일관되게 저오류 계층에 속한 반면, 열화된 영역 (예: 중간 체인 큐비트) 에 매핑된 고객은 고희오류 영역에 기여했습니다.

의의 및 주장
본 논문은 NISQ 장치에서 100 개 이상의 큐비트 규모로 다중 입력, 다중 출력 시계열 예측을 위한 하이브리드 양자 머신러닝의 실현 가능성을 입증한다고 주장합니다.

• 경험적 실현 가능성: 결과는 현실적인 잡음 제약 하에서 KQRC-RM 과 QGP 모두 작동 가능하며, 현재 하드웨어에서도 대부분의 고객에 대한 수요 패턴을 포착함을 보여줍니다.
• 확장성과 효율성: 이 연구는 트레이드오프를 강조합니다. KQRC-RM 은 복잡한 동역학을 포착하는 데 효과적이지만 자원이 많이 소요되는 반면, QGP 는 더 작은 훈련 데이터셋으로 더 많은 수의 시계열에 적합한 더 확장 가능하고 하드웨어 효율적인 대안을 제공합니다.
• 하드웨어 인식: 유틸리티 규모 실험은 토폴로지 인식 최적화와 큐비트 선택의 중요성을 강조하며, 예측 품질이 사용된 양자 프로세서의 특정 물리적 특성에 크게 의존함을 보여줍니다.

저자들은 이러한 발견이 실용적인 양자 지원 예측을 향한 중요한 단계임을 나타내지만, 주로 경험적 실현 가능성 연구로 해석되어야 한다고 결론지었습니다. 이 작업은 모든 설정에서 모든 고전적 방법보다 결정적인 "양자 우위"를 주장하는 것이 아니라, NISQ 제약 하에서 구조화된 에너지 예측 작업에서 하이브리드 양자 모델이 특정 고전적 기준을 능가할 수 있음을 확립합니다.