Implementing Pearl's $\mathcal{DO}$-Calculus on Quantum Circuits: A Simpson-Type Case Study on NISQ Hardware

Dit artikel beschrijft een methode om Pearls $\mathcal{DO}$-calculus voor causale inferentie te vertalen naar uitvoerbare quantumcircuits via 'circuit surgery', wat experimenteel is geverifieerd op NISQ-hardware met een nauwkeurige overeenkomst tussen de quantumresultaten en klassieke causale voorspellingen.

De kern

Stel je voor dat je een dokter bent die een nieuw medicijn test. Je kijkt naar de gegevens en ziet iets raars: het medicijn lijkt voor mannen en vrouwen apart heel goed te werken, maar als je alle patiënten samen bekijkt, werkt het juist slecht! Dit is een klassiek voorbeeld van Simpson's Paradox. Het is alsof je een puzzel probeert op te lossen, maar de stukjes die je hebt, vertellen een leugen.

De reden? Er is een verborgen factor (zoals geslacht of leeftijd) die zowel bepaalt wie het medicijn krijgt, als hoe gezond ze zijn. In de statistiek noemen we dit een "verwarrende variabele".

Deze paper, geschreven door Pilsung Kang, gaat over hoe we dit soort problemen kunnen oplossen met kwantumcomputers. Maar in plaats van ingewikkelde wiskunde, gebruiken we een heel simpel idee: chirurgie aan een circuit.

Hier is de uitleg in alledaags taal, met een paar creatieve vergelijkingen:

1. Het Probleem: De Leugen van de Correlatie

In de echte wereld zien computers vaak alleen patronen: "Als A gebeurt, gebeurt B ook." Maar dat betekent niet dat A de oorzaak is van B.

• Vergelijking: Stel je voor dat je ziet dat mensen met een paraplu vaak nat worden. De computer denkt misschien: "Paraplu's veroorzaken nattigheid!" Maar de echte oorzaak is regen. De paraplu is slechts een symptoom.
• In de medische wereld kan dit dodelijk zijn. Als een AI denkt dat een medicijn slecht werkt (omdat de verkeerde groep mensen het kreeg), zou ze het misschien afkeuren, terwijl het eigenlijk wonderbaarlijk werkt.

2. De Oplossing van Pearl: De "DO"-Knop

De wiskundige Judea Pearl heeft een manier bedacht om dit op te lossen. Hij zegt: "We moeten niet alleen kijken wat er gebeurt, we moeten kijken wat er zou gebeuren als we iets doen."

• De Vergelijking: In plaats van alleen te kijken naar mensen die al een paraplu hebben, moeten we een knop indrukken die iedereen dwingt een paraplu te dragen (of juist niet). Dit noemen we een interventie.
• In de wiskunde heet dit DO-calculus. Het is alsof je een tijdmachine hebt om een alternatieve realiteit te creëren waarin je de oorzaak zelf bepaalt.

3. De Kwantum-Methode: Circuit-Chirurgie

De auteurs van dit paper vragen zich af: "Kunnen we deze 'DO-knop' fysiek bouwen op een kwantumcomputer?"
Hun antwoord is ja, en ze noemen het Circuit Surgery (Circuit-chirurgie).

• Het Circuit als een Spoorbaan: Stel je een kwantumcomputer voor als een enorm complex spoorwegnetwerk. De treinen (de data) rijden over de rails (de qubits).
• De Verkeerde Sporen: In onze normale situatie (observatie) zijn er rails die van "Geslacht" naar "Medicijn" lopen. Dit zorgt voor de verwarring. De trein wordt afgeleid door het geslacht van de passagier.
• De Chirurgie: Om de echte oorzaak te vinden, nemen we een schaar en knippen we die specifieke rails door. We verwijderen de verbinding tussen "Geslacht" en "Medicijn".
• De Nieuwe Realiteit: Vervolgens zetten we de trein op het station "Medicijn" en laten we hem vertrekken, ongeacht wat het geslacht is. We hebben nu een schone, nieuwe realiteit gecreëerd waarin we puur kijken naar het effect van het medicijn.

4. Wat hebben ze gedaan? (Het Experiment)

De auteurs hebben dit getest op twee manieren:

1. Een klein model (3 qubits): Dit is als een simpele puzzel. Ze hebben laten zien dat hun "kwantum-schaar" het Simpson's Paradox perfect oplost. De computer zag eerst de leugen (medicijn werkt slecht), maar na de chirurgie zag hij de waarheid (medicijn werkt goed!).
2. Een groot model (10 qubits): Dit is een complexere situatie, alsof je een heel ziekenhuisnetwerk simuleert met veel factoren (leeftijd, inkomen, verzekering). Hier was het nog moeilijker om de waarheid te vinden, maar hun methode slaagde erin om de echte invloed van de behandeling te meten, terwijl gewone statistiek het nog steeds verkeerd zag.

Ze hebben dit zelfs gedaan op een echte kwantumcomputer (een IonQ Aria machine). Omdat deze computers nog wat "ruis" hebben (net als een radio met statische storing), waren de resultaten niet 100% perfect, maar ze waren dicht genoeg bij de theorie om te bewijzen dat het werkt.

5. Waarom is dit belangrijk?

Je hoeft geen quantum-fysicus te zijn om te begrijpen waarom dit cool is:

• Betrouwbare AI: Het helpt AI-systemen om niet in de valkuil van schijnbare patronen te trappen.
• Virtueel Laboratorium: Het stelt ons in staat om "wat als"-scenario's te testen zonder mensen in gevaar te brengen. Je kunt zeggen: "Wat als we iedereen dit medicijn geven?" en de computer simuleert het resultaat direct.
• De brug tussen twee werelden: Het toont aan dat de abstracte wiskunde van oorzaak en gevolg (Pearl's theorie) daadwerkelijk kan worden uitgevoerd als fysieke bewegingen in een kwantummachine.

Samenvatting

In het kort: De auteurs hebben een manier bedacht om kwantumcomputers te gebruiken als een chirurgische tafel. Ze knippen de verkeerde verbanden in een netwerk door en dwingen de computer om een nieuwe, eerlijke realiteit te simuleren. Hierdoor kunnen we de waarheid achter de data zien, zelfs als de data zelf ons een leugen vertelt. Het is een stap in de richting van slimmere, eerlijkere en veiliger kunstmatige intelligentie.

Technische samenvatting

Probleemstelling

Het onderscheid maken tussen correlatie en causaliteit is een fundamentele uitdaging in machine-intelligentie. In hoog-risicodomeinen zoals medische diagnostiek en financiële modellering kunnen beslissingen gebaseerd op schijnbare correlaties leiden tot onveilige of vooroordeelachtige uitkomsten. Een klassiek voorbeeld hiervan is Simpsons Paradox, waarbij een trend die in subgroepen zichtbaar is, omkeert of verdwijnt wanneer de data geaggregeerd wordt, vaak veroorzaakt door een verborgen verstorende variabele (confounder).

Hoewel Pearls DO-calculus een wiskundig robuust raamwerk biedt om causale effecten te berekenen (bijv. $P(Y | DO(X))$) door "grafische chirurgie" (het doorsnijden van causale pijlen) toe te passen, wordt dit doorgaans uitgevoerd als een abstracte, symbolische procedure op waarschijnlijkheidsverdelingen. De centrale vraag van dit onderzoek is of deze interventielogica een uitvoerbare semantiek kan krijgen op fysieke quantumapparatuur.

Methodologie

De auteurs introduceren een raamwerk dat causale netwerken (Structural Causal Models - SCMs) direct mappen op quantumcircuits. De kern van de methode bestaat uit de volgende stappen:

1. Codering van Variabelen:

   • Causale knopen worden gecodeerd als qubit-registers.
   • Waarschijnlijkheidskoppelingen worden geïmplementeerd via gecontroleerde rotatie-gates (voornamelijk $CRY(\theta)$). De rotatiehoek $\theta$ correspondeert met de sterkte van de causale relatie.
   • Het systeem opereert binnen het "block-diagonale" deel van de operatorformaliteit, wat garandeert dat de quantumsemantiek wiskundig identiek is aan de klassieke SCM.

2. Circuitchirurgie (Circuit Surgery):

   • Om een interventie $DO(X)$ uit te voeren, wordt een procedure genaamd "circuit surgery" toegepast.
   • Dit impliceert het fysiek verwijderen van alle quantumgates die corresponderen met pijlen die naar de te interveniëren variabele wijzen (de verstorende paden).
   • De variabele wordt vervolgens deterministisch ingesteld op de gewenste waarde (bijv. via een $X$-gate).
   • Dit creëert een nieuw circuit dat een nieuwe causale wereld representeert waarin de variabele niet meer wordt beïnvloed door zijn oorspronkelijke oorzaken.

3. Modelen:

   • 3-qubit model: Een minimalistisch model voor Simpsons Paradox met variabelen: Geslacht ($G$), Behandeling ($T$) en Uitkomst ($O$). Hierin is $G$ een confounder die zowel $T$ als $O$ beïnvloedt.
   • 10-qubit model: Een complexer synthetisch gezondheidszorgmodel met multi-level confounding (bijv. Leeftijd $\to$ Inkomen $\to$ Behandeling $\to$ Uitkomst) om de schaalbaarheid te testen.

Belangrijkste Bijdragen

1. Compilatie van DO-calculus: Het succesvol compileren van binaire SCMs naar quantumcircuits waarbij Pearls DO-operator uitvoerbare semantiek krijgt via een eenvoudige regel voor circuitchirurgie.
2. Experimentele Validatie: Een proof-of-principle experiment uitgevoerd op een IonQ Aria (gevangen-ion) quantumprocessor, naast hoog-trouwheidssimulaties.
3. Kwantificering van Bias: Toepassing van de methode op een 10-qubit netwerk om verstorende bias te kwantificeren die niet correcteerbaar is door eenvoudige statistische stratificatie.
4. Geen claim op Quantum Speedup: De auteurs benadrukken dat het doel niet is om quantumvoorsprong te claimen, maar om een concrete route te tonen voor het vertalen van causale grafen naar uitvoerbare quantumlogica.

Resultaten

De resultaten werden getest op zowel een ideale simulator als de IonQ QPU (Noisy Intermediate-Scale Quantum - NISQ):

• 3-qubit Model (Simpsons Paradox):

  • Observatie: In de geaggregeerde data leek de behandeling schadelijk (negatief effect), terwijl deze in beide geslachts-subgroepen gunstig was. Dit is de klassieke paradox.
  • Interventie: Na toepassing van de quantum-DO-interventie (verwijdering van het verstorende pad $G \to T$), werd het ware causale effect blootgelegd: een positief effect van +0.232 (simulatie) en +0.222 (QPU).
  • De hardware-resultaten kwamen kwalitatief overeen met de simulatie, hoewel de ruis op de QPU leidde tot bredere betrouwbaarheidsintervallen (95% CI), wat de uitdagingen van NISQ-hardware illustreert.

• 10-qubit Model (Schaalbaarheid):

  • Observatie-data suggereerde een positief behandelingseffect van +0.377, wat een aanzienlijke onderschatting was van het ware causale effect van +0.486.
  • Traditionele stratificatie (bijv. alleen op Leeftijd of Regio) gaf inconsistent of onvolledig gecorrigeerde resultaten (+0.497 of +0.406).
  • De quantum-DO-interventie isoleerde het ware gemiddelde causale effect (ACE) van +0.486, wat aantoont dat de methode effectief is in het ontrafelen van complexe, multi-level verstorende systemen.

Betekenis en Conclusie

Dit werk bewijst dat Pearls DO-calculus niet alleen een abstract wiskundig concept is, maar fysiek kan worden geïmplementeerd op quantumhardware.

• Fysieke Analogie: Het biedt een direct fysiek equivalent van "grafische chirurgie" door het verwijderen van gates in een circuit.
• Toepassing voor AI: Het raamwerk biedt een nieuwe tool voor het verbeteren van de uitlegbaarheid en eerlijkheid van AI-systemen door echte causale drijfveren te onderscheiden van schijnbare correlaties.
• Toekomstperspectief: Hoewel de huidige resultaten beperkt zijn tot bekende causale grafen en kleine schalen, opent dit onderzoek de weg voor quantum-algoritmen voor causale ontdekking en het testen van causale hypothesen in complexe systemen waar klassieke methoden computationeel onhaalbaar worden.

Samenvattend toont dit onderzoek aan dat quantumcircuits een krachtig "computationeel laboratorium" kunnen zijn voor het simuleren en valideren van causale interventies, zelfs in de huidige ruisgevoelige NISQ-omgeving.