📊 statistics

Adaptive Conformal Prediction for Quantum Machine Learning

Dit artikel introduceert Adaptieve Quantum Conformale Predictie (AQCP), een algoritme dat betrouwbare onzekerheidskwantificering voor quantum machine learning garandeert door doelwitdekkingsgaranties te handhaven ondanks de tijdsvariërende ruis die inherent is aan quantumhardware, en dat standaard quantum conformale predictie overtreft in stabiliteit en validiteit.

Oorspronkelijke auteurs: Douglas Spencer, Samual Nicholls, Michele Caprio

Gepubliceerd 2026-05-18

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Douglas Spencer, Samual Nicholls, Michele Caprio

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een zeer krachtige, maar licht "dronken" robot de weersvoorspelling te leren. Deze robot is een Quantum Machine Learning (QML)-model. Het is ongelooflijk snel en slim, maar het draait op een quantumcomputer, die momenteel nog wat onstabiel is. De hardware is als een schip in een stormachtige zee; de golven (ruis) veranderen voortdurend, soms zachtjes, soms hevig.

Het probleem is: Hoe weet je of de robot er zeker genoeg van is om zijn voorspelling te vertrouwen?

In de klassieke wereld gebruiken we een veiligheidsnet genaamd Conformal Prediction. Denk hierbij aan een "vertrouwensgordel". In plaats dat de robot zegt: "Het zal morgen regenen", zegt hij: "Het zal regenen tussen 14.00 en 16.00 uur". Het doel is om ervoor te zorgen dat deze "gordel" breed genoeg is om het ware antwoord 90% van de tijd te vangen (als je hem op 90% instelt).

Het probleem: De onstabiele gordel van de dronken robot

Het artikel wijst op een groot gebrek in de manier waarop we dit veiligheidsnet momenteel toepassen op quantumcomputers.

Standaard veiligheidsnetten gaan ervan uit dat de "dronkenschap" (ruis) van de robot de hele dag gelijk blijft. Maar op echte quantumcomputers verandert de ruis. De hardware kalibreert zich elk uur opnieuw, de temperatuur verschuift en kosmische straling kan het apparaat raken.

De auteurs leggen uit dat omdat de ruis in de loop van de tijd verandert, de "vertrouwensgordel" van de robot onbetrouwbaar wordt. Het is alsof je probeert een liniaal te gebruiken die willekeurig uitrekt en krimpt. Als je de liniaal 's ochtends kalibreert, kan hij 's middags te kort zijn. De standaardwiskunde zegt: "Wij garanderen dat deze gordel 90% van de tijd de waarheid vangt", maar omdat de liniaal van grootte verandert, breekt die garantie. De robot denkt misschien dat hij 90% zeker is, maar is eigenlijk maar 70% zeker, of misschien wel 99%.

De oplossing: De "zelfcorrigerende" gordel

Om dit op te lossen, introduceren de auteurs een nieuwe methode genaamd Adaptive Quantum Conformal Prediction (AQCP).

Denk aan AQCP als een slimme, zelfcorrigerende gordel.

Oude methode (QCP): Je meet de liniaal één keer 's ochtends en blijft de hele dag daarmee doorgaan. Als de liniaal later krimpt, zijn je metingen verkeerd.
Nieuwe methode (AQCP): Je controleert de liniaal elke keer opnieuw als je een voorspelling doet.
- Als de robot fout zat (het ware antwoord viel buiten de gordel), zegt het systeem: "Oeps, mijn gordel was te strak!" en verbreedt deze direct voor de volgende voorspelling.
- Als de robot goed zat (het antwoord zat binnen), kan hij de gordel iets versmallen om efficiënter te zijn.

Dit gebeurt in real-time. Het systeem kalibreert zichzelf voortdurend opnieuw op basis van of het zojuist een "treffer" of een "miss" had. Hierdoor kan het omgaan met de "dronken" hardware, zelfs als de ruis chaotisch is en elke seconde verandert.

Hoe ze het testten

De onderzoekers testten dit op een echte quantumcomputer van IBM (genaamd ibm_sherbrooke). Ze gaven de robot een taak: een getal voorspellen op basis van een sinusgolfpatroon (een golvende lijn).

De test: Ze voerden duizenden voorspellingen uit.
Het resultaat: De oude methode (QCP) bleef van het doelwit afdwalen. Soms was hij veel te breed (wat middelen verspilde), en soms te smal (waardoor hij de waarheid miste).
De winnaar: De nieuwe methode (AQCP) bleef precies op het doelwit. Hij hield het "vangstpercentage" constant op de gewenste 90%, ongeacht hoe sterk de hardware-ruis trilde.

Ze testten ook verschillende manieren om te meten "hoe fout" de robot zat (zogenaamde scorefuncties). Ze ontdekten dat sommige methoden beter waren in het zo klein mogelijk houden van de voorspellingsgordel terwijl ze toch de waarheid vingen, maar alle methoden werkten veel beter met het zelfcorrigerende AQCP-systeem dan zonder.

De haken en ogen

Er is één kleine beperking. Omdat dit systeem leert door zijn fouten één voor één te controleren, moet het sequentieel werken.

Analogie: Stel je een leraar voor die een stapel examens nakijkt. De oude methode kijkt alle 100 examens tegelijk na op basis van een regel die aan het begin is vastgesteld. De nieuwe methode kijkt één examen na, controleert het antwoord, past de regel aan en kijkt daarna pas het volgende examen na.
Gevolg: Je kunt dit niet gebruiken voor "batch"-verwerking (1.000 examens tegelijk nakijken zonder de antwoorden te zien). Je moet wachten op het resultaat van één voorspelling voordat je de volgende doet.

Samenvatting

In eenvoudige bewoordingen: quantumcomputers zijn ruisend en onvoorspelbaar. De oude manier om hun vertrouwen te meten, hield geen rekening met deze veranderende ruis, wat leidde tot onbetrouwbare voorspellingen. De auteurs bouwden een nieuw "zelfcorrigerend" systeem dat zijn vertrouwen niveaus voortdurend in real-time aanpast. Dit zorgt ervoor dat zelfs op een trillende, ruisende quantummachine de voorspellingen betrouwbaar en accuraat blijven.

Technische Samenvatting: Adaptieve Conformale Predictie voor Quantum Machine Learning

Probleemstelling

Quantum Machine Learning (QML) beoogt quantumprocessors in te zetten om klassieke algoritmen te verbeteren, maar de inzet van deze modellen in gebieden met hoge risico's (zoals gezondheidszorg en defensie) vereist een rigoureuze kwantificering van onzekerheid. Hoewel Conformale Predictie (CP) distributie-vrije garanties voor eindige steekproeven biedt voor klassieke modellen, staat de toepassing ervan op QML voor een kritieke hindernis: niet-stationaire hardware-ruis.

Standaard Conformale Predictie, inclusief het recent voorgestelde Quantum Conformal Prediction (QCP)-kader (Park & Simeone, 2023), rust op de aanname dat kalibratie- en testdata uitwisselbaar zijn. Deze aanname impliceert dat de onderliggende ruisprocessen binnen de quantumhardware stationair blijven in de tijd. Echter, huidige Noisy Intermediate-Scale Quantum (NISQ)-apparaten vertonen tijdvariërende ruis door factoren zoals temperatuurschommelingen, oscillaties van besturingsapparatuur en kosmische stralingsgebeurtenissen. De auteurs tonen aan dat wanneer ruis niet-stationair is, de conformiteitscores afgeleid van quantummetingen niet langer uitwisselbaar zijn, zelfs als de verdeling van de invoergegeven stationair blijft. Bijgevolg worden de theoretische dekkinggaranties van standaard QCP (d.w.z. dat het ware resultaat met waarschijnlijkheid $1-\alpha$ binnen de voorspellingsset ligt) ongeldig verklaard.

Methodologie

Om de breuk in uitwisselbaarheid veroorzaakt door tijdsafhankelijke ruis aan te pakken, stellen de auteurs Adaptieve Quantum Conformale Predictie (AQCP) voor. Deze benadering past het kader van Adaptive Conformal Inference (ACI) (Gibbs & Candès, 2021) aan op de quantumcontext.

Kernalgoritme

AQCP werkt in een online testomgeving waarbij het niveau van misdekking dynamisch wordt aangepast op basis van de waargenomen empirische dekking. Het algoritme verloopt als volgt:

Initialisatie: Een kalibratiedataset $D_{cal}$ wordt gebruikt om initiële conformiteitscores te berekenen.
Sequentiële Verwerking: Voor elk testpunt $i$ construeert het algoritme een voorspellingsset $C_i(X_{n+i})$ met behulp van een huidig misdekkingniveau $\alpha_i$ .
Feedbacklus: Nadat het ware label $Y_{n+i}$ is onthuld, update het algoritme het misdekkingniveau:
$\alpha_{i+1} = \alpha_i + \gamma (\alpha - \text{err}_i)$
waarbij $\gamma$ een hyperparameter voor stapgrootte is en $\text{err}_i$ gelijk is aan 1 als het ware label buiten de voorspellingsset ligt, en 0 anders.
Scorefuncties: Aangezien quantummodellen stochastische steekproeven (shots) produceren in plaats van deterministische uitvoer, maakt AQCP gebruik van op steekproeven gebaseerde scorefuncties. Het artikel evalueert vier specifieke functies:
- Euclidische Afstand: Afstand tussen de kandidaat $y$ en het gemiddelde van de shot-steekproeven.
- k-Nearest Neighbour (k-NN): Afstand tot de $k$ -de dichtstbijzijnde buur onder de steekproeven.
- Kernel Density Estimation (KDE): Negatieve log-dichtheidsschatting bij $y$ .
- High-Density Region (HDR): Geschatte waarschijnlijkheidsmassa van het gebied waar de dichtheid ten minste zo hoog is als bij $y$ .

Theoretische Garanties

In tegenstelling tot standaard CP, dat garanties voor eindige steekproeven biedt onder uitwisselbaarheid, biedt AQCP asymptotische gemiddelde dekkinggaranties onder willekeurige ruisomstandigheden. De auteurs bewijzen dat naarmate het aantal testpunten $N \to \infty$ , het gemiddelde misdekkingpercentage bijna zeker convergeert naar het doel $\alpha$ . Een bovengrens voor eindige steekproeven wordt ook afgeleid onder specifieke aannames betreffende verborgen Markovketens die de ruis regeren, hoewel de auteurs opmerken dat deze aannames in de praktijk mogelijk niet exact gelden.

Belangrijkste Bijdragen

Het artikel levert drie primaire bijdragen:

Formalisatie van Tijdsafhankelijkheid: De auteurs bieden een theoretisch kader dat aantoont hoe niet-stationaire ruis in quantumprocessors de uitwisselbaarheid van conformiteitscores ongeldig maakt, waardoor standaard conformale garanties worden ondermijnd.
Adaptief Algoritme (AQCP): Zij introduceren AQCP, een algoritme dat online herkaling gebruikt om niet-stationaire ruis te verwerken. Het is ontworpen om te werken met scorefuncties die opereren op steekproeven uit impliciete waarschijnlijkheidsverdelingen (quantum shots).
Uitgebreide Hardware-evaluatie: De studie voert uitgebreide experimenten uit op de IBM Quantum Processor (ibm_sherbrooke) en een klassieke simulator. Het analyseert de geldigheid en efficiëntie van AQCP, vergelijkt diverse scorefuncties en toont aan dat AQCP doeldekkingniveaus behoudt met grotere stabiliteit dan standaard QCP.

Experimentele Resultaten

De experimenten werden uitgevoerd op een univariate multimodale regressietaken, waarbij de opzet van Park & Simeone (2023) werd gerepliceerd.

Stabiliteit van Dekking: Met behulp van data van de IBM-quantumprocessor vergeleken de auteurs AQCP (met stapgrootte $\gamma = 0,03$ $γ = 0, 03$ ) met "online QCP" (equivalent aan AQCP met $\gamma = 0$ $γ = 0$ , d.w.z. geen feedbackaanpassing).
- Online QCP vertoonde aanzienlijke afwijkingen van de doeldekking (bijvoorbeeld overdekking gevolgd door onderdekking) en slaagde er niet in om het nominale niveau van 90% consequent te handhaven.
- AQCP toonde robuuste stabiliteit en hield consistent de gemiddelde dekking dicht bij het doel van 90% over alle geteste scorefuncties (k-NN, Euclidisch, KDE, HDR).
Efficiëntie (Setgrootte): Met behulp van een klassieke simulator (FakeQuitoV2) om de effecten van het aantal shots en scorefuncties te isoleren:
- KDE- en HDR-scorefuncties produceerden de kleinste gemiddelde voorspellingssetgroottes, vooral naarmate het aantal shots ( $M$ ) toenam.
- Euclidische en 1-NN-scorefuncties resulteerden in aanzienlijk grotere voorspellingssets (1,5–2 keer groter bij $M=1000$ ) in vergelijking met HDR, ondanks het bereiken van dezelfde dekking.
- Alle methoden bereikten de doeldekking, maar de keuze van de scorefunctie had een aanzienlijke impact op de efficiëntie (grootte) van de voorspellingssets.

Betekenis en Aanspraken

Het artikel beweert dat AQCP een betrouwbare representatie van onzekerheid biedt voor QML-modellen onder willekeurige hardware-ruisomstandigheden, een kritieke vereiste voor de vertrouwenswaardige inzet van quantumalgoritmen.

De auteurs zijn bescheiden in hun aanspraken en erkennen dat:

De theoretische garanties asymptotisch zijn in plaats van voor eindige steekproeven (behalve onder specifieke, mogelijk restrictieve aannames).
- De empirische evaluatie van robuustheid is gebaseerd op data verzameld over één dag, wat betekent dat het langdurige drift of gestructureerde verstoringen niet volledig karakteriseert.
- De methode is inherent sequentieel, vereist dat de ware respons wordt onthuld voordat de volgende voorspelling wordt gedaan, wat de directe toepasbaarheid beperkt tot batchvoorspellingsomgevingen.

Ondanks deze beperkingen stelt het werk vast dat adaptieve herkaling noodzakelijk is om geldigheid te handhaven in aanwezigheid van niet-stationaire quantumruis, en biedt het een praktische weg voor kwantificering van onzekerheid in huidige NISQ-tijdperk-toepassingen.