🤖 machine learning

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

Dit artikel introduceert Conformalized Quantum DeepONet Ensembles, een raamwerk dat gebruikmaakt van Quantum Orthogonal Neural Networks en Superposed Parameterized Quantum Circuits om schaalbaar operatorleren te realiseren met lineaire inferentiecomplexiteit en rigoureuze, distributie-vrije onzekerheidskwantificering voor veiligheidskritieke toepassingen.

Oorspronkelijke auteurs: Purav Matlia, Christian Moya, Guang Lin

Gepubliceerd 2026-05-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Purav Matlia, Christian Moya, Guang Lin

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 te voorspellen hoe een complexe machine, zoals een elektriciteitsnet of een weersysteem, zich in de toekomst zal gedragen. Wetenschappers gebruiken hiervoor meestal enorme computersimulaties, maar die zijn traag en duur. Om het tempo te verhogen bouwen onderzoekers "surrogaatmodellen" – slimme AI-afkortingen die de regels van de machine leren en de toekomst bijna direct kunnen voorspellen.

Echter, deze AI-afkortingen hebben twee grote problemen:

Ze worden te snel te traag: Naarmate de details fijner worden, explodeert de rekenarbeid, net als het proberen om elke zandkorrel op een strand één voor één te tellen.
Ze zijn te zelfverzekerd: Ze geven je een antwoord, maar kunnen niet vertellen hoe groot de kans is dat ze fout zijn. In veiligheidskritieke situaties (zoals het voorkomen van een crash van een elektriciteitsnet) is het niet kennen van het risico gevaarlijk.

Dit artikel introduceert een nieuwe oplossing genaamd Gekwalificeerde Quantum DeepONet Ensembles. Denk hierbij aan een "super-opgevoerde, zelfcontrolerende voorspellingsteam" dat de vreemde wetten van de kwantumfysica gebruikt om deze problemen op te lossen.

Hieronder wordt uitgelegd hoe het werkt, opgesplitst in eenvoudige concepten:

1. De Kwantumsnelheid (De "Magische Lens")

Traditionele AI-modellen zijn als een bibliothecaris die elke enkele gang van een enorme bibliotheek moet aflopen om een boek te vinden. Naarmate de bibliotheek groeit, groeit de tijd die dit kost exponentieel (kwadratisch).

De auteurs gebruiken een Quantum DeepONet, wat neerkomt op het geven van een "magische lens" aan die bibliothecaris. In plaats van gangen één voor één af te lopen, kan de kwantumlens de hele bibliotheek in één keer bekijken. Dit verandert de snelheid van "elke gang aflopen" naar "een blik werpen op de hele ruimte", waardoor de voorspellingen veel sneller en schaalbaar worden, zelfs voor zeer gedetailleerde simulaties.

2. Het Voorspellingsteam (De "Ensemble")

Zelfs met een snel kwantummodel kan een enkele AI nog steeds fout zijn of onzeker zijn. Om dit op te lossen gebruiken de onderzoekers niet slechts één model; ze gebruiken een team van modellen (een ensemble).

De Analogie: Stel je voor dat je 10 verschillende experts vraagt om het weer te voorspellen. Als ze het allemaal met elkaar eens zijn, ben je zelfverzekerd. Als ze wild van mening verschillen, weet je dat er onzekerheid is.
Het Probleem: Normaal gesproken vereist het draaien van 10 verschillende kwantummodellen 10 keer de kwantumhardware (qubits), wat met de huidige technologie onmogelijk is. Het is alsof je probeert 10 aparte supercomputers in je garage te bouwen.

3. De "Superpositie"-truc (Het "Geestteam")

Dit is de slimste truc van het artikel. In plaats van 10 aparte kwantumcomputers te bouwen, gebruiken ze iets genaamd Gesuperponeerde Geparametriseerde Kwantumkringen (SPQCs).

De Analogie: Stel je voor dat je een enkele, magische munt hebt. In plaats van deze 10 keer te gooien om 10 resultaten te krijgen, gooi je hem één keer, en vanwege kwantummagie (superpositie) landt hij tegelijkertijd op "Kop" en "Munt" (en alle variaties daartussen).
Het Resultaat: Ze kunnen alle 10 "experts" (modellen) binnen één enkele kwantumkring tegelijkertijd draaien. Dit bespaart enorme hoeveelheden hardwarebronnen terwijl ze toch profiteren van een divers team van voorspellers.

4. Het Veiligheidsnet (De "Gekwalificeerde Garantie")

Een team van experts hebben is geweldig, maar hoe weet je of het bereik van hun antwoorden betrouwbaar is? Het artikel voegt een laag toe genaamd Gekwalificeerde Voorspelling.

De Analogie: Stel je voor dat het team van experts je een voorspelling geeft. De gekwalificeerde methode fungeert als een "veiligheidsinspecteur" die kijkt naar eerdere fouten. Het zegt: "Op basis van hoe we het in het verleden hebben gedaan, kan ik met 90% zekerheid garanderen dat het echte antwoord binnen dit specifieke bereik valt."
Het Voordeel: Dit geeft een wiskundig rigoureuze "veiligheidsbuis" rond de voorspelling. Het raadt niet alleen; het vertelt je precies hoe breed de foutmarge is, zonder dat er aangenomen hoeft te worden dat de data een specifiek patroon volgt (distributie-vrij).

5. De Hybride Aanpak (Het "Beste van Beide Werelden")

De onderzoekers realiseerden zich dat sommige delen van de berekening op kwantumcomputers ruis vertonen, terwijl andere delen prima zijn.

De Strategie: Ze bouwden een Hybride systeem. Ze laten de klassieke (gewone) computer de delen afhandelen die makkelijk zijn en geen kwantumsnelheid nodig hebben, en ze gebruiken alleen de kwantum "magische lens" voor het zware werk.
Het Resultaat: Hierdoor wordt de "ruis" (fouten) uit de kwantumdelen die niet nodig zijn verwijderd, waardoor de uiteindelijke voorspelling schoner en nauwkeuriger wordt.

Wat Bewezen Ze?

De auteurs testten dit systeem op twee soorten uitdagingen:

Fake Wiskundige Problemen: Ze losten complexe vergelijkingen op (zoals hoe warmte beweegt of hoe golven zich voortplanten) om te bewijzen dat de wiskunde werkt.
Echte Elektrische Netten: Ze testten het op real-world data van elektrische energienetten.

De Resultaten:

Het systeem was nauwkeurig.
De "veiligheidsbuizen" (onzekerheidsbereiken) waren betrouwbaar en haalden hun doeldekking (bijvoorbeeld 90% van de tijd goed zitten), zelfs wanneer de kwantumcomputer "ruis" vertoonde (onvolmaakt was).
De "Superpositie"-truc werkte: ze kregen de voordelen van een groot team van modellen zonder 10 keer de hardware nodig te hebben.

Samenvatting

Dit artikel presenteert een nieuwe manier om AI te bouwen voor complexe fysieke systemen. Het combineert kwantumsnelheid (om grote data te verwerken), teamgebaseerde voorspelling (om onzekerheid te begrijpen) en een wiskundig veiligheidsnet (om betrouwbaarheid te garanderen). Het lost het probleem op dat kwantumcomputers te klein zijn om grote teams van modellen te draaien door gebruik te maken van een "geestteam"-truc, waardoor het mogelijk wordt om snelle, veilige en betrouwbare voorspellingen te doen voor zaken zoals elektriciteitsnetten.

1. Probleemstelling

Het artikel behandelt twee fundamentele beperkingen in het huidige neurale operatorleren (specifiek DeepONets) voor hoogdimensionale dynamische systemen, zoals elektriciteitsnetten en partiële differentiaalvergelijkingen (PDV's):

Schalingsknelpunt: Klassieke DeepONets vertrouwen op dichte neurale lagen met een rekencomplexiteit van $O(n^2)$ . Deze kwadratische schaling maakt ze onhaalbaar voor veiligheidskritieke toepassingen die fijne discretisaties en massale Monte Carlo-evaluaties vereisen (bijv. $10^4$ tijdstappen).
Onbetrouwbare Kwantificering van Onzekerheid (UQ): Veiligheidskritieke implementaties vereisen rigoureuze onzekerheidsschattingen. Standaardmethoden zoals Bayesiaanse Neurale Netwerken of Monte Carlo-dropout missen distributie-vrije garanties. Hoewel conformale voorspelling dergelijke garanties biedt, is de toepassing ervan op kwantummodellen uitdagend omdat:
- Naïeve kwantumensembles (het uitvoeren van $L$ modellen parallel) de qubit-eisen lineair laten toenemen ( $O(L \cdot n)$ ), wat een hardwareknelpunt creëert.
- Het vertrouwen uitsluitend op kwantummeetruis voor onzekerheid ontoereikend is, aangezien dit hardware-ruis vastlegt in plaats van ware epistemische onzekerheid (modeldiversiteit).

2. Methodologie

De auteurs stellen Conformalized Quantum DeepONet Ensembles voor, een raamwerk dat schaalbare kwantum-inferentie, hulpbronnen-efficiënt ensemblevorming en rigoureuze onzekerheidskalibratie integreert.

A. Schaalbare Kwantum Operator Inferentie

Kwantum Orthogonale Neurale Netwerken (QOrthoNNs): De kernarchitectuur vervangt klassieke dichte lagen met geparametriseerde kwantumkringen (PQCs) die Reconfigurable Beam Splitter (RBS)-poorten gebruiken.
Complexiteitsreductie: Door te opereren in de unary-ruimte en RBS-poorten te gebruiken, wordt de inferentiecomplexiteit gereduceerd van $O(n^2)$ naar $\tilde{O}(n)$ .
Trainingsstrategie: Om hardware-ruis tijdens het trainen te vermijden, wordt het model klassiek getraind. De kwantumoperaties zijn wiskundig equivalent aan exacte klassieke orthogonale transformaties. De optimalisatie vindt plaats in de ruimte van rotatiehoeken ( $\theta$ ), wat strikte orthogonaliteit garandeert en barre plateaus vermijdt, voordat het wordt ingezet op kwantumhardware voor inferentie.

B. Hulpbronnen-efficiënte Ensemblevorming

Om epistemische onzekerheid vast te leggen zonder de qubit-eisen lineair te laten toenemen, hanteren de auteurs twee strategieën:

Hybride Klassiek-Kwantum Architectuur: De DeepONet bestaat uit een "Branch"-netwerk (verwerkt invoerfuncties, één keer per scenario geëvalueerd) en een "Trunk"-netwerk (verwerkt query-coördinaten, $M$ $M$ keer geëvalueerd).
- De Branch wordt vervangen door een klassiek dicht netwerk. Omdat deze slechts één keer wordt geëvalueerd, worden de $O(n^2)$ -kosten afgeschreven en wordt de dominante kwantumruisbron geëlimineerd.
- De Trunk blijft kwantum om de $\tilde{O}(n)$ -snelheidswinst voor frequent uitgevoerde evaluaties te behouden.
Gesuperponeerde Geparametriseerde Kwantumkringen (SPQCs): In plaats van $L$ $L$ ensembleleden parallel uit te voeren (wat $L \times n$ $L \times n$ qubits vereist), coderen SPQCs alle $L$ $L$ modellen in één enkele kring.
- Met behulp van adresqubits in een uniforme superpositie, voert de kring staatsvoorbereiding, unitaire evolutie en meting exact één keer uit voor het hele ensemble.
- Dit reduceert de qubit-eisen tot $n + 1 + \lceil \log_2(L) \rceil$ , wat schaalbare ensemble-uitvoering mogelijk maakt.

C. Distributie-vrije Kwantificering van Onzekerheid

Adaptieve Conformale Voorspelling: Het raamwerk combineert de epistemische onzekerheid van het ensemble (standaardafwijking van voorspellingen) met conformale voorspelling.
Kalibratie: Een niet-conformiteitscore wordt berekend als de absolute fout genormaliseerd door de lokale ensemble-standaardafwijking. Een empirisch kwantiel ( $\hat{q}$ ) wordt afgeleid uit een kalibratieset.
Garantie: Dit levert voorspellingssets $C_\alpha(u, y)$ op met een strikte, distributie-vrije garantie dat de ware waarde binnen de set valt met waarschijnlijkheid $1-\alpha, mits uitwisselbaarheid van de data geldt.

3. Belangrijkste Bijdragen

Schaalbare Kwantum Inferentie: Aangetoond dat de complexiteit van operatorinferentie kan worden gereduceerd van $O(n^2)$ naar $\tilde{O}(n)$ met QOrthoNNs, wat fijne discretisatie mogelijk maakt.
Hulpbronnen-efficiënte Ensemblevorming: Geïntroduceerd een hybride architectuur en SPQCs om ensemble-uitvoering te comprimeren, waardoor het lineaire qubit-schalingsprobleem inherent aan parallelle kwantumensembles wordt opgelost.
Rigoureuze UQ: Geïntegreerde adaptieve conformale voorspelling met kwantumensembles om wiskundig gegarandeerde, distributie-vrije onzekerheidsmarges te bieden.
Robuste Evaluatie: Het raamwerk gevalideerd onder realistische kwantumruismodellen (depolariserend, uitleesfouten, thermische relaxatie) op synthetische PDV's en real-world dynamiek van elektriciteitsystemen.

4. Experimentele Resultaten

Het raamwerk werd geëvalueerd op synthetische benchmarks (Antiderivatie, Advectievergelijkingen) en real-world datasets van elektriciteitsystemen (Spanning-naar-Spanning, Spanning-naar-Vermogen).

Synthetische Benchmarks:
- Bereikte lage relatieve $L_2$ -fouten (bijv. 0,46% voor Antiderivatie, 2,28% voor Advectie).
- Behield empirische dekking dicht bij de doelstelling van 90% (bijv. 92,13% en 88,99%) onder ideale simulatie.
- Ruisbestendigheid: Onder realistische ruismodellen (IBM Brisbane, Torino, Marrakesh) behield het conformale raamwerk een dekking $\ge 90\%$ , wat robuustheid tegen hardware-drift bewijst.
Real-world Elektrische Systemen:
- Slaagde in het afhandelen van offline (post-mortem analyse) en online (real-time voorspelling) taken.
- Online Spanningsvoorspelling: Bereikte 90,11% dekking ondanks het schenden van de uitwisselbaarheidsaanname (vanwege temporele afhankelijkheden), dienend als een rigoureuze stress-test.
Architectuurvergelijkingen:
- Hybride vs. Volledig Kwantum: De Hybride configuratie (Klassieke Branch + Kwantum Trunk) presteerde significant beter dan volledig kwantumopstellingen in nauwkeurigheid en onzekerheidsbreedte door het ruizige branch-knelpunt te elimineren.
- SPQC vs. Naïeve Parallelisme: SPQCs kwamen overeen met de voorspellende nauwkeurigheid en onzekerheidskalibratie van standaardensembles terwijl het qubit-gebruik drastisch werd gereduceerd (bijv. 7 qubits versus 20 qubits voor een ensemble van 4 leden).

5. Betekenis en Vooruitzicht

Praktisch Traject: Dit werk vestigt een haalbaar pad voor het inzetten van kwantum-machinelearning in veiligheidskritieke infrastructuur door de dubbele problemen van schaalbaarheid en betrouwbaarheid op te lossen.
Hulpbronnen-efficiëntie: De SPQC-aanpak verandert fundamenteel de hulpbron-schaling van kwantumensembles van lineair naar logaritmisch in termen van qubits, waardoor grootschalige onzekerheidskwalificatie haalbaar wordt op hardware op korte termijn.
Toekomstige Richtingen: De auteurs merken op dat hoewel huidige garanties afhankelijk zijn van data-uitwisselbaarheid, toekomstig werk zich moet richten op niet-uitwisselbare streamende data (bijv. via sequentiële conformale voorspelling). Bovendien verdient de abnormale observatie dat ruis soms de onzekerheidsmarges in ondiepe kringen verbeterde, nader onderzoek naar "ruis-geïnduceerde regularisatie".

Kort samengevat presenteert het artikel een unificerend raamwerk dat kwantumversnellingen benut voor operatorleren, terwijl het klassiek-compliant ensemblevorming en conformale voorspelling gebruikt om de rigoureuze veiligheidsgaranties te waarborgen die nodig zijn voor real-world implementatie.