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

Dit artikel toont de haalbaarheid van hybride quantum-klassieke machine learning voor multi-output tijdreeksvoorspelling op nutsbedrijfschaal aan door twee frameworks, gekerneliseerde quantum reservoir computing en geprojecteerde quantum-kernel gaussische processen, te evalueren op een dataset van 103 huishoudens met slimme meters met gebruikmaking van de IBM Marrakesh quantumprocessor, waarbij beide modellen aanzienlijke foutreducties bereikten ten opzichte van klassieke basismodellen op simulators en concurrerende prestaties behielden op NISQ-hardware.

De kern

Stel je voor dat je probeert te voorspellen hoeveel elektriciteit 100 verschillende gezinnen in de komende uren zullen verbruiken. Het gaat hier niet alleen om gokken; het gaat om het opsporen van patronen in een chaotische dans van cijfers. Sommige gezinnen gebruiken meer stroom als het koud is, anderen wanneer ze televisie kijken, en hun gewoonten spiegelen elkaar vaak.

Dit artikel gaat over een team van onderzoekers dat probeert deze puzzel op te lossen met een nieuw type computer: een hybride quantum-klassieke machine. Denk hierbij aan een team waar een supersnelle, futuristische "quantumhersenen" het zware werk doet van het opsporen van complexe patronen, terwijl een standaard "klassieke hersenen" (zoals de laptop die je vandaag gebruikt) de uiteindelijke berekeningen en besluitvorming verzorgt.

Hier volgt een uiteenzetting van hun twee belangrijkste experimenten, eenvoudig uitgelegd:

De Uitdaging: De "Ruizige" Quantumcomputer

De onderzoekers hadden geen perfecte, futuristische quantumcomputer. Ze gebruikten een echte, huidige generatie (een NISQ-apparaat) die zich in een laboratorium bevond. Denk aan deze computer als een briljante maar licht afgeleide muzikant. Hij kan ongelooflijk complexe muziek spelen (moeilijke wiskundige problemen oplossen), maar wordt afgeleid door ruis (hardwarefouten) en slaat af en toe een verkeerde noot. Het doel was om te zien of deze "afgeleide muzikant" nog steeds kon helpen bij het voorspellen van elektriciteitsverbruik beter dan een standaardcomputer.

Experiment 1: De "Echo-kamer" (KQRC-RM)

De Analogie: Stel je een grote, echoënde grot voor (de "Reservoir"). Je schreeuwt een geluid in de grot (de elektriciteitsdata), en het geluid kaatst rond, vermengd met echo's van eerdere geluiden. De manier waarop het geluid tot rust komt, vertelt je iets over de vorm van de grot.

• Hoe het werkt: Ze voerden elektriciteitsdata in een quantum-"grot" in. Terwijl de data rondkaatste binnen het quantum-systeem, creëerde het een complex patroon van echo's. Vervolgens "luisterden" ze herhaaldelijk naar deze echo's (Repeated Measurement) om te achterhalen hoe het toekomstige elektriciteitsverbruik eruit zou zien.
• Het Resultaat:
  • In de Simulator (De Perfecte Grot): Toen ze dit draaiden op een perfecte computersimulatie, was het verbazingwekkend. Het voorspelde het toekomstige verbruik met 37% minder fout dan de beste standaardcomputermethode.
  • Op Echte Hardware (De Ruizige Grot): Toen ze het draaiden op de daadwerkelijke quantumcomputer, kwam de "ruis" in de weg. De voorspellingen werden slechter, en de fout nam zelfs toe ten opzichte van de standaardcomputer.
  • De Conclusie: Het idee van de "Echo-kamer" werkt geweldig in theorie, maar op dit moment is de echte quantumhardware te ruizig om het voor deze specifieke taak beter te laten presteren dan een standaardcomputer.

Experiment 2: De "Lokale Buurtpreventie" (Projected Quantum Kernel Gaussian Process)

De Analogie: Stel je voor dat je het weer in een hele stad probeert te voorspellen. In plaats van te proberen de hele atmosfeer tegelijk te meten (wat moeilijk is en vatbaar voor fouten), kijk je alleen naar kleine, lokale buurten. Als de lokale buurt zonnig is, ga je ervan uit dat de hele stad waarschijnlijk zonnig is. Dit is "lokaal" en "robuust".

• Hoe het werkt: Dit model is ontworpen om "ruisbestendig" te zijn. In plaats van naar de volledige quantumtoestand te kijken (die kwetsbaar is), kijkt het alleen naar kleine, lokale stukjes informatie (zoals het controleren van slechts een paar qubits tegelijk). Het gebruikt vervolgens een "Gaussian Process" (een slim statistisch hulpmiddel) om de toekomst te voorspellen op basis van deze lokale aanwijzingen.
• Het Resultaat:
  • In de Simulator: Het was een groot succes, met een reductie van voorspellingsfouten met 62% ten opzichte van standaardmethoden.
  • Op Echte Hardware: Zelfs met de ruizige quantumcomputer versloeg het nog steeds de standaardcomputer met 40%.
  • De Grote Test (100 Gezinnen): Ze probeerden dit op grote schaal, voorspellend voor 100 gezinnen tegelijk met behulp van 100 quantum-"bits" (qubits).
    • 49% van de gezinnen werd voorspeld met zeer hoge nauwkeurigheid (lage fout).
    • 31% bevond zich in een "gemiddeld" nauwkeurigheidsbereik.
    • 20% had hoge fouten.
  • Waarom de fouten? De onderzoekers ontdekten dat de 20% die slechte voorspellingen kreeg, was toegewezen aan de "ruizigste" delen van de quantumchip (zoals qubits die moe zijn of een korte aandachtsspanne hebben). Als ze de gezinnen hadden toegewezen aan de "gezondste" delen van de chip, zouden de resultaten waarschijnlijk nog beter zijn geweest.

De Conclusie

Het artikel beweert dat:

1. Het mogelijk is: We kunnen nu deze complexe, multi-gezins elektriciteitsvoorspellingen draaien op echte quantumcomputers met meer dan 100 qubits.
2. Het veelbelovend maar imperfect is: De "Lokale Buurtpreventie"-methode (Experiment 2) is de winnaar. Het is robuust genoeg om de ruis van huidige hardware te hanteren en verslaat nog steeds standaardcomputers.
3. Hardware belangrijk is: De kwaliteit van de voorspelling hangt sterk af van welk deel van de quantumchip je gebruikt. Als de chip op een specifieke plek ruizig is, zullen de voorspellingen voor die plek slecht zijn.

Kortom: De onderzoekers bewezen dat een hybride team (Quantum + Klassiek) elektriciteitsverbruik beter kan voorspellen dan een klassiek team alleen, zelfs op de imperfecte quantumcomputers van vandaag. De "perfecte" quantumvoordeel wacht echter nog steeds tot de hardware iets stiller en betrouwbaarder wordt.

Technische samenvatting

Technische Samenvatting: Hybride Quantum-Klassieke Machine Learning voor Meervoudige Output Tijdreeksvoorspelling

Probleemstelling
Accurate meervoudige output tijdreeksvoorspelling is cruciaal voor de betrouwbare werking van moderne energiesystemen, waaronder lastbalancering en integratie van hernieuwbare energie. Het voorspellen van elektriciteitsvraag is echter uitdagend vanwege niet-lineaire dynamica, multi-schaal seizoensinvloeden en sterke afhankelijkheden tussen gecorreleerde reeksen. Klassieke statistische modellen (bijv. ARIMA) hebben vaak moeite met deze niet-lineariteiten, terwijl flexibele machine learning-benaderingen doorgaans aanzienlijke hoeveelheden data en rekenkracht vereisen. Hoewel quantum machine learning (QML) potentie biedt door expressieve niet-lineaire functiemaps en reservoirdynamica, worden praktische toepassingen op huidige Noisy Intermediate-Scale Quantum (NISQ) apparaten beperkt door een beperkt aantal qubits, ondiepe circuits en hardware-ruis. Dit artikel behandelt de haalbaarheid van hybride quantum-klassieke kaders voor meervoudige stroomenergievoorspelling op de schaal van 100+ qubits onder deze realistische beperkingen.

Methodologie
De auteurs onderzoeken twee verschillende hybride quantum-klassieke kaders met behulp van een real Smart Meter-dataset bestaande uit 103 tijdreeksen van huishoudelijk elektriciteitsverbruik. Experimenten werden uitgevoerd op zowel een Matrix Product State (MPS)-simulator als de ibm_marrakesh supergeleidende quantumprocessor.

1. Gekernelde Quantum Reservoir Computing met Herhaalde Meting (KQRC-RM):

   • Architectuur: Dit model breidt Quantum Reservoir Computing (QRC) uit naar meerdere gecorreleerde tijdreeksen. Het maakt gebruik van gekoppelde quantum-reservoirs waarbij elke tijdreeks wordt gemapt naar een systeemregister gepaard met een ancilla-register.
   • Dynamica: Invoergegevens worden gecodeerd via geparametriseerde unitaire transformaties. Verstrengelende poorten verspreiden informatie zowel binnen individuele stromen als tussen naburige stromen om kruiscorrelaties te modelleren.
   • Uitlezing: Het kader maakt gebruik van ancilla-ondersteunde herhaalde metingen. Alleen ancilla-qubits worden op elk tijdstip gemeten, terwijl systeemqubits coherentie behouden om geheugen te dragen. De resulterende kansverdelingen vormen kenmerkvectoren.
   • Regressie: Een gekernelde uitlezing (RBF-kernel gevolgd door ridge-regressie) wordt getraind op deze quantum-kenmerken om toekomstige waarden te voorspellen.
   • Schaal: De experimenten maakten gebruik van 114 qubits (15 systeem + 15 ancilla per stroom voor 3 gelijktijdige stromen).

2. Geprojecteerde Quantum Kernel Gaussisch Proces (QGP):

   • Architectuur: Een Bayesiaans alternatief dat fideliteit-gebaseerde quantum-kernels vervangt door geprojecteerde kernels die zijn opgebouwd uit lokale gereduceerde-staatstatistieken. Deze benadering vermijdt diepe compute-uncompute-circuits en vermindert de gevoeligheid voor ruis.
   • Kernelconstructie: De gelijkenis tussen invoer wordt bepaald door lokale gereduceerde dichtheidsmatrices (specifiek 2-lichaams subsets) te vergelijken in plaats van globale staatsoverlappen.
   • Regressie: Een meervoudige output Gaussisch Proces (GP) gebruikt deze geprojecteerde kernels om meerdere tijdreeksen simultaan te voorspellen, waarbij voorspellende onzekerheid wordt geboden.
   • Schaal: Dit kader is hardware-efficiënter en schaalt lineair met het aantal tijdreeksen. Experimenten varieerden van subsets van 5 klanten tot een utility-schaal experiment met 100 qubits (één qubit per klant).

Belangrijkste Resultaten

• Theoretische Diagnostiek: Analyse van het geometrische verschil ($g_{CQ}$) en modelcomplexiteit ($\kappa$) gaf aan dat de Smart Meter-dataset tekenen vertoont die consistent zijn met een regime waarin quantum-modellen toegang kunnen krijgen tot functieruimten die verschillen van klassieke baselines, met name naarmate de datasetgrootte toeneemt.
• KQRC-RM Prestaties:
  • Op de MPS-simulator bereikte het model een MAE van 0,0811 voor een 3-stroom input/output, wat een verbetering van 36,92% betekent ten opzichte van zijn klassieke analogon (ESN-KRR).
  • Op hardware degradeerde de prestatie tot een MAE van 0,1524 door poortruis en decoherentie, hoewel het model nog steeds de dominante temporele trends vastlegde.
• QGP Prestaties:
  • Kleine Schaal: Op een subset van 5 klanten bereikte de QGP een MAE van 0,16 op de simulator en 0,24 op hardware. Dit komt overeen met een reductie van 62,01% in MAE op de simulator en 40,37% op hardware vergeleken met een klassieke meervoudige output GP-baseline.
  • Utility-Schaal (100 Qubits): In het grootschalige experiment behaalde 49% van de klanten voorspellingen met hoge nauwkeurigheid (MAE < 0,15), en 80% viel binnen regimes met lage of middelhoge fouten.
  • Hardware-correlatie: De verdeling van de nauwkeurigheid correleerde direct met het ruislandschap van de fysieke hardware. Klanten die waren toegewezen aan qubits met langere $T_2$-coherentietijden en lagere CZ-poortfouten, vielen consequent in de laag-fouten categorie, terwijl diegenen die waren toegewezen aan verslechterde regio's (bijv. qubits in het midden van de keten) bijdroegen aan het regime met hoge fouten.

Betekenis en Claims
Het artikel claimt de haalbaarheid aan te tonen van hybride quantum machine learning voor meervoudige input, meervoudige output tijdreeksvoorspelling op de schaal van 100+ qubits op NISQ-apparaten.

• Empirische Haalbaarheid: De resultaten tonen aan dat zowel KQRC-RM als QGP operationeel blijven onder realistische ruisbeperkingen, en vraagpatronen vastleggen voor het merendeel van de klanten, zelfs op huidige hardware.
• Schaalbaarheid en Efficiëntie: De studie benadrukt een afweging: KQRC-RM is effectief voor het vastleggen van complexe dynamica maar is hulpbronnenintensief, terwijl QGP een meer schaalbaar, hardware-efficiënt alternatief biedt dat geschikt is voor grotere aantallen tijdreeksen met kleinere trainingsdatasets.
• Hardware-bewustzijn: Het utility-schaal experiment onderstreept het belang van topologie-bewuste optimalisatie en qubit-selectie, en toont aan dat de kwaliteit van voorspellingen sterk afhankelijk is van de specifieke fysieke kenmerken van de gebruikte quantumprocessor.

De auteurs concluderen dat hoewel deze bevindingen een significante stap voorwaarts betekenen naar praktische quantum-ondersteunde voorspelling, ze primair moeten worden geïnterpreteerd als een empirische haalbaarheidsstudie. Het werk claimt geen definitief "quantum-voordeel" ten opzichte van alle klassieke methoden in alle situaties, maar stelt vast dat hybride quantum-modellen specifieke klassieke baselines kunnen overtreffen in gestructureerde energievoorspellingstaken onder NISQ-beperkingen.