Digital Quantum Reservoir Computing for ATM Time Series Prediction

Dit artikel onderzoekt een digitaal quantum reservoir computing-framework voor het voorspellen van de contante geldvraag bij geldautomaten op nabije quantumhardware, waarbij wordt vastgesteld dat hoewel het de klassieke benchmarks in standaard foutmetrieken niet overtreft, het concurrerende prestaties vertoont in het vastleggen van temporele structuren via Dynamic Time Warping.

De kern

Stel je voor dat je probeert te raden hoeveel contant geld een geldautomaat de komende 10 dagen nodig zal hebben. Dit is niet zomaar een simpel wiskundig probleem; de data is rommelig, vol met wekelijkse ritmes, feestdagpieken en willekeurige verrassingen.

Dit artikel is een experiment om te zien of een nieuw type "brein gemaakt van kwantumfysica" dit gokspelletje beter kan spelen dan de beste standaard computerprogramma's die we vandaag de dag hebben.

Hier is de opbouw van hun experiment, eenvoudig uitgelegd:

1. De Opstelling: Een Kwantum "Echo Chamber"

Beschouw het Quantum Reservoir Computing (QRC) systeem dat ze hebben gebouwd als een complexe, hoogtechnologische echo chamber (galmkamer).

• De Input: Je voert de machine een getal (hoeveel contant geld er vandaag is opgenomen).
• De Echo Chamber (Het Reservoir): In plaats van een simpele rekenmachine, is dit een kleine kwantumcircuit met slechts vier qubits (kwantumbits). Het is als een klein, verstrengeld web van snaren. Wanneer je het een getal voert, trilt het web op een complexe, chaotische manier.
• Het Geheugen: Sommige delen van het web worden na elk getal "gerest," maar twee delen worden met rust gelaten om het verleden te onthouden. Dit is als een kortetermijngeheugen dat de gegevens van de laatste paar dagen vasthoudt.
• De Output: Nadat het web heeft getrild, nemen de onderzoekers een "snapshot" (een meting) van de kwantumtoestand. Ze veranderen deze snapshot in een lijst met getallen (kenmerken/features) en voeren deze aan een zeer eenvoudig, standaard computerprogramma (een lineair regressiemodel) om de uiteindelijke gok te doen.

2. Het Experiment: Testen van Verschillende "Vormen"

De onderzoekers probeerden de beste vorm voor deze echo chamber te vinden. Ze testten twee hoofdontwerpen:

• Het "Baseline" Ontwerp: Een standaard, rechttoe-rechtaan manier om de kwantumsnaren met elkaar te verbinden.
• Het "MERA" Ontwerp: Een complexere, hiërarchische structuur (zoals een fractale boom) die probeert patronen op verschillende niveaus van detailniveau vast te leggen.

Ze testten ook twee manieren om de echo chamber te "lezen":

• Simpele Lezing: Alleen kijken naar de individuele snaren.
• Geavanceerde Lezing: Kijken naar hoe de snaren met elkaar interageren (correlaties). Ze ontdekten dat het kijken naar de interacties de computer meer informatie gaf.

3. De Test: Echte ATM-data

Ze gebruikten drie jaar aan echte opnamegegevens van 13 verschillende geldautomaten in Italië. Het doel was om de contante vraag van de volgende 10 dagen te voorspellen.

• De Tegenstander: Ze vergeleken hun kwantumsysteem met Prophet, een beroemde, hooggeoptimaliseerde software die overal in het bedrijfsleven wordt gebruikt voor tijdreeksvoorspellingen. Zie Prophet als een ervaren, veteraan weervoorspeller.
• De Omstandigheden: Ze voerden de test uit in drie omgevingen:
  1. Perfecte Simulatie: Een computer die doet alsof hij een perfecte kwantummachine is (geen fouten).
  2. Ruisende Simulatie: Een computer die doet alsof hij een kwantummachine is die fouten maakt (zoals een echte).
  3. Echte Hardware: Ze draaiden de code daadwerkelijk op een echte kwantumprocessor (de IQM Spark) in een laboratorium.

4. De Resultaten: Wie Won?

De resultaten waren een mix van "nog niet helemaal zover" en "interessant potentieel."

• De Scorekaart (Nauwkeurigheid): Wat betreft de ruwe getallen (hoe dicht de gok bij het werkelijke bedrag lag), won de Prophet software bijna elke keer. De kwantummodellen maakten grotere fouten.
• De Vorm (Timing): Echter, wanneer ze naar de vorm van de grafiek keken (ging de kwantummodellen wel op de juiste momenten omhoog en omlaag, zelfs als de getallen iets afweken?), deden de kwantummodellen het verrassend goed. In sommige gevallen volgden ze het "ritme" van de data beter dan de klassieke software, vooral bij gebruik van de "Geavanceerde Lezing"-methode.
• De Ruis-verrassing: Hier is het meest contra-intuïtieve deel. Meestal is ruis (fouten) slecht. Maar in dit experiment presteerde de echte kwantumhardware (die ruisig is) in sommige gevallen juist beter dan de perfecte simulatie. Het is alsof de "statische ruis" op de radio de kwantuminstallatie hielp om het signaal beter te horen. De ruis leek een nuttige laag van complexiteit toe te voegen die het eenvoudige computermodel niet kon nabootsen.

5. De Conclusie

Het artikel concludeert dat hoewel deze specifieke kwantumopstelling niet de beste klassieke methoden versloeg in het voorspellen van exacte bedragen, het bewees dat:

1. Kwantumsystemen het "ritme" en de "vorm" van tijdreeksgegevens kunnen vastleggen.
2. Het gebruik van een "ruisige" echte kwantumcomputer soms een voordeel kan zijn, in plaats van een nadeel.
3. De technologie zich nog in haar "infancy" (de NISQ-fase) bevindt. Het is als een peuter die wel kan dansen op de muziek (het patroon begrijpt), maar nog niet helemaal heeft geleerd om de exacte noten te raken (de exacte bedragen te voorspellen).

Kortom: Ze bouwden een kleine kwantum kristallen bol om de behoefte aan contant geld bij geldautomaten te voorspellen. Het voorspelde niet de exacte geldbedragen beter dan een standaard computer, maar het toonde een uniek vermogen om de stroom van de tijd te begrijpen, en verrassend genoeg hielpen de "glitches" in de echte kwantummachine het systeem beter te leren dan een perfecte simulatie.

Technische samenvatting

Technische Samenvatting: Digitale Kwantum Reservoir Computing voor ATM Tijdreeksvoorspelling

Probleemstelling
Het artikel behandelt de uitdaging van het voorspellen van de contante geldvraag bij geldautomaten (ATM), een kritieke operationele taak in de bancaire logistiek die wordt gekenmerkt door niet-stationair gedrag, seizoensgebondenheid (dagelijks, wekelijks, jaarlijks) en stochastische fluctuaties. De auteurs onderzoeken of Digitale Kwantum Reservoir Computing (QRC) kan dienen als een levensvatbaar raamwerk voor meerstaps tijdreeksvoorspelling op nabije, ruisgevoelige, intermediaire schaal kwantumapparaten (NISQ-devices). De studie beoogt te evalueren of kwantumdynamische systemen complexe temporele afhankelijkheden in financiële gegevens kunnen vastleggen zonder de trainingsproblemen die geassocieerd worden met diepe geparametriseerde kwantumcircuits.

Methodologie
Het voorgestelde raamwerk maakt gebruik van een digitale QRC-architectuur waarbij een vaste kwantumcircuit fungeert als een niet-lineaire feature map, en alleen een klassieke lineaire readout-laag wordt getraind.

• Data en Preprocessing: De studie maakt gebruik van drie jaar aan dagelijkse opnamegegevens van 13 geldautomaten. Ruwe gegevens worden schoongemaakt via lineaire interpolatie en geschaald naar het interval $[0, \pi]$ om te dienen als rotatiehoeken voor kwantumpoorten.
• Kwantum Reservoir Architectuur: Het systeem gebruikt een vier-qubit register:
  • Systeem Qubits (2): Bewaren het geheugen over tijdstappen heen.
  • Auxiliary Qubits (2): Worden bij elke tijdstap gemeten en gereset om de input sequentieel te verwerken.
  • Ansatzes: Twee circuitstructuren worden getest: een Baseline ansatz (aangepast uit eerder werk voor hardware-efficiëntie) en een Multiscale Entanglement Renormalization Ansatz (MERA), die hiërarchische verstrengeling introduceert.
  • Geheugenparameter ($m$): De circuitdiepte wordt gecontroleerd door $m$, wat het aantal opeenvolgende tijdstappen vertegenwoordigt dat wordt gecodeerd vóór de voorspelling. Geteste waarden zijn veelvouden van 7 (7, 14, 21, 28, 35, 42) om af te stemmen op de wekelijkse periodiciteit.
• Feature Extractie: Metingen leveren klassieke observabelen op die als input dienen voor het regressiemodel. De auteurs vergelijken:
  • Single-qubit observabelen: Eén-punt correlatoren ($\langle Z_i \rangle$).
  • Augmented features: Concatenatie van single-qubit observabelen en twee-punt correlatoren ($\langle Z_i Z_k \rangle$).
• Readout en Voorspelling: Een klassiek Ridge regressiemodel brengt de kwantumfeatures in kaart naar toekomstige contante geldvraag. Het systeem werkt in een closed-loop configuratie om een horizon van 10 dagen ($K=10$) te voorspellen. Een RegressorChain benadering werd ook getest om meerstaps voorspelling te behandelen, maar werd uiteindelijk verworpen vanwege overmatige smoothing van de temporele dynamiek.
• Experimentele Opstelling: Experimenten werden uitgevoerd met:
  1. Een ruisvrije simulatie (Aer Simulator).
  2. Een ruis-bewuste emulatie (IQM Adonis ruismodel).
  3. Realistische hardware-executie op de IQM Spark kwantumprocessor.
• Benchmarking: Prestaties worden vergeleken met Prophet, een state-of-the-art klassiek additief model voor tijdreeksvoorspelling.

Belangrijkste Bijdragen

1. Systematische Analyse van Designkeuzes: Het artikel biedt een uitgebreide empirische beoordeling van hoe de circuit ansatz (Baseline vs. MERA), meetstrategieën (single vs. twee-punt correlatoren), geheugendiepte en hardware-ruis de QRC-prestaties beïnvloeden in een realistische financiële setting.
2. Augmented Feature Ruimte: De studie toont aan dat het uitbreiden van de feature ruimte naar twee-punt correlatoren de expressieve kracht van de reservoir vergroot, wat over het algemeen betere resultaten oplevert dan enkel single-qubit observabelen.
3. Hardware-bewuste Evaluatie: In tegenstelling tot veel proof-of-concept studies, evalueert dit werk het raamwerk op een echt NISQ-device (IQM Spark), waarbij geïdealiseerde simulaties worden gecontrasteerd met ruis-bewuste emulatie en werkelijke hardware-executie.
4. Operationele Relevantie: De toepassing op de vraag naar contant geld bij geldautomaten biedt een strikte benchmark voor temporele modellering, waarbij men verder gaat dan synthetische datasets naar real-world bancaire operaties.

Resultaten

• Prestatie-metrieken: De studie evalueert resultaten met behulp van genormaliseerde gemiddelde kwadratische fout (NMSE), gemiddelde absolute fout (MAE) en Dynamic Time Warping (DTW).
• Vergelijking met Prophet:
  • MAE en NMSE: De QRC-modellen presteerden niet beter dan de Prophet-benchmark. Prophet behaalde consistent lagere fouten, wat aangeeft dat de kwantummodellen moeite hadden om nauwkeurige puntvoorspellingen te reproduceren en de volledige variantie van de tijdreeks te vangen.
  • DTW: De QRC-modellen behaalden competitiever resultaten in de DTW-metriek. In verschillende gevallen, met name met de MERA ansatz en augmented features op de IQM Spark backend, presteerde QRC licht beter dan Prophet. Dit suggereert dat hoewel de amplitude van de voorspellingen onnauwkeurig kan zijn, de kwantumreservoir een gedeeltelijk vermogen behoudt om de algemene temporele vorm en structuur van de reeks te vangen.
• Impact van Ruis: Tegen intuïtie in, het bewegen van een ruisvrije simulatie naar een ruis-bewuste emulatie en werkelijke hardware-executie verbeterde vaak de voorspellingskwaliteit (lagere MAE/NMSE). De auteurs suggereren dat hardware-ruis gunstige niet-lineariteiten in de reservoir kan injecteren, wat de feature map versterkt, hoewel dit gepaard gaat met de trade-off van beperkte circuitdiepte door coherentietijd-beperkingen.
• Beste Configuratie: De meest effectieve configuratie die werd geïdentificeerd was de MERA ansatz met augmented features en een geheugenparameter van $m=21$, die de beste balans bood tussen voorspellende kwaliteit en hardware-haalbaarheid op de IQM Spark.

Betekenis en Claims
Het artikel concludeert dat hoewel huidige digitale QRC-implementaties op NISQ-hardware de huidige sterke klassieke baselines zoals Prophet nog niet evenaren voor precieze puntgewijze financiële voorspelling, ze wel een gedeeltelijk vermogen tonen om temporele structuren te vangen, zoals aangetoond door de DTW-prestaties.

De auteurs benadrukken dat de studie een empirische beoordeling biedt van digitale QRC onder praktische beperkingen. Belangrijke leerpunten zijn:

• Haalbaarheid: Digitale QRC is haalbaar op de huidige hardware voor tijdreeks-taken, mits de circuitdiepte wordt beheerd via geheugenparameters.
• Rol van Ruis: Realistische hardware-ruis en device-specifieke dynamiek kunnen een niet-triviale, potentieel gunstige rol spelen in de transformatiecapaciteiten van de reservoir, wat het idee uitdaagt dat ruis uitsluitend nadelig is.
• Beperkingen: De aanpak wordt momenteel beperkt door circuitdiepte-beperkingen (coherentietijd) en het onvermogen om prestatiewinsten te generaliseren over verschillende hardwareplatforms zonder specifieke afstemming.
• Toekomstperspectief: Het werk benadrukt de noodzaak om de interactie tussen kwantumruis, circuit expressiviteit en hardware-beperkingen verder te verkennen om optimale configuraties voor toekomstige kwantum-versterkte voorspelling te identificeren.