Quantum machine learning performance evaluation for air pollution assessment with benchmarking and comparative analysis using multi-metric scoring and quantum circuit expressibility

Technische Samenvatting: Evaluatie van de Prestaties van Quantum Machine Learning voor de Beoordeling van Luchtvervuiling

Probleemstelling
De verslechtering van de luchtkwaliteit vereist onmiddellijke herstelmaatregelen, wat de exploratie van Machine Learning (ML), Deep Learning (DL) en Quantum Machine Learning (QML) voor het voorspellen van de Air Quality Index (AQI) stimuleert. Hoewel diverse studies quantum-geïnspireerde modellen of hybride quantum-klassieke benaderingen op luchtvervuilingsdata hebben toegepast, ontbreekt een verenigd, multi-metrisch kader dat klassieke en quantummodellen rigoureus met elkaar vergelijkt. Specifiek schieten bestaande literatuur vaak tekort in het rekening houden met de structurele complexiteiten van quantumcircuits—zoals expressiviteit en verstrengelingskracht—en hun relatie tot generalisatiekloven en optimalisatiepathologieën zoals barren plateaus onder Noisy Intermediate-Scale Quantum (NISQ) beperkingen. Deze studie adresseert dit gat door een vergelijkende evaluatie van ML-, DL- en QML-modellen voor te stellen met behulp van een multi-metrische hiërarchie die quantum-specifieke structurele straffuncties incorporeert.

Methodologie
De studie maakt gebruik van een dataset met 257.834 observaties van 2015 tot 2020, afkomstig van de Central Pollution Control Board (India), met 13 predictoren (waaronder PM2.5, PM10, NOx, SO2, O3 en vluchtige organische verbindingen) om de AQI te voorspellen. De data onderging preprocessing bestaande uit z-score normalisatie, outlier-verwijdering via Isolation Forest, imputatie en Yeo-Johnson transformatie om scheefheid aan te pakken. Kenmerken werden gereduceerd tot vier hoofdcomponenten (waarbij 96,5% van de variantie behouden bleef) voor quantum-encodering.

Het evaluatiekader, getiteld MDQ-3L (Machine Learning, Deep Learning, Quantum - 3-Level), integreert drie onderscheidende niveaus van beoordeling:

1. Niveau 1 (Voorspellende Nauwkeurigheid): Aggregeert genormaliseerde regressiemetrieken (MAE, MSE, RMSE, MAPE, RMSLE) en de coëfficiënt van determinatie ($R^2$).
2. Niveau 2 (Generalisatie): Meet de kloof tussen trainings- en test-RMSE ($\Delta_m$).
3. Niveau 3 (Quantumcomplexiteit): Past een specifieke structurele regularisator ($\mathcal{R}_m^{(Q)}$) toe op QML-modellen, die hoge expressiviteit ($E_m$) en verstrengelingskracht ($P_m$) bestraft om rekening te houden met NISQ-beperkingen en barren plateau-risico's.

De verenigde prestatiefunctie ($J_m$) combineert deze niveaus met gewogen coëfficiënten ($\alpha, \beta, \gamma$), waarbij de nadruk ligt op voorspellende nauwkeurigheid (80%) terwijl complexiteitsstraffen (20%) worden geïncorporeerd. Een uitgebreide versie, MDQ-3L+$\mathcal{B}$, bevat een benchmarking-term ($\mathcal{B}_m^{(exp)}$) die afwijkingen van de expressiviteit en verstrengelingskracht van een circuit van doelwaarden bestraft.

De studie evalueerde:

• 17 ML-regressoren: Inclusief CatBoost, XGBoost, Random Forest en diverse lineaire modellen.
• 9 DL-modellen: Inclusief MLP, CNN, LSTM, GRU, DBN en Transformers.
• 7 QML-circuits: Gesimuleerd op ruisvrije backends met 4 qubits, waaronder Random Layers Regressor (RLR), RYCZ, Shifted Entangled Linear Regressor (SELR), Hardware Efficient Ansatz (HEA), Quantum Convolutional Neural Network (QCNN), Tree Tensor Network (TTN) en Quantum Attention (QAttn).

Belangrijkste Resultaten

• Klassieke Prestaties: Boom-gebaseerde ensemble-methoden, specifelijk CatBoost en Extra Trees, en het Deep Belief Network (DBN) kwamen als beste presteerders naar voren. CatBoost behaalde een $R^2$ van 0,68 met een RMSE van 72,41, terwijl DBN de hoogste $R^2$ (0,72) en de laagste MSE (4807,5) behaalde van alle modellen.
• Quantum Prestaties: Alle QML-circuits vertoonden negatieve $R^2$-waarden (variërend van -1,2 tot -7,9), wat duidt op een prestatie die slechter is dan een constante gemiddelde-baseline. Hoewel sommige circuits zoals QAttn en RYCZ concurrerende ruwe foutmetrieken vertoonden (bijv. QAttn MSE $\approx$ 0,25), resulteerden hun negatieve variantieverklaring en structurele straffen in aanzienlijk hogere samengestelde scores vergeleken met klassieke modellen.
• Structurele Straffen: Circuits met hoge expressiviteit (QCNN, TTN met $E \approx 2,0$) en hoge verstrengelingskracht (RLR met $P \approx 0,40$) kregen substantiële straffen. Het MDQ-3L-framework toonde aan dat de ruwe capaciteit van een circuit niet vertaalt naar voorspellende bruikbaarheid onder de huidige beperkingen.
• Impact van Benchmarking: De inclusie van de benchmarking-term ($\mathcal{B}$) verminderde de straffen voor architecturen zoals QCNN en TTN met ongeveer 30% wanneer zij in lijn waren met de doel-expressiviteit/verstrengeling, maar ze bleven nog steeds 25-40% achter bij klassieke modellen in termen van samengestelde scores.
• Kenmerkbelang (Feature Importance): SHAP-analyse bevestigde dat PM2.5 de dominante drijfveer van de AQI is, gevolgd door PM10, CO en O3, waarbij de modellen zwaar leunen op de concentraties van fijnstof.

Significantie en Claims
Het artikel claimt een interpreteerbare, multi-metrische tool te bieden voor hybride milieumodellering die de benchmarks voor Quantum Machine Intelligence vooruithelpt. De belangrijkste bijdragen zijn:

1. Verenigde Benchmarking: Het MDQ-3L-framework aggregeert succesvol heterogene metrieken en quantum structurele eigenschappen tot één vergelijkbare score, waardoor voorkomt dat modellen worden geselecteerd op basis van één gunstige metriek terwijl ze op andere vlakken falen.
2. Blootleggen van QML-beperkingen: De studie demonstreert kwantitatief dat onder NISQ-beperkingen (4-6 qubits, geringe diepte), huidige QML-circuits lijden onder generalisatiekloven en optimalisatiepathologieën (barren plateaus), wat resulteert in prestatiedeficiënties van 25-40% ten opzichte van klassieke ML/DL-baselines.
3. Richtlijnen voor Toekomstige Architecturen: Door hoge expressiviteit en verstrengeling te straffen, suggereert het framework dat low-entanglement ansätze (zoals SELR en HEA) met matige expressiviteit een potentieel voordeel van 10-15% kunnen bieden in toekomstige iteraties door beter aan te sluiten bij de trainbaarheidseisen van NISQ-hardware.
4. Methodologische Rigor: Het werk gaat verder dan kwalitatieve discussies over verstrengeling en expressiviteit door deze als kwantitatieve regularisatiecoördinaten te implementeren, wat een rigoureus criterium biedt voor modelselectie dat statistische nauwkeurigheid balanceert met hardware-gealigneerde complexiteit.

De auteurs concluderen dat hoewel quantumcircuits nog niet superieur zijn voor deze specifieke regressie taak, het voorgestelde framework een noodzakelijke structuur biedt voor de evaluatie van toekomstige hybride modellen, waarbij wordt gewaarborgd dat verbeteringen in één dimensie niet de pathologieën in een andere dimensie maskeren.