Conformalized Quantum DeepONet Ensembles: Towards Scalable Operator Learning with Distribution-Free Guarantees

In de wereld van de moderne wetenschap en techniek houden veel problemen verband met het voorspellen hoe complexe systemen zich in de loop van de tijd zullen gedragen. Denk aan een elektriciteitsnet dat de stroomstroom beheert, of een weermodel dat een storm volgt. Deze systemen worden beheerst door natuurkundige wetten die kunnen worden opgeschreven als vergelijkingen, maar het oplossen van die vergelijkingen voor elk mogelijk scenario is vaak te traag en te duur voor besluitvorming in realtime. Om dit te versnellen, hebben wetenschappers "surrogaatmodellen" ontwikkeld, wat vereenvoudigde, geleerde versies zijn van deze complexe systemen. Deze modellen kunnen bijna direct voorspellingen doen, en fungeren als een versnelde knop voor simulaties. Er is echter een addertje onder het gras: wanneer deze modellen worden gebruikt voor taken waarbij veiligheid cruciaal is, zoals het stabiel houden van een elektriciteitsnet, is weten wat het model voorspelt niet voldoende. Ingenieurs moeten ook weten hoeveel ze die voorspelling kunnen vertrouwen. Als een model onzeker is, moet het dat aangeven, en moet het een betrouwbaar bereik van mogelijke uitkomsten bieden. Bovelijk, naarmate deze systemen gedetailleerder worden, groeit de computerkracht die nodig is om de modellen te draaien zo snel dat het onmogelijk kan worden om ze überhaupt te gebruiken.

Een team onderzoekers aan de Purdue University heeft deze twee problemen — snelheid en betrouwbaarheid — aangepakt door twee verschillende vakgebieden te combineren: quantumcomputing en een statistische methode voor het meten van onzekerheid. Ze hebben een nieuw framework gecreëerd genaamd een "Conformalized Quantum Deep Operator Network". In eenvoudige termen is dit een type kunstmatige intelligentie die ontworpen is om de regels te leren van hoe systemen veranderen, maar het is gebouwd met de principes van de kwantummechanica om sneller te draaien, en het is gehuld in een statistisch vangnet om ervoor te zorgen dat de voorspellingen betrouwbaar zijn. De onderzoekers hebben niet alleen één enkel model gebouwd; ze hebben een groep van deze modellen gebouwd die samenwerken, een techniek die bekend staat als een ensemble, om beter in te schatten hoe onzeker ze zijn. Hun werk laat zien dat hoewel deze quantummodellen nog in de vroeig fase van ontwikkeling zijn, ze een hoge nauwkeurigheid kunnen bereiken en wiskundig gegarandeerde veiligheidsmarges kunnen bieden, zelfs wanneer ze worden gesimuleerd op ruisige, imperfecte hardware.

De kern van het probleem dat de onderzoekers hebben aangepakt, is dat traditionele kunstmatige intelligentiemodellen, die standaard computerchips gebruiken, moeite hebben wanneer ze gevraagd wordt complexe, continue systemen te simuleren. Deze modellen vertrouwen op lagen van berekeningen die exponentieel duurder worden naarmate het systeem gedetailleerder wordt. Als u het gedrag van een systeem met hoge precisie wilt voorspellen, kan de tijd die nodig is om de simulatie uit te voeren zo groot worden dat het doel van het hebben van een snel model teniet wordt gedaan. De onderzoekers hebben zich tot quantumcomputing gewend om deze flessenhals op te lossen. Ze maakten gebruik van een specifiek type quantum neuraal netwerk, dat de unieke eigenschappen van quantum bits, of qubits, gebruikt om berekeningen uit te voeren op een manier die theoretisch veel efficiënter is voor deze specifieke soorten problemen. In plaats van de standaard computerchips die een kwadratische hoeveelheid werk vereisen om gegevens te verwerken, schaalt hun quantumbenadering veel geleidelijker, wat een potentieel pad biedt voor het afhandelen van de enorme hoeveelheden gegevens die vereist zijn voor fijnmazige simulaties.

Echter, het simpelweg sneller maken van een model maakt het niet veilig voor gebruik in kritieke situaties. Sterker nog, quantumcomputers zijn momenteel gevoelig voor fouten en ruis, wat hun outputs willekeurig of onbetrouwbaar kan maken. Om dit aan te pakken, hebben de onderzoekers hun quantummodellen gecombineerd met een techniek genaamd conformal prediction. Dit is een statistische methode die niet vertrouwt op het gokken van de waarschijnlijkheid van een fout op basis van eerdere gegevensverdelingen. In plaats daarvan gebruikt het een aparte set gegevens om het model te kalibreren, waardoor een voorspellingsinterval wordt gecreëerd dat gegarandeerd het ware antwoord bevat voor een bepaald percentage van de tijd, ongeacht hoe de gegevens verdeeld zijn. Door meerdere quantummodellen onafhankelijk te trainen en vervolgens deze kalibratiemethode te gebruiken, heeft het team een systeem gecreëerd dat niet alleen uitkomsten voorspelt, maar ook een kader rond die voorspellingen tekent, waarbij met wiskundige zekerheid wordt gesteld dat de werkelijke waarde binnen dat kader ligt.

De onderzoekers hebben hun framework getest op verschillende verschillende uitdagingen. Eerst gebruikten ze synthetische benchmarks, zoals een wiskundige taak die de integratie van functies en een simulatie van een golf die door de ruimte beweegt omvat. In deze ideale, ruisvrije simulaties presteerde het systeem met een hoge nauwkeurigheid, waarbij het een relatieve fout bereikte van minder dan een half procent voor de integratietaak en ongeveer twee procent voor de golfsimulatie. Belangrijker nog, het systeem voldeed succesvol aan zijn betrouwbaarheidsdoelstellingen. Wanneer de onderzoekers het model vroegen om een betrouwbaarheidsinterval van 90 procent te leveren, vielen de werkelijke resultaten ongeveer 88 tot 92 procent van de tijd binnen dat interval, wat nauw aansluit bij het doel. Dit demonstreerde dat de methode de rigoureuze veiligheidsgaranties kan bieden die nodig zijn voor toepassingen in de echte wereld.

Om te waarborgen dat de bevindingen robuust waren, simuleerde het team ook de effecten van hardwareonvolkomenheden uit de echte wereld. Quantumcomputers zijn vandaag de dag niet perfect; ze lijden onder "ruis" die berekeningen kan corrumperen. De onderzoekers testten hun modellen onder verschillende niveaus van gesimuleerde ruis, inclus van specifieke foutpatronen gevonden in echte quantumprocessors van grote fabrikanten. Zelfs met deze imperfecties bleef het systeem opmerkelijk stabiel. De voorspellingsintervallen pasten zich op passende wijze aan en de dekkingspercentages bleven nabij de doelwaarden. In sommige gevallen leek de aanwezigheid van ruis zelfs een subtiel, onverwacht effect te hebben op het gedrag van het model, hoewel de onderzoekers opmerkten dat dit voorlopig was en verdere studie vereiste. Ze verkenden ook verschillende manieren om de modellen uit te voeren, zoals het verdelen van het werk tussen klassieke en quantumonderdelen van de computer, of het gebruiken van een techniek om meerdere modellen op een enkele quantumcircuit uit te voeren om middelen te besparen. Deze experimenten toonden aan dat hoewel er afwegingen zijn tussen snelheid, nauwkeurigheid en het aantal benodigde quantum bits, het framework flexibel genoeg is om zich aan te passen aan verschillende hardwarebeperkingen.

Ten slotte pasten de onderzoekers hun methode toe op een scenario uit de echte wereld: de dynamiek van energiesystemen. Ze trainden de modellen om te voorspellen hoe de spanning en de vermogensstroom in een elektriciteitsnet zouden veranderen als reactie op verstoringen. Dit is een cruciale taak voor het voorkomen van blackouts en het handhaven van de stabiliteit van het net. De modellen werden getest op zowel offline taken, waarbij de volledige geschiedenis van een systeem in één keer wordt geanalyseerd, als op online taken, waarbij voorspellingen in realtime moeten worden gedaan naarmate er nieuwe gegevens binnenkomen. In deze tests bereikten de quantum-ensemblemodellen relatieve fouten variërend van ongeveer 4 tot 12 procent, afhankelijk van de complexiteit van de taak. Cruciaal was dat de onzekerheidsschattingen betrouwbaar bleven, waarbij de werkelijke uitkomsten bijna 90 procent van de tijd binnen de voorspelde bereiken vielen, precies zoals de theorie suggereerde. Dit bewees dat het framework de rommelige, risicovolle gegevens van een echt elektriciteitsnet kan verwerken, en niet alleen schone wiskundige puzzels.

Het werk gepresenteerd in deze studie is een belangrijke stap voorwaarts in het veld van wetenschappelijke machine learning, maar het gaat gepaard met belangrijke kanttekeningen. De onderzoekers merken er nadrukkelijk bij op dat hun resultaten met betrekking tot snelheid gebaseerd zijn op theoretische analyse en simulaties, en niet op het draaien van de modellen op een fysieke quantumcomputer die sneller is dan een klassieke computer. De huidige quantumhardware is nog niet krachtig genoeg om klassieke supercomputers voor deze taken in een praktische, real-world setting te overtreffen. De primaire prestatie hier is de demonstratie van een volledig framework dat erin slaagt om quantum-efficiëntie met rigoureuze statistische garanties te combineren. De onderzoekers hebben aangetoond dat het mogelijk is om een systeem te bouwen dat zowel middelenbewust als onzekerheidsbewust is, en daarmee een blauwdruk biedt voor hoe deze technologieën in de toekomst samen gebruikt kunnen worden.

Naarmate de technologie volwassen wordt, zou deze aanpak een essentieel hulpmiddel kunnen worden voor ingenieurs en wetenschappers die snelle, betrouwbare beslissingen moeten nemen in complexe omgevingen. Door te bewijzen dat quantummodellen gekalibreerd kunnen worden om betrouwbare veiligheidsmarges te bieden, hebben de onderzoekers een grote barrière weggenomen voor de adoptie van deze technologieën in veiligheidskritische velden. De studie beweert niet het probleem van quantumcomputing-ruis te hebben opgelost of een machine te hebben gebouwd die klaar is voor onmiddellijke inzet in een elektriciteitscentrale. In plaats daarvan biedt het een duidelijk, wiskundig onderbouwd pad voorwaarts, waarbij wordt getoond dat wanneer quantum learning wordt gekoppeld aan robuuste statistische methoden, het voorspellingen kan leveren die niet alleen snel zijn, maar ook eerlijk over hun eigen beperkingen. Deze combinatie van snelheid en betrouwbaarheid is de sleutel tot het ontsluiten van het potentieel van quantum machine learning voor de belangrijkste uitdagingen in wetenschap en techniek.