Quantum vs. classical: A comprehensive benchmark study for predicting time series with variational quantum machine learning

Resumo Técnico: Benchmarking Quântico vs. Clássico para Previsão de Séries Temporais

Definição do Problema
Embora algoritmos de aprendizado de máquina quântico variacional (VQML) tenham sido propostos como ferramentas promissoras para a previsão de séries temporais, sua vantagem prática sobre métodos clássicos estabelecidos permanece incerta. Demonstrações existentes de vantagem quântica em aprendizado de máquina estão amplamente restritas a configurações artificiais ou previsões de um passo à frente (one-step-ahead), que frequentemente exibem alta linearidade. Há uma carência de benchmarks abrangentes e minimamente enviesados que avaliem modelos VQML contra contrapartes clássicas em tarefas de previsão não lineares complexas, particularmente aquelas envolvendo previsões de longo prazo em sistemas caóticos.

Metodologia
Os autores apresentam um estudo de benchmark em larga escala comparando cinco modelos de aprendizado de máquina quântico variacional contra três modelos de aprendizado de máquina clássico em 27 tarefas distintas de previsão de séries temporais.

• Conjuntos de Dados: O estudo utiliza dados de três sistemas dinâmicos caóticos conhecidos por sua complexidade não linear: a equação de Mackey-Glass unidimensional, o mapa de Hénon bidimensional e o sistema de Lorenz tridimensional.
• Tarefas de Previsão: Os modelos são avaliados em diferentes horizontes de previsão: um passo à frente ($k=1$), aproximadamente metade de um tempo de Lyapunov, e um tempo de Lyapunov completo. Comprimentos de sequência ($l$) de 4, 8 e 16 são testados.
• Modelos:
  • Modelos Quânticos: Cinco arquiteturas foram selecionadas com base na literatura com contagens significativas de citações:
    1. d-QNN: Uma rede neural quântica vestida (dressed quantum neural network) onde um circuito quântico parametrizado (PQC) é colocado entre camadas lineares clássicas treináveis.
    2. ru-QNN: Uma rede neural quântica de re-uploading (re-uploading quantum neural network) usando codificação de ângulo exponencial sequencial e blocos variacionais.
    3. QRNN: Uma rede neural recorrente quântica (modificada da proposta original para omitir resets de qubits, que foram considerados desnecessários).
    4. QLSTM: Um modelo de memória de longo prazo de curto prazo quântico (QLSTM) que substitui camadas clássicas por PQCs.
    5. le-QLSTM: Um QLSTM aprimorado com camadas lineares que incorpora camadas lineares clássicas entre os PQCs.
  • Modelos Clássicos: Três contrapartes foram utilizadas como bases: Perceptron Multicamadas (MLP), Rede Neural Recorrente (RNN) e Long Short-Term Memory (LSTM).
• Configuração Experimental:
  • Todos os modelos quânticos foram simulados classicamente utilizando a biblioteca PennyLane sob condições ideais e sem ruído para estabelecer um limite superior de desempenho.
  • Otimização de Hiperparâmetros: Para garantir a equidade, todos os modelos passaram por uma extensa otimização de hiperparâmetros via busca em grade (grid search). Os espaços de busca foram restringidos para garantir um número comparável de parâmetros treináveis entre os modelos.
  • Avaliação: Cada configuração foi treinada dez vezes com diferentes pesos iniciais aleatórios. O desempenho foi medido usando o Erro Quadrático Médio (MSE) Mediano no conjunto de teste, com a variabilidade reportada via Desvio Absoluto da Mediana (MAD).

Resultos Principais

• Comparação de Desempenho: Em muitos casos, os modelos quânticos tiveram dificuldade em igualar a precisão de contrapartes clássicas simples de complexidade comparável. Os modelos quânticos de melhor desempenho (d-QNN e le-QLSTM) alcançaram, no máximo, precisões de previsão comparáveis aos modelos clássicos (RNN e LSTM) em horizontes curtos.
• Previsão de Longo Prazo: Para horizontes de previsão que se estendem a um tempo de Lyapunov completo, os modelos clássicos superaram significativamente seus contrapartes quânticos.
• Análise de Arquitetura:
  • A d-QNN e o le-QLSTM tiveram o melhor desempenho entre os modelos quânticos, mas os autores observam que essas arquiteturas dependem fortemente de camadas lineares clássicas. Os autores sugerem que os componentes quânticos nesses modelos podem servir meramente como camadas adicionais sem fornecer uma vantagem quântica distinta, já que as camadas clássicas provavelmente dominam o processo de aprendizado.
  • O QLSTM e o QRNN, que foram especificamente projetados para o processamento de dados temporais, tiveram desempenho inferior ao d-QNN e, frequentemente, desempenho inferior aos seus análogos clássicos.
  • O ru-QNN, projetado como uma base sem forte dependência de camadas clássicas, mostrou desempenho limitado, particularmente em tarefas de múltiplos passos.
• Escalabilidade de Parâmetros: Quando o número de parâmetros treináveis foi equalizado, os melhores modelos clássicos e quânticos mostraram desempenho comparável em horizontes curtos. No entanto, para horizontes mais longos, os modelos clássicos (especificamente o LSTM) continuaram a melhorar com o aumento de parâmetros, enquanto os modelos quânticos não demonstraram uma vantagem de escalonamento semelhante.
• Classificação: Em todas as 27 tarefas, o LSTM e a RNN clássicos alcançaram as melhores classificações médias. Os modelos quânticos especificamente projetados para séries temporais (QLSTM, QRNN) ficaram entre os piores.

Significância e Alegações
O artigo afirma fornecer o primeiro benchmark sistemático e em larga escala comparando modelos quânticos variacionais com contrapartes clássicas para a previsão de séries temporais. A principal significância do trabalho reside em sua metodologia de comparação rigorosa e justa, que inclui otimização extensa de hiperparâmetros e testes em sistemas caóticos complexos.

Os autores concluem que, no estado atual dos algoritos quânticos variacionais, não há vantagem perceptível em substituir camadas neurais clássicas por redes neurais quânticas para a previsão de séries temporais. Os resultados sugerem que os modelos quânticos de alto desempenho neste estudo dependem fortemente de componentes clássicos, levantando questões sobre a contribuição real dos efeitos quânticos. Consequentemente, o estudo questiona a utilidade dos atuais VQAs para esta aplicação específica e destaca a necessidade de novas abordagens que explorem melhor os recursos quânticos, como a computação de reservatório quântico (quantum reservoir computing), em vez de depender de métodos variacionais que podem ser simuláveis classicamente.