📊 statistics

Adaptive Conformal Prediction for Quantum Machine Learning

Este artigo apresenta a Predição Conformal Quântica Adaptativa (AQCP), um algoritmo que garante quantificação confiável de incerteza para aprendizado de máquina quântico, mantendo garantias de cobertura-alvo apesar do ruído variante no tempo inerente ao hardware quântico, superando a predição conformal quântica padrão em estabilidade e validade.

Autores originais: Douglas Spencer, Samual Nicholls, Michele Caprio

Publicado 2026-05-18

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Douglas Spencer, Samual Nicholls, Michele Caprio

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando ensinar um robô muito poderoso, mas ligeiramente "bêbado", a prever o tempo. Este robô é um modelo de Aprendizado de Máquina Quântica (QML). É incrivelmente rápido e inteligente, mas vive em um computador quântico, que atualmente é um pouco instável. O hardware é como um navio em um mar tempestuoso; as ondas (ruído) mudam constantemente, às vezes suavemente, às vezes violentamente.

O problema é: Como você sabe quando o robô está confiante o suficiente para confiar em sua previsão?

No mundo clássico, usamos uma rede de segurança chamada Predição Conformal. Pense nisso como um "cinto de confiança". Em vez de o robô dizer: "Choverá amanhã", ele diz: "Choverá entre 14h e 16h". O objetivo é garantir que esse "cinto" seja largo o suficiente para capturar a resposta verdadeira 90% das vezes (se você o configurar para 90%).

O Problema: O Cinto Instável do Robô Bêbado

O artigo aponta uma falha grave na forma como usamos atualmente essa rede de segurança para computadores quânticos.

As redes de segurança padrão assumem que a "embriaguez" do robô (ruído) permanece a mesma o dia todo. Mas, em computadores quânticos reais, o ruído muda. O hardware recalibra a cada hora, a temperatura varia e raios cósmicos podem atingir a máquina.

Os autores explicam que, como o ruído muda ao longo do tempo, o "cinto de confiança" do robô torna-se pouco confiável. É como tentar usar uma régua que estica e encolhe aleatoriamente. Se você calibrar a régua pela manhã, ela pode estar muito curta à tarde. A matemática padrão diz: "Garantimos que este cinto captura a verdade 90% das vezes", mas como a régua está mudando de tamanho, essa garantia se quebra. O robô pode achar que tem 90% de certeza, mas na verdade tem apenas 70% de certeza, ou talvez 99% de certeza.

A Solução: O Cinto "Auto-corretivo"

Para corrigir isso, os autores introduzem um novo método chamado Predição Conformal Quântica Adaptativa (AQCP).

Pense na AQCP como um cinto inteligente e auto-corretivo.

Método Antigo (QCP): Você mede a régua uma vez pela manhã e fica com ela o dia todo. Se a régua encolher mais tarde, suas medições estarão erradas.
Novo Método (AQCP): Você verifica a régua cada vez que faz uma previsão.
- Se o robô estiver errado (a resposta verdadeira ficou fora do cinto), o sistema diz: "Ops, meu cinto estava muito apertado!" e imediatamente o alarga para a próxima previsão.
- Se o robô estiver certo (a resposta estava dentro), ele pode apertar ligeiramente o cinto para ser mais eficiente.

Isso acontece em tempo real. O sistema recalibra-se constantemente com base se acabou de obter um "acerto" ou um "erro". Isso permite lidar com o hardware "bêbado", mesmo que o ruído seja caótico e mude a cada segundo.

Como Eles Testaram

Os pesquisadores testaram isso em um computador quântico real feito pela IBM (chamado ibm_sherbrooke). Eles deram ao robô uma tarefa: prever um número com base em um padrão de onda senoidal (uma linha ondulada).

O Teste: Eles executaram milhares de previsões.
O Resultado: O método antigo (QCP) continuou desviando do alvo. Às vezes era muito largo (desperdiçando recursos) e, às vezes, muito estreito (perdendo a verdade).
O Vencedor: O novo método (AQCP) manteve-se exatamente no alvo. Mantinha a "taxa de captura" estável nos 90% desejados, não importa o quanto o ruído do hardware tremesse.

Eles também testaram diferentes maneiras de medir "quão errado" o robô estava (chamadas funções de pontuação). Eles descobriram que alguns métodos eram melhores em manter o cinto de previsão o menor possível, enquanto ainda capturavam a verdade, mas todos funcionavam muito melhor com o sistema AQCP auto-corretivo do que sem ele.

A Pegadinha

Há uma pequena limitação. Como este sistema aprende verificando seus erros um por um, ele precisa funcionar sequencialmente.

Analogia: Imagine um professor corrigindo uma pilha de provas. O método antigo corrige todas as 100 provas de uma vez, com base em uma regra definida no início. O novo método corrige uma prova, verifica a resposta, ajusta a regra e então corrige a próxima.
Consequência: Você não pode usar isso para processamento em "lote" (corrigir 1.000 provas de uma vez sem ver as respostas). Você precisa esperar o resultado de uma previsão antes de fazer a próxima.

Resumo

Em termos simples: computadores quânticos são ruidosos e imprevisíveis. A maneira antiga de medir sua confiança não levava em conta esse ruído em mudança, levando a previsões pouco confiáveis. Os autores criaram um novo sistema "auto-corretivo" que ajusta constantemente seus níveis de confiança em tempo real. Isso garante que, mesmo em uma máquina quântica instável e ruidosa, as previsões permaneçam confiáveis e precisas.

Resumo Técnico: Predição Conformal Adaptativa para Aprendizado de Máquina Quântico

Declaração do Problema

O Aprendizado de Máquina Quântico (QML) visa aproveitar processadores quânticos para aprimorar algoritmos clássicos, contudo, a implantação desses modelos em domínios de alto risco (por exemplo, saúde, defesa) exige quantificação rigorosa da incerteza. Embora a Predição Conformal (CP) ofereça garantias livres de distribuição e de amostra finita para modelos clássicos, sua aplicação ao QML enfrenta um obstáculo crítico: ruído de hardware não estacionário.

A Predição Conformal padrão, incluindo o recentemente proposto framework de Predição Conformal Quântica (QCP) (Park & Simeone, 2023), baseia-se na suposição de que os dados de calibração e de teste são permutáveis. Essa suposição implica que os processos de ruído subjacentes no hardware quântico permanecem estacionários ao longo do tempo. No entanto, os dispositivos atuais de Escala Intermediária Ruidosa (NISQ) exibem ruído variante no tempo devido a fatores como flutuações de temperatura, oscilações de equipamentos de controle e eventos de raios cósmicos. Os autores demonstram que, quando o ruído é não estacionário, as pontuações de conformidade derivadas de medições quânticas deixam de ser permutáveis, mesmo que a distribuição dos dados de entrada seja estacionária. Consequentemente, as garantias teóricas de cobertura do QCP padrão (ou seja, de que o resultado verdadeiro esteja dentro do conjunto de predição com probabilidade $1-\alpha$ ) são invalidadas.

Metodologia

Para abordar a quebra da permutabilidade causada por ruído dependente do tempo, os autores propõem a Predição Conformal Quântica Adaptativa (AQCP). Esta abordagem adapta o framework de Inferência Conformal Adaptativa (ACI) (Gibbs & Candès, 2021) ao cenário quântico.

Algoritmo Central

A AQCP opera em um cenário de teste online onde o nível de não cobertura é ajustado dinamicamente com base na cobertura empírica observada. O algoritmo procede da seguinte forma:

Inicialização: Um conjunto de dados de calibração $D_{cal}$ é usado para calcular pontuações de conformidade iniciais.
Processamento Sequencial: Para cada ponto de teste $i$ , o algoritmo constrói um conjunto de predição $C_i(X_{n+i})$ usando um nível atual de não cobertura $\alpha_i$ .
Loop de Feedback: Após a revelação da verdadeira etiqueta $Y_{n+i}$ , o algoritmo atualiza o nível de não cobertura:
$\alpha_{i+1} = \alpha_i + \gamma (\alpha - \text{err}_i)$
onde $\gamma$ é um hiperparâmetro de tamanho de passo e $\text{err}_i$ é 1 se a verdadeira etiqueta estiver fora do conjunto de predição, e 0 caso contrário.
Funções de Pontuação: Como os modelos quânticos produzem amostras estocásticas (tiros) em vez de saídas determinísticas, a AQCP utiliza funções de pontuação baseadas em amostras. O artigo avalia quatro funções específicas:
- Distância Euclidiana: Distância entre o candidato $y$ e a média das amostras de tiros.
- k-Vizinhos Mais Próximos (k-NN): Distância até o $k$ -ésimo vizinho mais próximo entre as amostras.
- Estimação de Densidade de Kernel (KDE): Estimativa negativa do logaritmo da densidade em $y$ .
- Região de Alta Densidade (HDR): Massa de probabilidade estimada da região onde a densidade é pelo menos tão alta quanto em $y$ .

Garantias Teóricas

Diferentemente da CP padrão, que oferece garantias de amostra finita sob permutabilidade, a AQCP fornece garantias de cobertura média assintótica sob condições de ruído arbitrárias. Os autores provam que, à medida que o número de pontos de teste $N \to \infty$ , a taxa média de não cobertura converge quase certamente para o alvo $\alpha$ . Um limite de amostra finita também é derivado sob suposições específicas relativas a cadeias de Markov ocultas que governam o ruído, embora os autores observem que essas suposições podem não se manter exatamente na prática.

Contribuições Principais

O artigo faz três contribuições primárias:

Formalização da Dependência Temporal: Os autores fornecem um framework teórico demonstrando como o ruído não estacionário em processadores quânticos invalida a permutabilidade das pontuações de conformidade, minando assim as garantias conformais padrão.
Algoritmo Adaptativo (AQCP): Eles introduzem a AQCP, um algoritmo que utiliza recalibração online para lidar com ruído não estacionário. Ele é projetado para funcionar com funções de pontuação operando em amostras de distribuições de probabilidade implícitas (tiros quânticos).
Avaliação Abrangente de Hardware: O estudo conduz experimentos extensivos no Processador Quântico da IBM (ibm_sherbrooke) e em um simulador clássico. Analisa a validade e a eficiência da AQCP, comparando várias funções de pontuação e demonstrando que a AQCP mantém níveis de cobertura alvo com maior estabilidade do que o QCP padrão.

Resultados Experimentais

Os experimentos foram conduzidos em uma tarefa de regressão multimodal univariada, replicando a configuração de Park & Simeone (2023).

Estabilidade da Cobertura: Usando dados do processador quântico da IBM, os autores compararam a AQCP (com tamanho de passo $\gamma = 0.03$ $γ = 0.03$ ) contra "QCP online" (equivalente à AQCP com $\gamma = 0$ $γ = 0$ , ou seja, sem ajuste de feedback).
- O QCP online exibiu desvios significativos da cobertura alvo (por exemplo, sobre-cobertura seguida de sub-cobertura), falhando em manter consistentemente o nível nominal de 90%.
- A AQCP demonstrou estabilidade robusta, mantendo consistentemente a cobertura média próxima ao alvo de 90% em todas as funções de pontuação testadas (k-NN, Euclidiana, KDE, HDR).
Eficiência (Tamanho do Conjunto): Usando um simulador clássico (FakeQuitoV2) para isolar os efeitos dos números de tiros e das funções de pontuação:
- As funções de pontuação KDE e HDR produziram os menores tamanhos médios de conjunto de predição, particularmente à medida que o número de tiros ( $M$ ) aumentava.
- As funções de pontuação Euclidiana e 1-NN resultaram em conjuntos de predição significativamente maiores (1,5 a 2 vezes maiores em $M=1000$ ) em comparação com a HDR, apesar de alcançarem a mesma cobertura.
- Todos os métodos alcançaram a cobertura alvo, mas a escolha da função de pontuação impactou significativamente a eficiência (tamanho) dos conjuntos de predição.

Significado e Alegações

O artigo alega que a AQCP fornece uma representação confiável da incerteza para modelos de QML sob condições arbitrárias de ruído de hardware, um requisito crítico para a implantação confiável de algoritmos quânticos.

Os autores são modestos em suas alegações, reconhecendo que:

As garantias teóricas são assintóticas e não de amostra finita (exceto sob suposições específicas, potencialmente restritivas).
A avaliação empírica de robustez baseia-se em dados coletados ao longo de um único dia, o que significa que não caracteriza totalmente a deriva de longo prazo ou perturbações estruturadas.
O método é inerentemente sequencial, exigindo que a resposta verdadeira seja revelada antes da próxima predição, o que limita sua aplicabilidade direta a cenários de predição em lote.

Apesar dessas limitações, o trabalho estabelece que a recalibração adaptativa é necessária para manter a validade na presença de ruído quântico não estacionário, oferecendo um caminho prático para a quantificação da incerteza em aplicações atuais da era NISQ.