Conformalized Quantum DeepONet Ensembles for Scalable Operator Learning with Distribution-Free Uncertainty

1. Declaração do Problema

O artigo aborda duas limitações fundamentais no aprendizado atual de operadores neurais (especificamente DeepONets) para sistemas dinâmicos de alta dimensão, como redes elétricas e equações diferenciais parciais (EDPs):

• Gargalo de Escalabilidade: DeepONets clássicos dependem de camadas neurais densas com complexidade computacional de $O(n^2)$. Essa escala quadrática torna-os proibitivos para aplicações críticas de segurança que exigem discretizações finas e avaliações massivas de Monte Carlo (por exemplo, $10^4$ passos de tempo).
• Quantificação de Incerteza (UQ) Não Confiável: Implantações críticas de segurança exigem estimativas de incerteza rigorosas. Métodos padrão, como Redes Neurais Bayesianas ou dropout de Monte Carlo, carecem de garantias livres de distribuição. Embora a previsão conformal ofereça tais garantias, aplicá-la a modelos quânticos é desafiador porque:
  • Ensembles quânticos ingênuos (executando $L$ modelos em paralelo) escalonam os requisitos de qubits linearmente ($O(L \cdot n)$), criando um gargalo de hardware.
  • Confiar apenas no ruído de disparo da medição quântica para incerteza é insuficiente, pois captura ruído de hardware em vez de verdadeira incerteza epistêmica (diversidade do modelo).

2. Metodologia

Os autores propõem Conformalized Quantum DeepONet Ensembles, um framework que integra inferência quântica escalável, ensemble eficiente em recursos e calibração rigorosa de incerteza.

A. Inferência de Operador Quântico Escalável

• Redes Neurais Ortogonais Quânticas (QOrthoNNs): A arquitetura central substitui camadas densas clássicas por circuitos quânticos parametrizados (PQCs) usando portas Beam Splitter Reconfigurável (RBS).
• Redução de Complexidade: Ao operar no subespaço unário e utilizar portas RBS, a complexidade de inferência é reduzida de $O(n^2)$ para $\tilde{O}(n)$.
• Estratégia de Treinamento: Para evitar ruído de hardware durante o treinamento, o modelo é treinado classicamente. As operações quânticas são matematicamente equivalentes a transformações ortogonais clássicas exatas. A otimização ocorre no espaço do ângulo de rotação ($\theta$), garantindo ortogonalidade estrita e evitando platôs áridos, antes de ser implantada em hardware quântico para inferência.

B. Ensemble Eficiente em Recursos

Para capturar incerteza epistêmica sem escalar linearmente os requisitos de qubits, os autores empregam duas estratégias:

1. Arquitetura Híbrida Clássico-Quântica: O DeepONet consiste em uma rede "Branch" (processa funções de entrada, avaliada uma vez por cenário) e uma rede "Trunk" (processa coordenadas de consulta, avaliada $M$ vezes).
   • A Branch é substituída por uma rede densa clássica. Como é avaliada apenas uma vez, o custo $O(n^2)$ é amortizado e a principal fonte de ruído quântico é eliminada.
   • A Trunk permanece quântica para preservar a aceleração $\tilde{O}(n)$ para avaliações de alta frequência.
2. Circuitos Quânticos Parametrizados Superpostos (SPQCs): Em vez de executar $L$ membros do ensemble em paralelo (requerendo $L \times n$ qubits), os SPQCs codificam todos os $L$ modelos em um único circuito.
   • Usando qubits de endereço em uma superposição uniforme, o circuito executa preparação de estado, evolução unitária e medição exatamente uma vez para todo o ensemble.
   • Isso reduz os requisitos de qubits para $n + 1 + \lceil \log_2(L) \rceil$, permitindo a execução escalável do ensemble.

C. Quantificação de Incerteza Livre de Distribuição

• Previsão Conformal Adaptativa: O framework combina a incerteza epistêmica do ensemble (desvio padrão das previsões) com previsão conformal.
• Calibração: Uma pontuação de não conformidade é calculada como o erro absoluto normalizado pelo desvio padrão local do ensemble. Um quantil empírico ($\hat{q}$) é derivado de um conjunto de calibração.
• Garantia: Isso produz conjuntos de previsão $C_\alpha(u, y)$ com uma garantia estrita, livre de distribuição, de que o valor verdadeiro cai dentro do conjunto com probabilidade $1-\alpha$, desde que a trocabilidade dos dados se mantenha.

3. Contribuições Principais

1. Inferência Quântica Escalável: Demonstrou uma redução na complexidade de inferência de operadores de $O(n^2)$ para $\tilde{O}(n)$ usando QOrthoNNs, permitindo discretização de alta granularidade.
2. Ensemble Eficiente em Hardware: Introduziu uma arquitetura híbrida e SPQCs para comprimir a execução do ensemble, resolvendo o problema de escala linear de qubits inerente a ensembles quânticos paralelos.
3. UQ Rigorosa: Integrou previsão conformal adaptativa com ensembles quânticos para fornecer limites de incerteza matematicamente garantidos e livres de distribuição.
4. Avaliação Robusta: Validou o framework sob modelos de ruído quântico realistas (despolarização, erros de leitura, relaxamento térmico) em EDPs sintéticas e dinâmicas de sistemas de energia do mundo real.

4. Resultados Experimentais

O framework foi avaliado em benchmarks sintéticos (Equações de Antiderivada, Advecção) e conjuntos de dados de sistemas de energia do mundo real (Tensão para Tensão, Tensão para Potência).

• Benchmarks Sintéticos:
  • Alcançou baixos erros relativos $L_2$ (por exemplo, 0,46% para Antiderivada, 2,28% para Advecção).
  • Mantive cobertura empírica próxima ao alvo de 90% (por exemplo, 92,13% e 88,99%) sob simulação ideal.
  • Resiliência ao Ruído: Sob modelos de ruído realistas (IBM Brisbane, Torino, Marrakesh), o framework conformal manteve cobertura $\ge 90\%$, provando robustez contra deriva de hardware.
• Sistemas de Energia do Mundo Real:
  • Lidou com sucesso com tarefas offline (análise pós-mortem) e online (previsão em tempo real).
  • Previsão de Tensão Online: Alcançou 90,11% de cobertura apesar de violar a suposição de trocabilidade (devido a dependências temporais), servindo como um teste de estresse rigoroso.
• Comparações de Arquitetura:
  • Híbrido vs. Totalmente Quântico: A configuração Híbrida (Branch Clássica + Trunk Quântica) superou significativamente as configurações totalmente quânticas em precisão e largura de incerteza, eliminando o gargalo da branch ruidosa.
  • SPQC vs. Paralelismo Ingênuo: Os SPQCs corresponderam à precisão preditiva e calibração de incerteza de ensembles padrão, enquanto reduziram drasticamente o uso de qubits (por exemplo, 7 qubits vs. 20 qubits para um ensemble de 4 membros).

5. Significado e Perspectivas

• Caminho Prático: Este trabalho estabelece um caminho viável para implantar aprendizado de máquina quântico em infraestrutura crítica de segurança, resolvendo os problemas duplos de escalabilidade e confiabilidade.
• Eficiência de Recursos: A abordagem SPQC altera fundamentalmente a escala de recursos de ensembles quânticos de linear para logarítmica em termos de qubits, tornando a quantificação de incerteza em grande escala viável em hardware de curto prazo.
• Direções Futuras: Os autores observam que, embora as garantias atuais dependam da trocabilidade dos dados, trabalhos futuros devem abordar dados de streaming não trocáveis (por exemplo, via previsão conformal sequencial). Além disso, a observação anômala de que o ruído às vezes melhorou os limites de incerteza em circuitos rasos merece investigação adicional sobre "regularização induzida por ruído".

Em resumo, o artigo apresenta um framework unificado que aproveita acelerações quânticas para aprendizado de operadores, enquanto usa ensemble compatível com clássico e previsão conformal para garantir as garantias de segurança rigorosas necessárias para implantação no mundo real.