BARFI-Q: Quantum-Enhanced Block Attention Residual Fusion Framework for Multivariate Time-Series Forecasting in Atom Interferometry

Resumo Técnico: Framework BARFI-Q para Previsão em Interferometria Atômica

1. Formulação do Problema

A interferometria atômica gera fluxos temporais multivariados heterogêneos impulsionados pela evolução de fase, dinâmica de franjas, variáveis de controle e medições de sensoriamento auxiliar. A previsão precisa desses sinais é crítica para monitoramento preditivo, correção de fase e sensoriamento quântico inteligente. No entanto, as abordagens de previsão existentes enfrentam três desafios primários neste domínio:

1. Interações Complexas: Os sinais são não lineares, estruturados temporalmente, multiescala e sujeitos a interações acopladas entre variáveis heterogêneas.
2. Limitações dos Resíduos Padrão: A maioria dos modelos de previsão profunda (por exemplo, Transformers) depende de caminhos de resíduos aditivos fixos. Essa acumulação uniforme pode levar à diluição do sinal (misturando representações iniciais informativas com estados intermediários menos úteis), crescimento descontrolado da magnitude do estado oculto e perda gradual de pistas úteis das camadas iniciais.
3. Limitações Clássicas do Espaço Latente: Pipelines de características latentes puramente clássicas podem subutilizar transformações não lineares mais ricas, benéficas para dados de sensoriamento científico com dinâmicas estruturadas e acopladas.

O artigo formula a tarefa como previsão de séries temporais multivariadas, onde o alvo é a fase residual envolta ($\delta\phi$). Para lidar com a natureza periódica da fase, o alvo é representado no espaço circular usando componentes seno e cosseno ($\cos(\delta\phi), \sin(\delta\phi)$) em vez de valores angulares brutos, evitando descontinuidades na fronteira de $\pm\pi$.

2. Metodologia: O Framework BARFI-Q

Os autores propõem o BARFI-Q (Fusão Residual de Atenção em Blocos Aprimorada por Quântica), um framework híbrido de fusão de informação preditiva quântico-clássico. A arquitetura consiste em quatro etapas principais:

A. Representação de Entrada Baseada em Patches
Sequências multivariadas históricas são particionadas em patches temporais de comprimento fixo. Esses patches são projetados em um espaço latente para melhorar a abstração temporal e a eficiência computacional, seguindo estratégias vistas em modelos como o PatchTST.

B. Transformer BAR de Dupla Ramificação
Para capturar dinâmicas heterogêneas, o modelo emprega duas ramificações Transformer paralelas:

• Ramo 1: Foca em flutuações temporais de curto alcance e variações de fase locais.
• Ramo 2: Captura dependências de longo alcance e evolução contextual entre janelas.
  Ambos os ramos utilizam um mecanismo inovador de Resíduo de Atenção em Blocos (BAR). Diferentemente dos Transformers padrão que usam um atalho de resíduo aditivo fixo de um passo, o BAR recupera e reutiliza adaptativamente resumos informativos de todos os blocos anteriores.
• Mecanismo: Para um bloco atual $\ell$, o modelo calcula pontuações de compatibilidade ($s_{\ell,j}$) entre o estado atual e as representações de resumo de todos os blocos anteriores $j < \ell$.
• Agregação: Uma soma ponderada desses resumos anteriores é computada usando pesos de atenção normalizados por softmax ($\alpha_{\ell,j}$) e adicionada à representação atual.
• Propriedades Teóricas: Os autores provam que essa agregação é uma operação convexa e limitada, mitigando o risco de diluição do sinal e crescimento descontrolado da magnitude, enquanto generaliza a propagação de resíduo padrão como um caso limite.

C. Bloco de Fusão Hierárquica
As saídas dos dois ramos são fundidas através de um processo de refinamento progressivo:

1. Concatenação: As saídas dos ramos são concatenadas e projetadas em um espaço latente unificado.
2. Atenção Multiescala de Canal: Utiliza filtros convolucionais paralelos (3x3, 5x5, 7x7) para capturar padrões temporais de fino a amplo, seguidos por atenção por canal para recalibrar canais informativos.
3. Atenção Multiescala Espacial: Aplica filtragem multiescala similar à dimensão temporal para enfatizar passos de tempo importantes e estruturas locais.
   Este bloco garante que características complementares de diferentes ramos sejam efetivamente integradas antes da etapa final de aprimoramento.

D. Mapeamento de Características Quânticas (QFM)
Após a fusão, a representação latente é enriquecida por um módulo de Mapeamento de Características Quânticas.

• Função: O QFM atua como um misturador de características interno dentro de uma pipeline clássica, não como um preditor quântico autônomo.
• Processo: As características fundidas são projetadas em um espaço latente compatível com quântica, codificadas em estados quânticos parametrizados via portas de rotação (por exemplo, $R_Y$), emaranhadas (por exemplo, via portas CNOT em uma estrutura em anel) e medidas (expectativas de Pauli-$Z$).
• Saída: Os resultados da medição são agregados e adicionados de volta à representação latente via uma conexão residual, fornecendo uma transformação não linear mais rica das características fundidas.

E. Cabeça de Previsão
A representação final aprimorada pelo QFM é passada para uma cabeça leve que prevê a fase futura no espaço circular (componentes seno/cosseno), que são então reconstruídas no ângulo de fase envolta.

3. Contribuições Principais

O artigo afirma as seguintes contribuições:

• Arquitetura BARFI-Q: Um framework inovador integrando incorporação baseada em patches, modelagem temporal de dupla ramificação, fusão hierárquica, agregação adaptativa de resíduo de atenção em blocos e mapeamento de características quânticas.
• Formulação Orientada à Fusão: Enquadrar a previsão em interferometria atômica como um problema de fusão sobre fluxos heterogêneos (observações históricas, variáveis de fase, covariáveis auxiliares).
• Roteamento Adaptativo de Resíduos: A introdução da agregação de Resíduo de Atenção em Blocos (BAR), que substitui resíduos aditivos fixos pela reutilização adaptativa de informações cruzadas entre profundidades, abordando a diluição do sinal e o crescimento de magnitude.
• Aprimoramento Híbrido Quântico: A integração de um módulo de Mapeamento de Características Quânticas (QFM) para aprimorar representações latentes para dinâmicas interferométricas complexas sem sacrificar a escalabilidade do aprendizado profundo clássico.
• Framework End-to-End: Unificando modelagem temporal, fusão hierárquica, roteamento adaptativo de resíduos e transformação aprimorada por quântica em uma única arquitetura.

4. Resultados Experimentais

O framework foi avaliado em dados de interferometria atômica envolvendo orientações, acelerações e rotações arbitrárias.

• Desempenho vs. Baselines: O BARFI-Q superou consistentemente baselines robustas (incluindo TSLANet, iTransformer, PatchTST, TimesNet, NanoMST, Informer, Autoformer e Transformers vanilla) em múltiplas execuções e tamanhos de janela de entrada ($L \in \{8, 16, 32, 64, 128\}$).
  • Em comparações diretas, o BARFI-Q alcançou o menor MSE médio (1,5949) e MAE (1,0181).
  • Em estudos de substituição de backbone, substituir o backbone BAR por outras variantes de Transformer resultou em degradação sistemática de desempenho, confirmando a contribuição do próprio mecanismo BAR.
• Robustez: O modelo manteve desempenho superior em tamanhos de janela variados, indicando estabilidade tanto em contextos temporais curtos quanto longos.
• Estudos de Ablação:
  • Fusão: Remover Atenção de Canal (CA) ou Atenção Espacial (SA) degradou o desempenho, com a configuração completa CA+SA produzindo os melhores resultados.
  • Configuração Quântica: Uma ablação na arquitetura de qubits e estratégias de codificação mostrou que um design de 4 qubits com codificação angular forneceu a maior qualidade discriminativa no nível de representação (AUC) e a melhor precisão de previsão.
• Análise Qualitativa: Visualizações de reconstrução de franjas demonstraram que o BARFI-Q rastreou tendências oscilatórias da verdade fundamental, alinhamento de fase e preservação de amplitude com maior precisão do que métodos concorrentes.

5. Significado e Afirmações

O artigo posiciona o BARFI-Q como uma arquitetura especializada para sensoriamento científico, e não como um modelo de previsão genérico. Seu significado reside em:

• Abordando Limitações de Resíduos: Ao substituir resíduos aditivos uniformes por agregação adaptativa em nível de bloco, o modelo mitiga a diluição do sinal e preserva informações úteis de camadas anteriores, o que é crucial para previsão em interferometria atômica multiescala.
• Design Híbrido: Demonstra uma aplicação prática de aprendizado de máquina quântico, onde módulos quânticos servem como etapas de aprimoramento latente dentro de um framework clássico escalável, oferecendo transformações não lineares mais ricas para dinâmicas físicas acopladas.
• Fusão Preditiva: Fornece uma abordagem principial para fundir fluxos de sensoriamento heterogêneos (fase, franjas, variáveis de controle) para monitoramento preditivo e estabilização em pipelines de sensoriamento quântico.

Os autores concluem que a combinação de aprendizado temporal multiescala, fusão hierárquica, roteamento adaptativo de resíduos e transformação latente aprimorada por quântica fornece um framework eficaz para previsão de séries temporais em interferometria atômica, com trabalhos futuros planejados para conjuntos de dados mais amplos e compensação preditiva em tempo real.