Hybrid Quantum-Classical Machine Learning Algorithms for Multi-Output Time-Series Forecasting at Utility Scale

Resumo Técnico: Aprendizado de Máquina Híbrido Quântico-Clássico para Previsão de Séries Temporais com Múltiplas Saídas

Enunciado do Problema
A previsão precisa de séries temporais com múltiplas saídas é crítica para a operação confiável de sistemas energéticos modernos, incluindo o equilíbrio de carga e a integração de fontes renováveis. No entanto, prever a demanda de eletricidade é desafiador devido a dinâmicas não lineares, sazonalidade em múltiplas escalas e fortes dependências entre séries correlacionadas. Modelos estatísticos clássicos (por exemplo, ARIMA) frequentemente lutam com essas não linearidades, enquanto abordagens flexíveis de aprendizado de máquina geralmente exigem dados substanciais e recursos computacionais. Embora o aprendizado de máquina quântico (QML) ofereça potencial por meio de mapas de características não lineares expressivos e dinâmicas de reservatório, aplicações práticas em dispositivos quânticos de escala intermediária ruidosa (NISQ) atuais são limitadas por contagens de qubits reduzidas, profundidades de circuito rasas e ruído de hardware. O artigo aborda a viabilidade de frameworks híbridos quântico-clássicos para previsão de energia em múltiplos fluxos na escala de 100+ qubits sob essas restrições realistas.

Metodologia
Os autores investigam dois frameworks híbridos quântico-clássicos distintos utilizando um conjunto de dados real de Medidores Inteligentes (Smart Meter) composto por 103 séries temporais de consumo de eletricidade residencial. Os experimentos foram conduzidos tanto em um simulador de Estado de Produto Matricial (MPS) quanto no processador quântico supercondutor ibm_marrakesh.

1. Computação de Reservatório Quântico Kernelizada com Medição Repetida (KQRC-RM):

   • Arquitetura: Este modelo estende a Computação de Reservatório Quântico (QRC) para múltiplas séries temporais correlacionadas. Emprega reservatórios quânticos acoplados onde cada série temporal é mapeada para um registro de sistema pareado com um registro ancila.
   • Dinâmica: Os dados de entrada são codificados via unitários parametrizados. Portas de emaranhamento propagam informações tanto dentro de fluxos individuais quanto entre fluxos vizinhos para modelar correlações cruzadas.
   • Leitura: O framework utiliza medições repetidas assistidas por ancila. Apenas os qubits ancila são medidos em cada passo de tempo, enquanto os qubits do sistema mantêm a coerência para reter memória. As distribuições de probabilidade resultantes formam vetores de características.
   • Regressão: Uma leitura kernelizada (kernel RBF seguido por regressão de crista) é treinada nessas características quânticas para prever valores futuros.
   • Escala: Os experimentos utilizaram 114 qubits (15 de sistema + 15 ancila por fluxo para 3 fluxos concorrentes).

2. Processo Gaussiano de Kernel Quântico Projetado (QGP):

   • Arquitetura: Uma alternativa bayesiana que substitui kernels quânticos baseados em fidelidade por kernels projetados construídos a partir de estatísticas de estados reduzidos locais. Esta abordagem evita circuitos profundos de computação-descomputação e mitiga a sensibilidade ao ruído.
   • Construção do Kernel: A similaridade entre entradas é determinada comparando matrizes de densidade reduzidas locais (especificamente subconjuntos de 2 corpos) em vez de sobreposições de estados globais.
   • Regressão: Um Processo Gaussiano (GP) de múltiplas saídas utiliza esses kernels projetados para prever múltiplas séries temporais simultaneamente, fornecendo incerteza preditiva.
   • Escala: Este framework é mais eficiente em termos de hardware, escalando linearmente com o número de séries temporais. Os experimentos variaram de subconjuntos de 5 clientes a um experimento em escala de utilidade de 100 qubits (um qubit por cliente).

Principais Resultados

• Diagnósticos Teóricos: A análise da diferença geométrica ($g_{CQ}$) e da complexidade do modelo ($\kappa$) indicou que o conjunto de dados de Medidores Inteligentes exibe assinaturas consistentes com um regime onde modelos quânticos podem acessar espaços de função distintos das bases clássicas, particularmente à medida que o tamanho do conjunto de dados aumenta.
• Desempenho do KQRC-RM:
  • No simulador MPS, o modelo alcançou um MAE de 0,0811 para uma entrada/saída de 3 fluxos, representando uma melhoria de 36,92% sobre seu análogo clássico (ESN-KRR).
  • No hardware, o desempenho degradou para um MAE de 0,1524 devido ao ruído das portas e à decoerência, embora o modelo ainda tenha capturado tendências temporais dominantes.
• Desempenho do QGP:
  • Escala Pequena: Em um subconjunto de 5 clientes, o QGP alcançou um MAE de 0,16 no simulador e 0,24 no hardware. Isso corresponde a uma redução de 62,01% no MAE no simulador e 40,37% no hardware em comparação com uma base clássica de GP de múltiplas saídas.
  • Escala de Utilidade (100 Qubits): No experimento em grande escala, 49% dos clientes alcançaram previsões de alta precisão (MAE < 0,15), e 80% caíram em regimes de erro baixo ou médio.
  • Correlação com Hardware: A distribuição de precisão estava diretamente correlacionada com o cenário de ruído físico do hardware. Clientes mapeados para qubits com tempos de coerência $T_2$ mais longos e erros de porta CZ mais baixos consistentemente caíram no tier de erro baixo, enquanto aqueles mapeados para regiões degradadas (por exemplo, qubits do meio da cadeia) contribuíram para o regime de alto erro.

Significado e Alegações
O artigo alega demonstrar a viabilidade do aprendizado de máquina quântico híbrido para previsão de séries temporais com múltiplas entradas e múltiplas saídas na escala de 100+ qubits em dispositivos NISQ.

• Viabilidade Empírica: Os resultados mostram que tanto o KQRC-RM quanto o QGP permanecem operacionais sob restrições realistas de ruído, capturando padrões de demanda para a maioria dos clientes, mesmo no hardware atual.
• Escalabilidade e Eficiência: O estudo destaca um compromisso: o KQRC-RM é eficaz para capturar dinâmicas complexas, mas é intensivo em recursos, enquanto o QGP oferece uma alternativa mais escalável e eficiente em hardware, adequada para um maior número de séries temporais com conjuntos de dados de treinamento menores.
• Consciência de Hardware: O experimento em escala de utilidade sublinha a importância da otimização consciente da topologia e da seleção de qubits, mostrando que a qualidade da previsão depende fortemente das características físicas específicas do processador quântico utilizado.

Os autores concluem que, embora essas descobertas representem um passo significativo em direção à previsão assistida por quântica prática, elas devem ser interpretadas principalmente como um estudo de viabilidade empírica. O trabalho não alega uma "vantagem quântica" definitiva sobre todos os métodos clássicos em todas as configurações, mas estabelece que modelos quânticos híbridos podem superar bases clássicas específicas em tarefas estruturadas de previsão energética sob restrições NISQ.