Digital Quantum Reservoir Computing for ATM Time Series Prediction

Resumo Técnico: Computação de Reservatório Quântico Digital para Predição de Séries Temporais de Caixas Eletrônicos (ATM)

Definição do Problema
O artigo aborda o desafio de prever a demanda de dinheiro em caixas eletrônicos (ATM), uma tarefa operacional crítica na logística bancária, caracterizada por comportamento não estacionário, sazonalidade (diária, semanal, anual) e flutuações estocásticas. Os autores investigam se a Computação de Reservatório Quântico Digital (QRC) pode servir como um arcabouço viável para a predição de séries temporais de múltiplos passos em dispositivos de escala intermediária ruidosos (NISQ) de curto prazo. O estudo visa avaliar se sistemas quânticos dinâmicos podem capturar dependências temporais complexas em dados financeiros sem os problemas de treinabilidade associados aos circuitos quânticos parametrizados profundos.

Metodologia
O arcabouço proposto utiliza uma arquitetura de QRC digital onde um circuito quântico fixo atua como um mapa de características não linear, e apenas uma camada de leitura clássica linear é treinada.

• Dados e Pré-processamento: O estudo utiliza três anos de dados diários de saques de 13 caixas eletrônicos. Os dados brutos são limpos via interpolação linear e reescalonados para o intervalo $[0, \pi]$ para servirem como ângulos de rotação para as portas quânticas.
• Arquitetura do Reservatório Quântico: O sistema utiliza um registro de quatro qubits:
  • Qubits do Sistema (2): Preservam a memória entre os passos de tempo.
  • Qubits Auxiliares (2): Medidos e resetados a cada passo de tempo para processar a entrada sequencialmente.
  • Ansatzes: Dois tipos de estruturas de circuito são testados: um ansatz de linha de base (adaptado de trabalhos anteriores para eficiência de hardware) e um Ansatz de Renormalização de Emaranhamento Multiescala (MERA), que introduz emaranhamento hierárquico.
  • Parâmetro de Memória ($m$): A profundidade do circuito é controlada por $m$, representando o número de passos de tempo consecutivos codificados antes da predição. Os valores testados incluem múltiplos de 7 (7, 14, 21, 28, 35, 42) para alinhar-se com a periodicidade semanal.
• Extração de Características: As medições geram observáveis clássicos usados como entrada para o modelo de regressão. Os autores comparam:
  • Observáveis de um único qubit: Correladores de um ponto ($\langle Z_i \rangle$).
  • Características aumentadas: Concatenação de observáveis de um único qubit e correladores de dois pontos ($\langle Z_i Z_k \rangle$).
• Leitura e Predição: Um modelo de Regressão Ridge clássico mapeia as características quânticas para os valores futuros de demanda de dinheiro. O sistema opera em uma configuração de malha fechada para prever um horizonte de 10 dias ($K=10$). Uma abordagem RegressorChain também foi testada para lidar com a predição de múltiplos passos, mas foi descartada por causar um suavizamento excessivo das dinâmicas temporais.
• Configuração Experimental: Os experimentos foram conduzidos usando:
  1. Simulação sem ruído (Aer Simulator).
  2. Emulação consciente de ruído (modelo de ruído IQM Adonis).
  3. Execução em hardware real no processador quântico IQM Spark.
• Benchmarking: O desempenho é comparado contra o Prophet, um modelo aditivo clássico de última geração para predição de séries temporais.

Principais Contribuições

1. Análise Sistemática de Escolhas de Design: O artigo fornece uma avaliação empírica abrangente de como o ansatz do circuito (Linha de Base vs. MERA), estratégias de medição (um ponto vs. dois pontos), profundidade de memória e ruído de hardware impactam o desempenho do QRC em um cenário financeiro realista.
2. Espaço de Características Aumentado: O estudo demonstra que estender o espaço de características para incluir correladores de dois pontos aumenta o poder expressivo do reservatório, gerando geralmente melhores resultados do que apenas os observáveis de um único qubit.
3. Avaliação Consciente do Hardware: Diferente de muitos estudos de prova de conceito, este trabalho avalia o arcabouço em um dispositivo NISQ real (IQM Spark), contrastando simulações idealizadas com emulação consciente de ruído e execução real em hardware.
4. Relevância Operacional: A aplicação à demanda de dinheiro em caixas eletrônicos fornece um benchmark rigoroso para modelagem temporal, indo além de conjuntos de dados sintéticos para operações bancárias do mundo real.

Resultados

• Métricas de Desempenho: O estudo avalia os resultados usando Erro Quadrático Médio Normalizado (NMSE), Erro Médio Absoluto (MAE) e Distorção Temporal Dinâmica (DTW).
• Comparação com o Prophet:
  • MAE e NMSE: Os modelos QRC não superaram o benchmark Prophet. O Prophet alcançou consistentemente erros menores, indicando que os modelos quânticos tiveram dificuldade em reproduzir predições pontuais precisas e capturar toda a variância da série temporal.
  • DTW: Os modelos QRC obtiveram resultados mais competitivos na métrica DTW. Em vários casos, particularmente com o ansatz MERA e características aumentadas no backend IQM Spark, o QRC superou ligeiramente o Prophet. Isso sugere que, embora a amplitude das predições possa ser imprecisa, o reservatório quântico retém uma capacidade parcial de capturar a forma temporal geral e a estrutura da série.
• Impacto do Ruído: Contra-intuitivamente, a transição de uma simulação sem ruído para uma emulação consciente de ruído e execução em hardware real frequentemente melhorou a qualidade da predição (menor MAE/NMSE). Os autores sugerem que o ruído do hardware pode injetar não linearidades benéficas no reservatório, aprimorando seu mapa de características, embora isso venha com o compromisso de uma profundidade de circuito limitada devido às restrições de tempo de coerência.
• Melhor Configuração: A configuração mais eficaz identificada foi o ansatz MERA com características aumentadas e um parâmetro de memória de $m=21$, que ofereceu o melhor compromisso entre qualidade preditiva e viabilidade de hardware no IQM Spark.

Significância e Alegações
O artigo conclui que, embora as implementações atuais de QRC digital em hardware NISQ ainda não superem baselines clássicas robustas como o Prophet para predição financeira pontual precisa, elas demonstram uma capacidade parcial de capturar estruturas temporais, conforme evidenciado pelo desempenho em DTW.

Os autores enfatizam que o estudo fornece uma avaliação empírica do QRC digital sob restrições práticas. As principais conclusões incluem:

• Viabilidade: O QRC digital é viável em hardware atual para tarefas de séries temporais, desde que a profundidade do circuito seja gerenciada via parâmetros de memória.
• Papel do Ruído: O ruído realista do hardware e as dinâmicas específicas do dispositivo podem desempenhar um papel não trivial e potencialmente benéfico nas capacidades de transformação do reservatório, desafiando a noção de que o ruído é exclusivamente prejudicial.
• Limitações: A abordagem é atualmente limitada pelas restrições de profundidade de circuito (tempo de coerência) e pela incapacidade de generalizar ganhos de desempenho entre diferentes plataformas de hardware sem ajustes específicos.
• Perspectiva Futura: O trabalho destaca a necessidade de explorar mais a fundo a interação entre o ruído quântico, a expressividade do circuito e as restrições de hardware para identificar configurações ideais para futuras predições potencializadas por computação quântica.