Quantum Neural Networks for Wind Energy Forecasting: A Comparative Study of Performance and Scalability with Classical Models

Resumo Técnico: Redes Neurais Quânticas para Previsão de Energia Eólica

Definição do Problema
O Aprendizado de Máquina Quântico (QML) detém uma promessa teórica para aprimorar o aprendizado clássico por meio de princípios como superposição e emaranhamento. No entanto, persiste o ceticismo quanto à sua utilidade prática, particularmente dentro das restrições dos dispositivos de Escala Intermediária com Ruído Quântico (NISQ). Existe uma lacuna significativa na literatura em relação a benchmarks sistemáticos de arquiteturas de Redes Neurais Quânticas (QNN) para tarefas de regressão do mundo real. Especificamente, há evidências empíricas limitadas que orientam a seleção de configurações ideais de QNN, sua escalabilidade em relação ao tamanho do conjunto de dados e seu custo computacional em comparação com modelos clássicos na previsão de energia. Este estudo aborda essas lacunas avaliando QNNs para a previsão de potência eólica, uma tarefa crítica para a integração à rede e planejamento operacional, onde a complexidade dos dados frequentemente desafia a escalabilidade clássica.

Metodologia
O estudo utiliza um conjunto de dados temporais do mundo real composto por 4.464 medições de uma turbina eólica, registradas em intervalos de 10 minutos. As características de entrada incluem velocidade do vento, direção, pressão atmosférica e temperatura, com a potência gerada como variável alvo. Para analisar a escalabilidade, os autores criaram subconjuntos de 1.000, 2.000, 3.000 e 4.000 amostras, subdivididos em conjuntos de treinamento de 80% e teste de 20%, normalizados via escala min-max.

O design experimental foca em um paradigma Clássico-Quântico (CQ) utilizando o Qiskit Machine Learning. A metodologia central envolve:

1. Codificação de Dados: O Z Feature Map foi selecionado em detrimento do ZZ Feature Map com base no desempenho prévio, escolhido por sua capacidade de produzir circuitos rasos adequados para simulação e hardware de curto prazo.
2. Design do Ansatz: Seis configurações distintas de QNN foram construídas combinando o Z Feature Map com seis estratégias de emaranhamento diferentes: Full (Total), Linear, Circular, Shifted-Circular Alternating (SCA), Reverse Linear e Pairwise (Par).
3. Otimização: Os modelos foram treinados usando otimizadores clássicos (ADAM e L-BFGS-B) para minimizar o erro de previsão.
4. Benchmarking: O desempenho foi comparado contra três modelos de regressão clássicos: k-Nearest Neighbors (kNN), Decision Tree Regressor (DTR) e Regressão Linear (LR).

As métricas de avaliação incluíram o coeficiente de determinação ($R^2$), Raiz do Erro Quadrático Médio (RMSE), estabilidade de treinamento (via variância da perda e análise de picos) e complexidade de tempo de simulação.

Principais Contribuições
O artigo fornece quatro contribuições primárias:

1. Benchmarking Sistemático: Uma avaliação abrangente de seis configurações de QNN em uma tarefa de regressão de energia eólica do mundo real, analisando o desempenho preditivo e a estabilidade através de diferentes tamanhos de conjuntos de dados.
2. Análise de Escalabilidade: Uma investigação sobre como o tamanho do conjunto de dados impacta tanto a precisão do modelo quanto o tempo de execução da simulação, identificando um "ponto de retornos decrescentes" específico.
3. Caracterização de Complexidade: Evidência empírica demonstrando que o tempo de treinamento da QNN escala linearmente ($O(n)$) com o tamanho do conjunto de dados, sendo que a contagem total de portas quânticas foi identificada como o principal impulsionador do custo computacional.
4. Estrutura de Estabilidade: Uma estrutura de análise de estabilidade proposta comparando a dinâmica de aprendizado das QNNs através de diferentes configurações de circuito usando desvio padrão, picos máximos de perda e valores finais de perda.

Resultos Experimentais

• Desempenho Preditivo: As configurações de QNN alcançaram um desempenho competitivo ou superior em comparação com as bases clássicas. A configuração de melhor desempenho, QNN-3 (usando a estratégia de emaranhamento Circular), atingiu um escore $R^2$ de 0,94 e um RMSE de 174,67 kW no maior conjunto de teste. Isso superou o melhor modelo clássico (kNN), que alcançou um $R^2$ de 0,94 e um RMSE de 182,99 kW, representando uma redução de 4,5% no erro de previsão.
• Tendências de Escalabilidade: As melhorias de desempenho foram mais significativas ao aumentar o tamanho do conjunto de dados de 800 para 1.600 amostras. Além de 1.600 amostras, aumentos adicionais nos dados não geraram melhorias consistentes em $R^2$ ou RMSE; em alguns casos, o desempenho declinou ligeiramente. Isso sugere uma razão ideal entre volume de dados e complexidade do modelo para as arquiteturas testadas.
• Estabilidade: A QNN-6 (emaranhamento Pairwise) demonstrou a maior estabilidade em todas as métricas, enquanto a QNN-2 apresentou a maior variabilidade. Conjuntos de dados maiores geralmente contribuíram para uma convergência mais suave e redução da variância da perda.
• Eficiência Computacional: O tempo de treinamento escalou linearmente com o tamanho do conjunto de dados. Configurações com menores contagens totais de portas (QNN-5 e QNN-6, com 34 portas) foram as mais eficientes em termos de tempo, enquanto a QNN-1 (40 portas) exigiu os tempos de treinamento mais longos.
• Distribuição de Erro: Os modelos quânticos geralmente exibiram distribuições de erro mais simétricas e concentradas do que os modelos clássicos. No entanto, uma limitação notável foi observada: as QNNs ocasionalmente produziram saídas de potência negativas fisicamente inválidas, um comportamento não visto no kNN ou DTR.

Significância e Alegações
Os autores afirmam que este estudo fornece uma avaliação empírica estruturada de QNNs para tarefas de regressão, demonstrando sua viabilidade como uma alternativa complementar ao aprendizado de máquina clássico, particularmente em cenários de dados limitados. Os achados sugerem que, embora as QNNs possam igualar ou exceder o desempenho clássico, sua escalabilidade é limitada por uma razão ideal entre dados e complexidade e pelo custo computacional de circuitos pesados em portas.

O artigo conclui modestamente que as QNNs são promissoras, mas ainda não são uma substituição integral para os métodos clássicos. Ele destaca a necessidade de trabalhos futuros para incorporar bases clássicas avançadas (ex: XGBoost, LSTM), realizar otimização de hiperparâmetros e desenvolver métodos para impor restrições físicas (como saídas de potência não negativas) dentro do processo de modelagem das QNNs. O estudo serve como um benchmark fundamental para entender as trocas entre complexidade do modelo, tamanho do conjunto de dados e custo computacional na atual era NISQ.