🤖 machine learning

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

本文介绍了共形化量子深度算子网络集成，这是一个利用量子正交神经网络和叠加参数化量子线路来实现可扩展算子学习的框架，该框架具有线性推理复杂度，并为安全关键应用提供严格且分布无关的不确定性量化。

原作者： Purav Matlia, Christian Moya, Guang Lin

发布于 2026-05-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Purav Matlia, Christian Moya, Guang Lin

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在尝试预测一个复杂系统（如电网或天气系统）未来的行为。科学家通常使用庞大的计算机模拟来完成这项工作，但它们既缓慢又昂贵。为了加快速度，研究人员构建了“代理模型”——即智能的 AI 捷径，它们学习系统的规则，并能几乎瞬间预测未来。

然而，这些 AI 捷径存在两个大问题：

速度过快地变慢：随着细节变得越精细，计算工作量呈爆炸式增长，就像试图一颗一颗地数清海滩上的每一粒沙子。
过度自信：它们会给你一个答案，却无法告诉你这个答案可能错多少。在安全关键的情境下（例如防止电网崩溃），不了解风险是危险的。

本文介绍了一种名为共形化量子 DeepONet 集成的新解决方案。你可以将其想象为一个“超级强化、具备自我检查功能的预测团队”，它利用量子物理的奇特规律来解决上述问题。

以下是其工作原理，分解为简单概念：

1. 量子加速（“魔法透镜”）

传统的 AI 模型就像一位图书管理员，必须走过巨大图书馆的每一条过道才能找到一本书。随着图书馆的扩大，所需时间呈指数级（二次方）增长。

作者使用了一种量子 DeepONet，这相当于给那位图书管理员配备了一副“魔法透镜”。量子透镜无需逐条过道行走，而是可以一次性审视整个图书馆。这将速度从“走过每条过道”提升为“扫视整个房间”，使得预测速度更快且更具可扩展性，即使对于非常精细的模拟也是如此。

2. 预测团队（“集成”）

即使有了快速的量子模型，单个 AI 仍然可能出错或不确定。为了解决这个问题，研究人员不只使用一个模型，而是使用一个模型团队（即集成）。

类比：想象你让 10 位不同的专家猜测天气。如果他们一致同意，你就很有信心；如果他们意见大相径庭，你就知道存在不确定性。
问题：通常，运行 10 个不同的量子模型需要 10 倍的量子硬件（量子比特），以当前的技术这是不可能的。这就像试图在你的车库里建造 10 台独立的超级计算机。

3. “叠加”技巧（“幽灵团队”）

这是本文最巧妙的技巧。与其建造 10 台独立的量子计算机，他们使用了一种称为**叠加参数化量子电路（SPQCs）**的技术。

类比：想象你有一枚神奇的硬币。你不需要翻转它 10 次来获得 10 个结果，而是只需翻转一次；由于量子魔法（叠加态），它会同时落在“正面”和“反面”（以及两者之间的所有变体）上。
结果：他们可以在单个量子电路中同时运行所有 10 个“专家”（模型）。这节省了巨大的硬件资源，同时依然获得了拥有多样化预测团队的好处。

4. 安全网（“共形保证”）

拥有一支专家团队固然很好，但你如何知道他们的答案范围是可信的呢？本文增加了一层称为共形预测的机制。

类比：想象专家团队给你一个预报。共形方法就像一位“安全检查员”，它审视过去的错误。它会说：“基于我们过去的表现，我可以保证有 90% 的确定性，真实答案将落在这个特定范围内。”
好处：这为预测提供了一个数学上严谨的“安全管”。它不仅仅是猜测，而是确切地告诉你误差范围有多宽，且无需假设数据遵循特定模式（即分布无关）。

5. 混合方法（“集两者之长”）

研究人员意识到，量子计算机上的某些计算部分噪声较大，而其他部分则表现良好。

策略：他们构建了一个混合系统。他们让经典（常规）计算机处理那些容易且不需要量子加速的部分，而仅对繁重的任务使用量子“魔法透镜”。
结果：这消除了量子部分中不必要的“噪声”（错误），使得最终预测更清晰、更准确。

他们证明了什么？

作者在两类挑战上测试了该系统：

虚构的数学问题：他们求解了复杂的方程（如热传导或波传播），以证明数学原理是可行的。
真实的电网：他们在来自电力系统的真实世界数据上进行了测试。

结果：

该系统是准确的。
“安全管”（不确定性范围）是可靠的，即使量子计算机存在“噪声”（不完美），也能达到其目标覆盖率（例如，90% 的情况下是正确的）。
“叠加”技巧奏效了：他们获得了大型模型团队的好处，而无需 10 倍的硬件。

总结

本文提出了一种为复杂物理系统构建 AI 的新方法。它结合了量子速度（以处理大数据）、基于团队的预测（以理解不确定性）以及数学安全网（以确保证可靠性）。它通过利用“幽灵团队”技巧，解决了量子计算机规模太小而无法运行大型模型团队的问题，使得为电网等事物提供快速、安全且可信的预测成为可能。

以下是论文《用于无分布不确定性可扩展算子学习的共形化量子 DeepONet 集成》的详细技术总结。

1. 问题陈述

本文针对当前用于高维动力系统（如电网和偏微分方程 PDE）的神经算子学习（特别是 DeepONets）存在的两个根本性局限：

可扩展性瓶颈：经典 DeepONets 依赖于具有 $O(n^2)$ 计算复杂度的稠密神经网络层。这种二次缩放使其难以应用于需要精细离散化和大规模蒙特卡洛评估（例如 $10^4$ 个时间步）的安全关键应用。
不可靠的不确定性量化 (UQ)：安全关键部署需要严格的不确定性估计。贝叶斯神经网络或蒙特卡洛 Dropout 等标准方法缺乏无分布保证。虽然共形预测提供了此类保证，但将其应用于量子模型具有挑战性，因为：
- 朴素量子集成（并行运行 $L$ 个模型）会线性增加量子比特需求（ $O(L \cdot n)$ ），造成硬件瓶颈。
- 仅依赖量子测量散粒噪声来表征不确定性是不够的，因为它捕捉的是硬件噪声而非真正的认知不确定性（模型多样性）。

2. 方法论

作者提出了共形化量子 DeepONet 集成，这是一个集成了可扩展量子推理、资源高效集成和严格不确定性校准的框架。

A. 可扩展量子算子推断

量子正交神经网络 (QOrthoNNs)：核心架构使用基于可重构分束器 (RBS) 门的参数化量子电路 (PQCs) 替代经典稠密层。
复杂度降低：通过在单量子子空间操作并利用 RBS 门，推理复杂度从 $O(n^2)$ 降低至 $\tilde{O}(n)$ 。
训练策略：为避免训练期间的硬件噪声，模型在经典环境中进行训练。量子操作在数学上等价于精确的经典正交变换。优化过程在旋转角空间 ( $\theta$ ) 中进行，确保严格的正交性并避免 barren plateaus（ barren 高原），随后部署到量子硬件上进行推理。

B. 资源高效的集成

为了在不线性增加量子比特需求的情况下捕捉认知不确定性，作者采用了两种策略：

混合经典 - 量子架构：DeepONet 由“分支”网络（处理输入函数，每个场景评估一次）和“主干”网络（处理查询坐标，评估 $M$ $M$ 次）组成。
- 分支被替换为经典稠密网络。由于它仅评估一次， $O(n^2)$ 的成本被分摊，且消除了主要的量子噪声源。
- 主干保持量子化，以保留针对高频评估的 $\tilde{O}(n)$ 加速优势。
叠加参数化量子电路 (SPQCs)：与其并行运行 $L$ $L$ 个集成成员（需要 $L \times n$ $L \times n$ 个量子比特），SPQCs 将所有 $L$ $L$ 个模型编码到单个电路中。
- 利用均匀叠加态中的地址量子比特，该电路对整个集成仅执行一次状态制备、幺正演化和测量。
- 这将量子比特需求降低至 $n + 1 + \lceil \log_2(L) \rceil$ ，实现了可扩展的集成执行。

C. 无分布不确定性量化

自适应共形预测：该框架将集成的认知不确定性（预测的标准差）与共形预测相结合。
校准：非共形度分数计算为绝对误差除以局部集成标准差。从校准集中导出经验分位数 ( $\hat{q}$ )。
保证：只要数据可交换性成立，这将产生预测集 $C_\alpha(u, y)$ ，并保证真实值以 $1-\alpha$ 的概率落在该集合内，且该保证是无分布的。

3. 主要贡献

可扩展量子推理：展示了使用 QOrthoNNs 将算子推断复杂度从 $O(n^2)$ 降低至 $\tilde{O}(n)$ ，实现了细粒度离散化。
硬件高效的集成：引入了混合架构和 SPQCs 以压缩集成执行，解决了并行量子集成中固有的线性量子比特缩放问题。
严格的 UQ：将自适应共形预测与量子集成相结合，提供了数学保证的无分布不确定性界限。
鲁棒评估：在合成 PDE 和真实世界电力系统动态上，结合现实量子噪声模型（去极化、读出误差、热弛豫）验证了该框架。

4. 实验结果

该框架在合成基准（反导数、平流方程）和真实世界电力系统数据集（电压对电压、电压对功率）上进行了评估。

合成基准：
- 实现了低相对 $L_2$ 误差（例如，反导数为 0.46%，平流为 2.28%）。
- 在理想模拟下，保持了接近目标 90% 的经验覆盖率（例如，92.13% 和 88.99%）。
- 噪声鲁棒性：在现实噪声模型（IBM Brisbane, Torino, Marrakesh）下，共形框架保持了 $\ge 90\%$ 的覆盖率，证明了对硬件漂移的鲁棒性。
真实世界电力系统：
- 成功处理了离线（事后分析）和在线（实时预测）任务。
- 在线电压预测：尽管违反了可交换性假设（由于时间依赖性），仍实现了 90.11% 的覆盖率，作为严格的压力测试。
架构比较：
- 混合架构 vs. 全量子架构：混合架构（经典分支 + 量子主干）通过消除噪声分支瓶颈，在准确性和不确定性宽度方面显著优于全量子设置。
- SPQC vs. 朴素并行：SPQCs 在预测准确性和不确定性校准方面与标准集成相匹配，同时大幅减少了量子比特使用量（例如，4 成员集成仅需 7 个量子比特，而朴素方法需 20 个）。

5. 意义与展望

实践路径：这项工作通过解决可扩展性和可靠性双重问题，确立了在安全关键基础设施中部署量子机器学习的可行路径。
资源效率：SPQC 方法从根本上改变了量子集成的资源缩放方式，从线性变为对数（就量子比特而言），使得在近期硬件上进行大规模不确定性量化成为可能。
未来方向：作者指出，虽然当前的保证依赖于数据可交换性，但未来的工作必须解决非可交换的流数据问题（例如，通过序列共形预测）。此外，关于噪声有时在浅层电路中改善不确定性界限的反常观察，值得进一步研究“噪声诱导的正则化”。

总之，本文提出了一个统一的框架，利用量子加速进行算子学习，同时利用符合经典标准的集成和共形预测，确保现实世界部署所需的严格安全保证。