Digital Quantum Reservoir Computing for ATM Time Series Prediction

本文研究了一种用于在近期量子硬件上预测 ATM 现金需求的数字量子储备池计算框架，发现虽然该框架在标准误差指标上并未超越经典基准，但在通过动态时间规整捕捉时间结构方面展现出了具有竞争力的性能。

要点

想象一下，你正试图猜测未来 10 天内一台 ATM 机需要多少现金。这不仅仅是一个简单的数学问题；数据是杂乱无章的，充满了每周的节奏、节假日的激增以及随机的意外情况。

这篇论文是一项实验，旨在观察一种由**量子物理学构成的全新“大脑”**是否能比我们现有的最佳标准计算机程序更好地完成这个猜谜游戏。

以下是他们实验的详细分解，用通俗易懂的方式进行了解释：

1. 设置：一个量子“回声室”

将他们构建的**量子储层计算（QRC）**系统想象成一个复杂的高科技回声室。

• 输入： 你向机器输入一个数字（今天取走了多少现金）。
• 回声室（储层）： 这不是一个简单的计算器，而是一个仅由**四个量子比特（qubits）**组成的微型量子电路。它就像一个由细绳组成的复杂、纠缠的网络。当你输入一个数字时，这个网络会以一种复杂且混沌的方式发生振动。
• 记忆： 在处理每个数字后，网络的某些部分会被“重置”，但另外两个部分会被保留下来以记住过去。这就像拥有一个短期记忆，能够抓住过去几天的数据。
• 输出： 在网络振动之后，研究人员会对量子态进行一次“快照”（测量）。他们将这个快照转化为一组数字（特征），并将其输入到一个非常简单的标准计算机程序（线性回归模型）中，以做出最终的预测。

2. 实验：测试不同的“形状”

研究人员尝试寻找这种回声室的最佳形状。他们测试了两种主要设计：

• “基准（Baseline）”设计： 一种连接量子细绳的标准、直接的方式。
• “MERA”设计： 一种更复杂的层次化设计（类似于分形树），试图在不同的细节层级上捕捉模式。

他们还测试了两种“读取”回声室的方式：

• 简单读取： 仅仅观察单个细绳。
• 高级读取： 观察细绳之间是如何相互作用的（相关性）。他们发现，观察相互作用能为计算机提供更多信息。

3. 测试：真实的 ATM 数据

他们使用了来自意大利 13 台不同 ATM 机三年的真实取款数据。目标是预测未来 10 天的现金需求。

• 对手： 他们将这个量子系统与 Prophet 进行对比，后者是一款被广泛应用于商业领域、用于时间序列预测的高度优化的著名软件。你可以把 Prophet 想象成一位经验丰富、资深的资深气象预报员。
• 环境条件： 他们在三种环境下运行了测试：
  1. 完美模拟： 一台假装是完美量子机器的计算机（没有误差）。
  2. 噪声模拟： 一台假装是会犯错的量子机器（类似于真实的量子机器）的计算机。
  3. 真实硬件： 他们实际上在实验室里的一个真实量子处理器（IQM Spark）上运行了代码。

4. 结果：谁赢了？

结果既有“尚未完全达标”的无奈，也有“潜力巨大”的惊喜。

• 评分卡（准确度）： 就原始数字而言（即预测值与实际金额的接近程度），Prophet 软件几乎在所有情况下都胜出了。量子模型的误差更大。
• 形状（时机）： 然而，当他们观察图形的“形状”（即使数字略有偏差，但是否在正确的时间上升或下降？）时，量子模型表现得非常出色。在某些情况下，尤其是在使用“高级读取”方法时，它们捕捉数据“节奏”的能力甚至超过了经典软件。
• 噪声惊喜： 这是最违反直觉的部分。通常情况下，噪声（误差）是有害的。但在这次实验中，真实的量子硬件（带有噪声的）在某些情况下表现得比完美的模拟系统更好。就好像电台里的“静电噪音”反而帮助量子系统听清了信号。噪声似乎增加了一层有益的复杂性，这是简单的计算机模型无法复制的。

5. 结论

论文得出结论，虽然这个特定的量子设置并未在预测精确数值方面击败最佳的经典方法，但它证明了：

1. 量子系统可以捕捉时间序列数据的“节奏”和“形状”。
2. 使用“有噪声”的真实量子计算机有时是一种优势，而非劣势。
3. 这项技术仍处于其“婴儿期”（NISQ 时代）。它就像一个正在学跳舞的幼儿，虽然能随着音乐起舞（捕捉模式），但还没有学会精准地踩中每一个音符（预测精确的数字）。

简而言之： 他们制造了一个微小的量子水晶球来预测 ATM 的现金需求。它虽然在预测确切美元金额方面不如标准计算机，但它展示了一种理解时间“流动”的独特能力，并且令人惊讶的是，真实量子机器中的“故障”反而帮助它学得更好，比完美的模拟系统效果更佳。

技术摘要

技术摘要：用于 ATM 时间序列预测的数字量子储备池计算

问题陈述
本文探讨了自动取款机（ATM）现金需求预测的挑战，这是一项关键的银行物流运营任务，其特点是具有非平稳行为、季节性（日、周、年）以及随机波动。作者研究了**数字量子储备池计算（Digital Quantum Reservoir Computing, QRC）**是否可以作为一种可行的框架，用于在近期的、含噪声的中规模量子（NISQ）设备上进行多步时间序列预测。该研究旨在评估量子动力系统是否能在不涉及深度参数化量子电路所带来的训练问题的情况下，捕捉复杂的时序依赖关系。

方法论
所提出的框架采用了一种数字 QRC 架构，其中一个固定的量子电路充当非线性特征映射，而仅训练一个经典的线性读取层。

• 数据与预处理： 研究利用了来自 13 台 ATM 的三年的每日取款数据。原始数据通过线性插值进行清洗，并缩放到 $[0, \pi]$ 区间，以作为量子门的旋转角度。
• 量子储备池架构： 系统使用一个四比特寄存器：
  • 系统比特（2个）： 在各时间步之间保持记忆。
  • 辅助比特（2个）： 在每个时间步进行测量和重置，以顺序处理输入。
  • 拟设（Ansatzes）： 测试了两种电路结构：基准拟设（Baseline ansatz）（改编自先前的研究以提高硬件效率）和多尺度纠缠重整化网络（MERA），后者引入了层次化纠缠。
  • 记忆参数 ($m$)： 电路深度由 $m$ 控制，代表在预测前编码的连续时间步数。测试的值包括 7 的倍数（7, 14, 21, 28, 35, 42），以符合周期的季节性。
• 特征提取： 测量结果产生用于回归模型的经典观测值。作者对比了：
  • 单比特观测值： 一点相关函数 ($\langle Z_i \rangle$)。
  • 增强特征： 单比特观测值与两点相关函数 ($\langle Z_i Z_k \rangle$) 的拼接。
• 读取与预测： 一个经典的**岭回归（Ridge regression）**模型将量子特征映射到未来的现金需求值。系统采用闭环配置来预测 10 天的预测期（$K=10$）。研究还测试了 RegressorChain 方法来处理多步预测，但最终因其过度平滑了时间动力学特性而将其弃用。
• 实验设置： 实验在以下三种环境下进行：
  1. 无噪声模拟（Aer Simulator）。
  2. 噪声感知仿真（IQM Adonis 噪声模型）。
  3. 在 IQM Spark 量子处理器上进行真实硬件执行。
• 基准测试： 性能与 Prophet（一种最先进的经典加法时间序列预测模型）进行对比。

核心贡献

1. 对设计选择的系统性分析： 本文对电路拟设（Baseline vs. MERA）、测量策略（单点 vs. 两点相关函数）、记忆深度以及硬件噪声如何影响实际金融场景下的 QRC 性能进行了全面的实证评估。
2. 增强特征空间： 研究表明，将特征空间扩展到包含两点相关函数可以增强储备池的表达能力，通常比仅使用单比特观测值效果更好。
3. 硬件感知评估： 不同于许多概念验证研究，这项工作在真实的 NISQ 设备（IQM Spark）上评估了该框架，并将理想化的模拟、噪声感知仿真与实际硬件执行进行了对比。
4. 业务相关性： 将应用对象设定为 ATM 现金需求，为时序建模提供了一个严格的基准，超越了合成数据集，进入了现实世界的银行运营领域。

结果

• 性能指标： 研究使用归一化均方误差（NMSE）、平均绝对误差（MAE）和动态时间规整（DTW）来评估结果。
• 与 Prophet 的比较：
  • MAE 和 NMSE： QRC 模型并未超越 Prophet 基准。Prophet 始终实现了更低的误差，这表明量子模型在实现精确的点对点预测和捕捉时间序列完整方差方面仍存在困难。
  • DTW： QRC 模型在 DTW 指标上取得了更具竞争力的结果。在若干情况下，特别是使用 MERA 拟设和增强特征并在 IQM Spark 后端运行时，QRC 略微优于 Prophet。这表明，尽管预测的振幅可能不准确，但量子储备池保留了捕捉序列整体时间形状和结构的部分能力。
• 噪声的影响： 与直觉相反，从无噪声模拟转向噪声感知仿真和真实硬件执行往往提高了预测质量（降低了 MAx/NMSE）。作者认为，硬件噪声可能会向储备池注入有益的非线性，从而增强其特征映射能力，尽管这必须以受限于相干时间的电路深度限制为代价。
• 最佳配置： 确定的最有效配置是 MERA 拟设 结合 增强特征 以及记忆参数 $m=21$，它在预测质量与硬件可行性之间提供了最佳平衡。

意义与主张
论文得出结论，虽然目前的数字 QRC 实现（在 NISQ 硬件上）在精确的点对点金融预测方面尚未超越像 Prophet 这样强大的经典基准，但它们展示了捕捉时间结构的部分能力，这可以通过 DTW 性能得到证实。

作者强调，本研究是对数字 QRC 在实际约束下的实证评估。核心结论包括：

• 可行性： 数字 QRC 在当前硬件上执行时间序列任务是可行的，前提是通过记忆参数管理好电路深度。
• 噪声的角色： 现实的硬件噪声和设备特定的动力学特性可能扮演非平凡且潜在有益的角色，能够增强储备池的变换能力，这挑战了“噪声仅具有破坏性”的传统观念。
• 局限性： 该方法目前受到电路深度（相干时间）的限制，并且无法在不同硬件平台之间实现性能增益的泛化，除非进行针对性定制。
• 未来展望： 这项工作强调了进一步探索量子噪声、电路表达能力与硬件约束之间相互作用的必要性，以确定未来的优化配置。