Predizioni della velocità del vento con tecniche di machine learning e quantum machine learning

The purpose of this thesis work is to explore techniques of machine learning and quantum machine learning applied to a problem of forecasting. We chose to focus on the context of renewable energy and used wind speed, a relevant variable when dealing with renewables, as the subject of our predictions. We relied on, hourly dived historical data, from different geographic coordinates. We then collected these data in a unique Space-Time $5-$dimesnional dataset. In order to manage both time and space dimensions with a single model we used Convolutional LSTM Models. The LSTM structure is frequently used with time series data, allowing the model to find time correlations between data; while convolutional layers are thought to let the model find the spatial correlations. The model's architecture is also based on an encoder-decoder structure, where both the encoder and the decoder contain an LSTM layer. With regard to classical machine learning, we consider different types of Convolutional LSTMs: the first set of models, the One-Conv Models, are composed of 8 different models which present only one convolutional layer, one for each possible LSTM's gate. We compare the performances of these models with a Dense Model, namely the same model without convolution, to show the advantage of using convolution layers for our task. A second set of 4 models, the Multiple-Conv Models, with fixed hyperparameters are then analyzed to find the best convolution configuration possible. Before introducing and comparing quantum versions of the selected model, a deep introduction to amplitude encoding and the Möttönen routine is presented, together with preliminary studies about the efficiency of the quantum convolutional layer. Finally, we present the results obtained with a set of 3 QConv-LSTM-Model, three different models characterized by the presence of a quantum convolutional layer.

Lo scopo di questo lavoro di tesi è di esplorare le tecniche di machine learning e quantum machine learning applicate ad un problema di previsione. Abbiamo scelto di concentrarci sul contesto delle energie rinnovabili e abbiamo utilizzato la velocità del vento, una variabile rilevante quando si tratta di fonti rinnovabili, come oggetto delle nostre previsioni. Ci siamo basati su dati storici divisi per ore e raccolti da diverse coordinate geografiche. Abbiamo poi raccolto questi dati in un unico dataset spazio-temporale a 5 dimensioni. Per gestire contemporaneamente le dimensioni temporali e spaziali con un unico modello, abbiamo utilizzato i modelli Convolutional LSTM. I modelli LSTM vengono utilizzati frequentemente con i dati time series, permettendo al modello di trovare le correlazioni temporali tra i dati; mentre i layer convoluzionali sono pensati per far trovare al modello le correlazioni spaziali. L'architettura del modello si basa anche su una struttura encoder-decoder, in cui sia l'encoder che il decoder contengono uno strato LSTM. Per quanto riguarda il machine learning classico, consideriamo diversi tipi di Convolutional LSTM: il primo set di modelli, i modelli One-Conv, è composto da 8 diversi modelli che presentano un solo livello convoluzionale, uno per ogni possibile gate LSTM. Confrontiamo le prestazioni di questi modelli con un modello Dense, ovvero lo stesso modello senza convoluzione, per mostrare il vantaggio dell'uso di livelli di convoluzione per il nostro compito. Un secondo set di 4 modelli, i modelli Multiple-Conv, con iperparametri fissati, viene quindi analizzato per trovare la migliore configurazione di convoluzione possibile. Prima di introdurre e confrontare le versioni quantum del modello selezionato, viene presentata una profonda introduzione all'encoding di ampiezza e alla routine Möttönen, insieme a studi preliminari sull'efficienza del livello di convoluzione quantistica. Infine, presentiamo i risultati ottenuti con un set di 3 modelli QConv-LSTM, tre diversi modelli caratterizzati dalla presenza di un layer convoluzionale quantistico.