量子科技中心_量科网

提出了一种针对高维空间数据的时间序列预测方法。该方法通过稀疏传感器位置的优化选择来高效表征空间域，在这些位置进行时间序列预测，并通过学习到的解码器根据预测值估计整个空间分布。传感器位置采用基于组合优化的方法进行选择。通过引入多并行化量子长短期记忆网络（MP-QLSTM）和门控循环单元（MP-QGRU），该研究团队使用与细胞状态维度相同数量的变分量子电路（VQC）扩展了QLSTM模型，从而提升了时间序列预测性能。与原始QLSTM不同，该方法对每个VQC中的所有量子比特进行完全测量，最大化表征能力。MP-QLSTM和MP-QGRU的测试损失比经典LSTM和GRU降低约1.5%。相较于独立半导体压力传感器测得的值，MP-QLSTM的均方根百分比误差为0.256%，验证了该方法在高维预测任务中的准确性和有效性。