量子科技中心_量科网

量子机器学习在推进时间序列预测方面具有广阔前景。受经典循环神经网络启发而提出的量子循环神经网络（QRNN），能将时序数据编码为量子态并周期性输入量子电路。虽然现有QRNN研究主要采用角度编码方式，但由于计算复杂度较高，振幅编码等替代策略仍待深入探索。本研究基于近期提出的近似振幅编码方法EnQode，对振幅型QRNN进行评估与改进。我们提出一种简单的预处理技术，通过将振幅编码输入与其预归一化幅值进行组合，在两个真实世界数据集上实现了泛化性能的提升。此外，该团队设计了一种新型QRNN电路架构——该架构在数学等效于原模型的前提下，显著降低了电路深度。这些成果共同证明了QRNN设计在模型性能和量子资源效率两方面的实质性改进。