量子科技中心_量科网

在该论文中，研究人员利用量子机器学习技术解决了多元时间序列预测的挑战。研究提出了变分量子电路模型的适配策略——将传统上仅限于单变量数据的处理方法扩展至多元场景，并探索了纯量子与量子-经典混合两种实现方案。首先，研究扩展并系统评估了多种基于变分量子电路及混合架构的模型在跨变量依赖建模方面的能力；其次，基于这些基础，研究人员开发了iQTransformer——一种集成量子自注意力机制于iTransformer框架的新型量子Transformer架构，实现了变量间关系的量子原生表征；最后，通过对合成和真实数据集的全面实证评估表明，在某些情况下，基于量子的模型能以更少的可训练参数和更快的收敛速度，实现优于或媲美当前最先进经典方法与量子基线的预测精度。这些成果突显了量子增强架构作为高效可扩展工具的潜力，为推进多元时间序列预测领域发展提供了新思路。