量子科技中心_量科网

精准高效的时序预测对经典和量子神经架构而言都是一个具有挑战性的问题，尤其是在多变量环境场景中。本研究将量子泄漏积分点火（QLIF）脉冲神经网络适配用于时序回归任务，具体针对短期多变量天气预报。该团队扩展了QLIF在分类任务之外的应用，证明了其在连续值预测问题上的可行性。QLIF-CAST模型将神经元激发态编码为单量子比特量子叠加态，通过Rx旋转门和T1弛豫衰减驱动，并嵌入到混合量子-经典循环架构中。该团队进行了两项独立的评估。首先，在多变量天气数据集上，与参数匹配的经典LIF基线进行受控对比，结果显示QLIF-CAST的MSE降低了15.4%，MAE降低了4.4%，这表明量子神经元动力学相比经典方案能减少预测误差。其次，在空气质量与风速基准测试中，与最先进的量子LSTM（QLSTM）和量子神经网络（QNN）模型进行跨领域对比分析，结果显示QLIF-CAST的训练时间最多可缩短94%，在速度-误差权衡空间中占据独特位置。在IBM Marrakesh（156量子比特QPU）上的硬件验证确认了电路执行的可靠性，与仿真结果的平均偏差仅为1.2%。