量子科技中心_量科网

短期负荷预测对于可靠的能源管理至关重要，但在边缘设备上实际部署时，要求模型在有限内存、有限测量预算和硬件噪声条件下仍能保持准确。该工作提出了一种硬件高效的量子储层计算（QRC）框架用于能源负荷预测。在该框架中，一个固定的量子储层将时间输入窗口转换为高维特征，且仅训练一个经典的弹性网络读出层。为降低部署成本，该团队对训练后的读出层采用后训练定点量化，位宽从8比特压缩至2比特。该框架在得土安和西班牙能源负荷数据集上进行了评估，评估条件包括精确态矢量模拟、512次有限采样以及来自IBM FakeTorino和IBM FakeMarrakesh的逼真硬件噪声模型。结果表明，6比特读出精度可保持全精度预测性能，同时将读出层内存减少81.2%。低于该阈值后，性能退化取决于数据集：得土安数据集表现出更强的敏感性，而西班牙数据集退化更为平缓。硬件噪声验证进一步表明，训练后的读出层可在无需重新训练的情况下迁移至含噪声的储层状态。这些发现支持将量化QRC作为一种资源感知的预测方法，用于近期量子时间序列应用。