基于量子动态时间弯曲的多变量时间序列分类
动态时间规整(DTW)是时间序列分类的基石,但其对欧氏距离的依赖无法捕捉复杂多变量数据中潜在的跨通道相关性。该研究提出一种混合量子动态时间规整(qDTW)架构,用量子希尔伯特空间的参数化几何结构替代经典距离度量。通过在多达 \(C=8\) 维空间维度的基准上进行结构性消融实验,该研究建立了量子序列对齐的基本拓扑规则。该工作引入一种统一预嵌入共轭拟设,将可训练的纠缠状态与经典数据解耦,消除了传统测量方法固有的严重相位扰乱和信息瓶颈。研究表明,这种解耦架构使未经训练的量子核能够作为高表达力的基线,而参数化训练则可有效解开深度重叠的超高维数据。此外,该工作揭示了一个严格的空间-时间表达权衡:时间深度(数据重上传)对维度受限的单变量电路是必要的,但在宽多量子比特寄存器上应用时,会引发混沌的频谱爆炸和表征坍缩。通过规避这些拓扑风险,该团队的多变量量子架构超越了经典基线,为将参数化量子电路与动态规划集成树立了新标准。

