量子科技中心_量科网

生成模型在数据合成方面取得了显著成功，然而，近期因模型规模扩大而带来的进步，也引入了计算成本和效率方面的挑战。量子机器学习提供了一种有前景的替代方案，能够利用紧凑且表达能力强的模型来表示复杂的数据分布。在此，该研究提出了QDiffusion-TS——首个用于时间序列合成的量子生成扩散模型，并在IQM量子处理器上对其进行了验证。该框架通过将去噪Transformer中的前馈组件替换为量子神经网络，扩展了经典扩散架构，从而形成了一个混合量子Transformer，将每个被替换组件中的可训练参数减少了近三个数量级。在来自苹果和亚马逊的金融时间序列上评估时，该模型生成的合成数据能更准确地再现真实分布，在两个数据集上，其Wasserstein距离相比经典对应模型降低了约44%。在后续的预测任务中，使用生成的数据进行增强，使预测性能在RMSE上比仅基于真实数据训练的基线模型提升了高达71%。这些结果表明，量子增强架构能够在参数大幅减少的情况下，持续匹配并经常超越经典性能，为迈向更高效、可扩展的数据驱动生成建模建立了一个实用框架。