量子科技中心_量科网

时间序列预测是科学与技术领域的基础性任务，从气候建模到分子动力学均有重要应用。经典方法在序列预测方面取得了显著进展，包括自回归模型和深度学习架构（如时序卷积网络TCN和Transformer模型）。然而这些方法仍存在计算资源消耗大、在数据受限或硬件受限条件下扩展性差等问题。该研究团队提出了一种量子原生的时间序列预测框架，利用基于量子纠缠的参数化电路来学习时序依赖关系。该工作开发的量子时间序列（QTS）模型将归一化序列数据编码为单量子比特旋转，并通过结构化纠缠模式嵌入时序特征。该设计实现了预测性能与训练数据量、参数数量的对数级复杂度。研究人员在合成数据集和真实数据集（包括数值天气预报中使用的地球位势高度场）上对QTS与经典模型进行了基准测试。在噪声模拟器和真实IBM量子硬件上的实验表明，QTS能用更少的数据点捕捉时序模式。硬件基准测试结果证实，量子纠缠可作为时序建模的实际计算资源，在纳米级系统、量子传感器网络及其他预测场景中具有近期应用潜力。