量子计算与机器学习的最新进展催生了量子机器学习（QML），学界对序列数据学习的兴趣日益增长。诸如量子长短期记忆网络（QLSTM）等量子循环模型在时间序列预测、自然语言处理和强化学习中展现出潜力，但设计有效的变分量子电路（VQC）仍具挑战性且通常需针对特定任务。为此，该研究团队提出DiffQAS-QLSTM——一种端到端可微分框架，能在训练过程中同步优化VQC参数与架构选择。实验表明，该方法在多种测试场景下均优于人工设计的基线模型，损失函数值显著降低。这一成果为可扩展、自适应的量子序列学习开辟了新路径。
