量子科技中心_量科网

该研究团队提出了一种时滞量子极限学习机（TD-QELM），可在噪声中等规模量子（NISQ）设备上实现高效时间序列预测。通过同时编码多个历史输入，TD-QELM实现了与序列长度无关的浅层电路深度，从而有效抑制噪声累积并降低计算复杂度。在无噪声仿真和IBM 127量子位处理器上进行的NARMA基准测试表明，TD-QELM在预测精度和噪声鲁棒性方面持续优于传统量子储层计算方法。这些成果标志着TD-QELM成为当前NISQ硬件上实用且可扩展的时间序列学习框架。