研究人员开发了新的量子-经典混合框架,用于多变量时间序列预测,旨在运行在近期含噪声的中等规模量子(NISQ)硬件上。这些框架,包括量子水库预测器(QRC-F)和变分量子预测器(VQF-F),将时间序列数据转换为量子态,并利用纠缠来捕捉变量间的依赖关系。实验表明,与经典方法相比,这些模型在训练稳定性、参数效率和对量子噪声的鲁棒性方面可能有所提高,并可能应用于各种预测任务。 AI
影响 这些量子-经典混合模型可能为复杂的时间序列预测任务提供新能力,有可能在专用硬件上提高准确性和效率。
排序理由 该集群包含两篇arXiv论文,详细介绍了用于时间序列预测的新型量子-经典混合框架的研究。
- electricity
- ETTh1
- ETTh2
- ETTm1
- ETTm2
- exchange-rate
- noisy intermediate-scale quantum era
- Quantum Reservoir Forecaster (QRC-F)
- Sanjay Chakraborty
- Variational Quantum Forecaster (VQF-F)
- Weather
- El Niño southern oscillation
- IBM Heron r2
- Lorenz 63
- MTS-QRC
- Quantum Reservoir Computing
- Recurrent Neural Networks
- Wissal Hamhoum
AI 生成摘要 · Google Gemini · 来自 4 个来源。 我们如何撰写摘要 →