基于数据驱动的量子动力学嵌入方法用于近term量子计算机上的长期预测

随着量子计算的发展，各领域对长期时间序列预测的日益关注得到了显著加强。在本文中，我们引入了一种为时间序列预测设计的数据驱动方法，采用量子动力学嵌入（QDE）。该方法可将数据空间可训练地嵌入到扩展状态空间中，从而能够递归地检索时间序列信息。基于其与时序列长度无关的特性，该方法实现了对近term量子计算机至关重要的深度高效量子电路。数值模拟表明，该模型不仅能预测波信号，还能预测如 NARMA 等更复杂的信号。预测精度随模型规模扩大而提升，且值得注意的是，在波信号任务上，该模型以比 QRC 更少的参数实现了更高的精度。此外，该模型在波信号中去除经典噪声方面展现出良好潜力，且与典型量子噪声的错误缓解技术结合时，可实现对波信号的可靠长期预测。我们在 Origin “Wukong” 超导量子处理器上以限于 2 个量子比特的模型作为 NISQ 设备上的简单概念验证。进一步，我们对 2 量子比特情形的 QDE 动力学特性提供了理论分析，并讨论其潜在普适性。总体而言，本研究是利用近term量子设备进行时间序列预测的第一步，为将数据驱动学习与量子动力学嵌入相结合提供了见解。