基于时延量子极端学习机的 NISQ 设备高效时序预测
量子物理
2026-02-26 v1
摘要
我们提出了一种时延量子极端学习机（TD-QELM），用于在噪声中间规模量子（NISQ）设备上高效进行时序预测。通过同时编码多个过去输入，TD-QELM 实现序列长度无关的浅层电路深度，从而减缓噪声积累并降低计算复杂度。在无噪声模拟和 IBM 127 位量子处理器上的 NARMA 基准实验中，TD-QELM 在预测精度和噪声鲁棒性方面 consistently 优于传统量子储备计算。这些结果突出了 TD-QELM 作为面向当前 NISQ 硬件的实用且可扩展时序学习框架。
引用
@article{arxiv.2602.21544,
title = {Efficient time-series prediction on NISQ devices via time-delayed quantum extreme learning machine},
author = {Mio Kawanabe and Saud Cindrak and Kathy Luedge and Jun-ichi Shirakashi and Tetsuo Shibuya and Hiroshi Imai},
journal= {arXiv preprint arXiv:2602.21544},
year = {2026}
}
备注
8 pages, 4 figures. Corresponding author: Jun-ichi Shirakashi