门控 QKAN-FWP：可扩展的量子启发序列学习

快速权重程序员 通过动态更新的参数而非循环隐藏状态来编码时间依赖性。量子 FWP (QFWP) 通过变分量子电路 扩展了这一思想，但现有实现依赖于多量子比特架构，这在含噪中等规模量子 (NISQ) 设备上难以扩展，且在经典模拟上成本高昂。我们提出了门控 QKAN-FWP，这是一种将 FWP 与量子启发 Kolmogorov-Arnold 网络 (QKAN) 相集成的快速权重框架，使用单量子比特数据重新上传电路作为可学习的非线性激活，称为数据重新上传激活。我们进一步引入了标量门控的快速权重更新规则以稳定参数演化，并对其自适应记忆核、几何有界性以及可并行化的梯度路径进行了理论分析。我们在时间序列基准、MiniGrid 强化学习上评估了该框架，并重点将现实世界的太阳周期预测作为我们的主要实际成果。在具有 528 个月输入窗口和 132 个月预测长度的长程设置中，我们拥有 1.25 万参数的模型实现了比一系列参数量最多达 13 倍的经典循环基线更低的缩放均方误差 (MSE)、峰值幅度误差和峰值时间误差，这些基线包括长短期记忆 (LSTM) 网络（2.59 万-8.91 万参数）、WaveNet-LSTM（16.7 万）、普通循环神经网络（1.15 万）和改进的回声状态网络（13.2 万）。为了验证 NISQ 兼容性，我们进一步在 IonQ 和 IBM Quantum 处理器上部署了训练好的快速程序员，在 1024 次测量下恢复了与无噪声模拟器相比相对 MSE 在 0.1% 以内的预测精度。这些结果将门控 QKAN-FWP 定位为一种可扩展、参数高效且兼容 NISQ 的量子启发序列建模方法。