通过幅度编码改进量子循环神经网络

量子机器学习有望推动时间序列预测。量子循环神经网络 (QRNN) 受经典 RNN 启发，将时间数据编码为量子态并定期输入量子电路。尽管 prior QRNN 工作主要使用角编码，但像幅度编码这样的替代编码策略由于其高计算复杂度而鲜有探索。在本文中，我们评估并改进了基于幅度的 QRNN，利用 EnQode，这是一种最近引入的近似幅度编码方法。我们提出一种简单的预处理技术，将幅度编码的输入与其预归一化的幅值一起增强，从而在两个真实世界数据集上实现更好的泛化。此外，我们引入一种新型的 QRNN 电路架构，该架构在数学上等价于原始模型，但实现了显着的电路深度降低。正是通过这些贡献，Demonstrate了 QRNN 设计在模型性能和量子资源效率方面的实际改进。