論文の概要: Quantum-Optimized Selective State Space Model for Efficient Time Series Prediction

• arxiv url: http://arxiv.org/abs/2509.00259v1
• Date: Fri, 29 Aug 2025 22:00:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.149832
• Title: Quantum-Optimized Selective State Space Model for Efficient Time Series Prediction
• Title（参考訳）: 効率的な時系列予測のための量子最適化選択状態空間モデル
• Authors: Stefan-Alexandru Jura, Mihai Udrescu, Alexandru Topirceanu,
• Abstract要約: 本稿では、状態空間のダイナミクスと変分量子ゲートを統合するハイブリッド量子最適化手法を提案する。 我々は、広く使われている3つのベンチマーク(ETT、トラフィック、為替レート)で、Q-SSMを実証的に検証する。 その結果,Q-SSMは強いベースラインよりも一貫して改善されていることがわかった。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-range time series forecasting remains challenging, as it requires capturing non-stationary and multi-scale temporal dependencies while maintaining noise robustness, efficiency, and stability. Transformer-based architectures such as Autoformer and Informer improve generalization but suffer from quadratic complexity and degraded performance on very long time horizons. State space models, notably S-Mamba, provide linear-time updates but often face unstable training dynamics, sensitivity to initialization, and limited robustness for multivariate forecasting. To address such challenges, we propose the Quantum-Optimized Selective State Space Model (Q-SSM), a hybrid quantum-optimized approach that integrates state space dynamics with a variational quantum gate. Instead of relying on expensive attention mechanisms, Q-SSM employs a simple parametrized quantum circuit (RY-RX ansatz) whose expectation values regulate memory updates adaptively. This quantum gating mechanism improves convergence stability, enhances the modeling of long-term dependencies, and provides a lightweight alternative to attention. We empirically validate Q-SSM on three widely used benchmarks, i.e., ETT, Traffic, and Exchange Rate. Results show that Q-SSM consistently improves over strong baselines (LSTM, TCN, Reformer), Transformer-based models, and S-Mamba. These findings demonstrate that variational quantum gating can address current limitations in long-range forecasting, leading to accurate and robust multivariate predictions.
• Abstract（参考訳）: ノイズの堅牢性、効率性、安定性を維持しながら、非定常的およびマルチスケールの時間依存性を捕捉する必要があるため、長距離時系列予測は依然として困難である。 AutoformerやInformerのようなトランスフォーマーベースのアーキテクチャは、一般化を改善するが、2次複雑さと非常に長い時間軸での性能低下に悩まされる。 状態空間モデル(特にS-Mamba)は線形時間更新を提供するが、不安定なトレーニングダイナミクス、初期化への感受性、多変量予測の堅牢性に制限がある。 このような課題に対処するために,量子最適化選択状態空間モデル (Q-SSM) を提案する。 Q-SSMは高価な注意機構に頼る代わりに、期待値がメモリ更新を適応的に制御する単純なパラメタライズド量子回路(RY-RXアザッツ)を採用している。 この量子ゲーティング機構は収束安定性を改善し、長期依存のモデリングを強化し、注目に対する軽量な代替手段を提供する。 我々は、広く使われている3つのベンチマーク(ETT、トラフィック、為替レート)で、Q-SSMを実証的に検証する。 その結果、Q-SSMは強いベースライン(LSTM, TCN, Reformer)、トランスフォーマーベースモデル、S-Mambaよりも一貫して改善されていることがわかった。 これらの結果は、変動量子ゲーティングが、長距離予測における現在の限界に対処し、正確で堅牢な多変量予測をもたらすことを示している。

関連論文リスト

• TensoMeta-VQC: A Tensor-Train-Guided Meta-Learning Framework for Robust and Scalable Variational Quantum Computing [60.996803677584424]
  TensoMeta-VQCは、VQCの堅牢性とスケーラビリティを大幅に向上させるために設計された、TT誘導型メタラーニングフレームワークである。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに完全に委譲し、量子ハードウェアから最適化を効果的に分離する。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
  変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。 それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。 この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Quantum Adaptive Self-Attention for Quantum Transformer Models [0.0]
  本稿では,量子アテンション機構を備えた古典的トランスフォーマーモデルを強化するハイブリッドアーキテクチャであるQuantum Adaptive Self-Attention (QASA)を提案する。 QASAはドット積の注意をパラメータ化量子回路(PQC)に置き換え、量子ヒルベルト空間におけるトークン間の関係を適応的に捉える。 合成時系列タスクの実験により、QASAは標準変圧器と古典的変圧器の双方と比較して、より高速な収束と優れた一般化を実現することが示された。
  論文  参考訳（メタデータ） (2025-04-05T02:52:37Z)
• Toward Large-Scale Distributed Quantum Long Short-Term Memory with Modular Quantum Computers [5.673361333697935]
  我々は、ノイズ中間スケール量子(NISQ)デバイス上でのスケーラビリティ問題に対処するために、分散量子長短期メモリ(QLSTM)フレームワークを導入する。 QLSTMは長期の時間的依存関係をキャプチャし、分散アーキテクチャは基礎となる変分量子回路をより小さく管理可能なサブ回路に分割する。 分散QLSTMは,古典的アプローチと比較して,安定した収束とトレーニングダイナミクスの向上を実現している。
  論文  参考訳（メタデータ） (2025-03-18T10:07:34Z)
• Many-body dynamics with explicitly time-dependent neural quantum states [0.0]
  時間依存型ニューラル量子状態(t-NQS)を導入する。 時間に依存しないパラメータの集合を1つに最適化し、時間に依存するシュリンガー方程式を全時間間隔で解く。 結果はt-NQSを強い相関系における量子力学を探索する強力なフレームワークとして確立する。
  論文  参考訳（メタデータ） (2024-12-16T14:53:26Z)
• Programming Variational Quantum Circuits with Quantum-Train Agent [3.360429911727189]
  可変量子回路(VQC)の効率的かつスケーラブルなプログラミングを容易にするQT-QFWP(Quantum-Train Quantum Fast Weight Programmer)フレームワークを提案する。 このアプローチは、量子と古典の両方のパラメータ管理を最適化することで、従来のハイブリッド量子古典モデルに対して大きな優位性をもたらす。 QT-QFWPは、関連モデルを効率性と予測精度の両方で上回り、より実用的で費用対効果の高い量子機械学習アプリケーションへの道筋を提供する。
  論文  参考訳（メタデータ） (2024-12-02T06:26:09Z)
• Compressed-sensing Lindbladian quantum tomography with trapped ions [44.99833362998488]
  量子システムの力学を特徴づけることは、量子情報プロセッサの開発における中心的な課題である。 従来の欠点を緩和するLindbladian quantum tomography(LQT)の2つの改良点を提案する。
  論文  参考訳（メタデータ） (2024-03-12T09:58:37Z)
• Dynamics with autoregressive neural quantum states: application to critical quench dynamics [41.94295877935867]
  本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。 二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
  論文  参考訳（メタデータ） (2022-09-07T15:50:00Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。