論文の概要: A Quantum-Classical Hybrid Framework for Multivariate Time-Series Forecasting Complexity-Fidelity Trade-offs and Limitations
- arxiv url: http://arxiv.org/abs/2607.16358v1
- Date: Fri, 17 Jul 2026 10:30:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.130537
- Title: A Quantum-Classical Hybrid Framework for Multivariate Time-Series Forecasting Complexity-Fidelity Trade-offs and Limitations
- Title（参考訳）: 多変量時系列予測のための量子古典ハイブリッドフレームワーク
- Abstract要約: 本稿では,2種類のモデル変種であるQuantum Reservoir Forecaster (QRC-F) と変分量子予測器 (VQF-F) を紹介する。
提案フレームワークは,NISQハードウェア制約下での量子予測の複雑性-忠実トレードオフについて検討する。
その結果、NISQデバイスに展開する可能性の強い実用的な量子ネイティブ予測フレームワークが確立された。
- 参考スコア（独自算出の注目度）: 4.77829808535938
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a unified quantum-classical hybrid framework for multi-horizon time-series forecasting, introducing two model variants Quantum Reservoir Forecaster (QRC-F) and Variational Quantum Forecaster (VQF-F). The proposed framework investigates the complexity-fidelity trade-off of quantum forecasting under near-term NISQ hardware constraints. Continuous time-series signals are transformed into binary representations through uniform quantization and encoded into quantum states using angle encoding with parameterized RY rotation gates. Cross-channel entanglement layers capture dependencies among multiple variables. QRC-F utilizes a fixed random unitary quantum reservoir for stable, gradient-free temporal feature extraction, whereas VQF-F employs a trainable variational quantum circuit optimized through the parameter-shift rule to learn temporal and inter-variable patterns from Pauli expectation values. Both models replace computationally expensive quadratic self-attention with efficient linear transformations, reducing parameter complexity. A shared MIMO-based multi-horizon prediction head simultaneously generates forecasts across multiple horizons, avoiding error accumulation in recursive forecasting. Experimental evaluations on benchmark datasets, including ETTh1, ETTh2, ETTm1, ETTm2, Weather, electricity, and exchange-rate, demonstrate that VQF-F achieves superior training stability and parameter efficiency, while QRC-F provides enhanced robustness and circuit fidelity under quantum noise. The results establish a practical quantum-native forecasting framework with strong potential for deployment on near-term NISQ devices.
- Abstract（参考訳）: 本稿では,マルチ水平時間列予測のための量子古典ハイブリッドフレームワークについて,QRC-F(Quantum Reservoir Forecaster)とVQF-F(Quantum Quantum Forecaster)の2つのモデルを導入した。
提案フレームワークは,NISQハードウェア制約下での量子予測の複雑性-忠実トレードオフについて検討する。
連続時系列信号は、一様量子化によってバイナリ表現に変換され、パラメータ化されたRY回転ゲートを持つ角度符号化を用いて量子状態に符号化される。
チャネル間の絡み合い層は、複数の変数間の依存関係をキャプチャする。
QRC-Fは安定で勾配のない時間的特徴抽出に固定されたランダムユニタリ量子貯水池を使用し、VQF-Fはパラメータシフト則によって最適化されたトレーニング可能な可変量子回路を用いて、パウリ予想値から時間的および変数間パターンを学習する。
どちらのモデルも計算コストのかかる二次自己アテンションを効率的な線形変換に置き換え、パラメータの複雑さを減少させる。
共有MIMOベースのマルチ水平予測ヘッドは、複数の水平線をまたいだ予測を同時に生成し、再帰的予測における誤差の蓄積を回避する。
ETTh1, ETTh2, ETTh2, ETTm1, ETTm2, 気象, 電気, 交換レートなどのベンチマークデータを用いた実験により, VQF-Fはトレーニングの安定性とパラメータ効率に優れており, QRC-Fは量子ノイズ下での堅牢性と回路忠実性を向上させる。
その結果、NISQデバイスに展開する可能性の強い実用的な量子ネイティブ予測フレームワークが確立された。
関連論文リスト
- QLIF-CAST: Quantum Leaky-Integrate-and-Fire for Time-Series Weather Forecasting [2.1702673021505245]
この研究は、時系列回帰タスクにQuantum Leaky Integrate-and-Fireのスパイクニューラルネットワークを適用する。
QLIF-CASTは励起ニューロン状態を、Rx回転ゲートとT1緩和崩壊によって駆動される単一量子ビット量子重ね合わせとして符号化する。
IBM Marrakeshのハードウェア検証は信頼性の高い回路実行を確認し、シミュレーションからの平均偏差はわずか1.2%である。
論文 参考訳（メタデータ） (2026-05-18T12:49:46Z) - Quantum Clock Synchronization Networks: A Survey [44.015977790437454]
量子クロック同期(QCS)は、遠隔ノード間の時間的共有基準を確立することを目的としている。
QCSプロトコルは、古典的な精度境界を超える可能性を提供し、敵の操作に対するレジリエンスを高める。
この調査は、急速に成長しているQCS研究の状況について、統一的で批判的な概要を提供する。
論文 参考訳（メタデータ） (2026-04-06T05:30:54Z) - Hybrid Quantum Temporal Convolutional Networks [30.67106331673231]
HQTCNは、古典的な時間的ウィンドウと量子畳み込みニューラルネットワークコアを組み合わせる。
合成NARMA配列と高次元脳波時系列による評価
論文 参考訳（メタデータ） (2026-02-27T01:06:51Z) - Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - Quantum Neural Network Architectures for Multivariate Time-Series Forecasting [0.08126281861908966]
多変量設定に向けて変動量子回路モデルを拡張する戦略を導入する。
また,量子自己保持機構を統合した新しい量子トランスアーキテクチャを導入する。
量子ベースモデルは、トレーニング可能なパラメータを少なくして、競争的または優れた予測精度を達成する可能性があることを示す。
論文 参考訳（メタデータ） (2025-10-24T05:44:41Z) - Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。
近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。
QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
論文 参考訳（メタデータ） (2025-10-15T12:17:23Z) - Quantum Temporal Fusion Transformer [3.530759252061682]
本稿では,量子拡張型ハイブリッド量子古典アーキテクチャである量子時間核融合変換器(QTFT)を紹介する。
QTFTは予測データセットのトレーニングに成功し、将来の値を正確に予測することができる。
結果は、複雑な機械学習タスクにおいて、量子コンピューティングを使用してディープラーニングアーキテクチャを向上する可能性を示している。
論文 参考訳（メタデータ） (2025-08-06T03:21:20Z) - VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。
本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - Quantum-Enhanced Channel Mixing in RWKV Models for Time Series Forecasting [0.0]
ニューラルシークエンスモデリングの最近の進歩は、RWKVのようなアーキテクチャにつながり、リカレントスタイルの時間混合とフィードフォワードチャネルミキシングを組み合わせることで、効率的なロングコンテキスト処理を可能にする。
本稿では、標準フィードフォワードネットワーク(FFN)を部分的に変分量子回路(VQC)に置き換えるRWKVモデルのハイブリッド量子ピース拡張であるQuantumRWKVを提案する。
量子コンポーネントは、PennyLaneフレームワークを介してエンドツーエンドの微分性を保ちながら、非線形表現能力を高めるように設計されている。
論文 参考訳（メタデータ） (2025-05-18T02:19:30Z) - 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) - Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。
関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。
量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-21T21:40:47Z) - Quantum Federated Learning with Entanglement Controlled Circuits and
Superposition Coding [44.89303833148191]
我々は、絡み合ったスリム化可能な量子ニューラルネットワーク(eSQNN)の深さ制御可能なアーキテクチャを開発する。
本稿では,eS-QNNの重畳符号化パラメータを通信する絡み合ったスリム化QFL(eSQFL)を提案する。
画像分類タスクでは、広範囲なシミュレーションがeSQFLの有効性を裏付ける。
論文 参考訳（メタデータ） (2022-12-04T03:18:03Z)
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。