Kuantum makine öğrenimi, zaman serisi tahmininde umut verici bir yaklaşım olarak ortaya çıktı. Kuantum rezervuar hesaplaması bu ortam için geniş çapta araştırılmış olsa da, sıralı verilere göre uyarlanmış varyasyonel kuantum modelleri, büyük ölçüde eğitilmelerinin zor olması nedeniyle nispeten az araştırılmaktadır. Bu çalışmada, zaman serisi tahmin görevlerinde varyasyonel kuantum tekrarlayan sinir ağlarının (QRNN'ler) sıkı bir karşılaştırmasını sunuyoruz ve iki temel yeteneğe odaklanıyoruz: bellek ve doğrusal olmayan işleme.
- Kuantum makine öğrenimi, zaman serisi tahmininde umut verici bir yaklaşım olarak ortaya çıktı.
- Kuantum rezervuar hesaplaması bu ortam için geniş çapta araştırılmış olsa da, sıralı verilere göre uyarlanmış varyasyonel kuantum modelleri, büyük ölçüde eğitilmelerinin zor olması nedeniyle nispeten az araştırılmaktadır.
- Bu çalışmada, zaman serisi tahmin görevlerinde varyasyonel kuantum tekrarlayan sinir ağlarının (QRNN'ler) sıkı bir karşılaştırmasını sunuyoruz ve iki temel yeteneğe odaklanıyoruz: bellek ve doğrusal olmayan işleme.
Kuantum makine öğrenimi, zaman serisi tahmininde umut verici bir yaklaşım olarak ortaya çıktı.
02 Özet
Kuantum makine öğrenimi, zaman serisi tahmininde umut verici bir yaklaşım olarak ortaya çıktı. Kuantum rezervuar hesaplaması bu ortam için geniş çapta araştırılmış olsa da, sıralı verilere göre uyarlanmış varyasyonel kuantum modelleri, büyük ölçüde eğitilmelerinin zor olması nedeniyle nispeten az araştırılmaktadır. Bu çalışmada, zaman serisi tahmin görevlerinde varyasyonel kuantum tekrarlayan sinir ağlarının (QRNN'ler) sıkı bir karşılaştırmasını sunuyoruz ve iki temel yeteneğe odaklanıyoruz: bellek ve doğrusal olmayan işleme. Klasik yinelenen temel çizgiler de dahil olmak üzere mimariler arasında sezgisel ve adil bir karşılaştırmaya olanak tanıyan, model kapasitesini ölçen görev odaklı bir metodoloji sunuyoruz. Önerilen çerçeveyi iki genel kıyaslama görevi ve kaotik bir sistemi tanımlayan sentetik bir veri seti üzerinde değerlendiriyoruz. Genel olarak kuantum modelleri, klasik benzerleriyle karşılaştırılabilir bir performans elde ediyor ancak klasik modeller, çalışılan aralık dahilindeki bellek boyutuyla daha iyi ölçekleniyor. Özellikle, bir QRNN varyantı, belleği ve doğrusal olmayan kapasiteyi ortaklaşa araştırmak için tasarlanan görevde daha yüksek ortalama kapasite göstermektedir. Üstelik sonuçlarımız, iyi bir parametre başlatma bulabildiğimizde kuantum modellerinin daha iyi kapasite sunduğunu gösteriyor. Ancak başlatmaya yönelik artan hassasiyet, model boyutu arttıkça iyi çözüm bulma olasılığının azalmasına yol açar. Bu sonuçlar, daha zengin kuantum tekrarlayan mimarilerin tasarlanması ve bunların nerede pratik faydalar sunabileceğinin değerlendirilmesi için ilkeli bir başlangıç noktası sağlar.
Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.
Quantum machine learning has emerged as a promising approach to time series prediction. While quantum reservoir computing has been widely explored for this setting, variational quantum models tailored to sequential data remain comparatively understudied, largely because they are difficult to train. In this work, we present a rigorous benchmark of variational quantum recurrent neural networks (QRNNs) on time series prediction tasks, focusing on two key capabilities: memory and nonlinear processing. We introduce a task-driven methodology that quantifies model capacity, enabling an intuitive and fair comparison across architectures, including classical recurrent baselines. We evaluate the proposed framework on two generic benchmark tasks and on a synthetic dataset describing a chaotic system. Overall, the quantum models achieve performance comparable to their classical counterparts, but classical models scale better with the memory size within the range studied. Notably, one QRNN variant shows higher average capacity on the task designed to jointly probe memory and nonlinear capacity. Moreover, our results show that quantum models offer better capacity when we are able to find a good parameter initialization. However, the increasing sensitivity to initialization leads to a lower probability of finding good solutions as the model size increases. These results provide a principled starting point for designing richer quantum recurrent architectures and for assessing where they may offer practical benefits.
03 PDF
Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.
04 Kaynak göster
@article{viqueira2026benchmarking,
title = {Benchmarking memory and nonlinear processing capacity of quantum recurrent neural networks for time series prediction},
author = {José Daniel Viqueira and Andrés Gómez and David Mera},
journal = {arXiv preprint arXiv:2611.21552},
year = {2026},
url = {https://arxiv.org/abs/2611.21552}
}
Viqueira, J. D., Gómez, A., & Mera, D. (2026). Zaman serisi tahmini için kuantum tekrarlayan sinir ağlarının belleği ve doğrusal olmayan işleme kapasitesinin karşılaştırılması. arXiv. https://arxiv.org/abs/2611.21552
Yorumlar 0
Henüz yorum yok. İlk yorumu siz yazın.
Yorum yazın