量子神经网络配置的大规模基准测试：金融时间序列预测
原始标题 / Large-Scale Benchmarking of Quantum Neural Network Configurations for Financial Time Series Forecasting
该研究针对金融时间序列预测任务，系统评估了量子神经网络（QNN）的不同组件配置。新之处在于将QNN配置的网格搜索从分类扩展到回归预测，并以英镑/美元汇率为案例，测试了1368种配置组合。其有用性体现在为QNN架构设计提供实证指导，并量化了真实量子硬件噪声对预测性能的影响。
01 摘要
研究使用英镑/美元即期汇率作为案例，对编码方法、ansatz设计、量子比特数、层深度和成本函数进行网格搜索，得到1368种QNN配置。作者报告最佳配置的R²达到0.985，超过经典BiLSTM基线，并指出门选择与排列比参数数量更关键，纠缠是全电路的系统性质。作者还通过IQM Emerald设备评估硬件噪声，认为门错误和退相干是实际部署的显著障碍。
02 关键点
- 网格搜索覆盖编码方法、ansatz设计、量子比特数、层深度和成本函数，共评估1368种QNN配置。
- 最佳QNN配置在英镑/美元汇率预测中取得R²=0.985，优于经典BiLSTM基线。
- 门选择与排列比原始参数数量对模型成功更关键，纠缠是全电路的系统性质；硬件噪声中门错误和退相干是主要部署障碍。
回到一手来源
阅读原文 ↗AI GENERATED SUMMARY / DISCOVERED BY ARXIV CS.LG