递归量子长短期记忆用于稳定的短期温度预测
Recursive Quantum Long Short-Term Memory for Stable Short-Horizon Temperature Forecasting
- University of Toronto（多伦多大学）
- National Yang Ming Chiao Tung University（国立阳明交通大学）
- Brookhaven National Laboratory（布鲁克海文国家实验室）
- PecuLab LLC（PecuLab有限责任公司）
机构由 AI 辅助整理，请以论文原文为准。
中文总结 AI 辅助
本文提出递归量子长短期记忆模型，用于短期温度预测，通过递归量子特征变换提高稳定性和泛化能力，降低预测误差。
中文摘要 AI 辅助
量子长短期记忆（QLSTM）模型通过变分量子电路扩展了递归序列学习，但其优化行为在不同随机初始化和时间上下文中可能差异显著。本文评估了一种递归QLSTM架构与标准QLSTM在每日最低和最高温度的一步预测中的表现。使用多伦多的每日天气观测数据和相同的训练设置，我们比较了在8、16和32天输入窗口上，20个随机种子下的收敛性、预测准确性和泛化能力。递归模型更早地达到接近最优的测试损失，降低了平均绝对误差和均方根误差，并表现出更小的泛化差距。这些结果表明，递归量子特征变换可以提高紧凑型混合量子-经典时间模型的稳定性和样本外性能。
英文摘要
Quantum long short-term memory (QLSTM) models extend recurrent sequence learning with variational quantum circuits, but their optimization behavior can vary substantially across random initializations and temporal contexts. This paper evaluates a recursive QLSTM architecture against a standard QLSTM for one-step-ahead prediction of daily minimum and maximum temperature. Using daily weather observations from Toronto and identical training settings, we compare convergence, predictive accuracy, and generalization across input windows of 8, 16, and 32 days over 20 random seeds. The recursive model consistently reaches a near-optimal test loss earlier, reduces mean absolute error and root mean squared error, and exhibits a smaller generalization gap. These results indicate that recursive quantum feature transformations can improve stability and out-of-sample performance for compact hybrid quantum--classical temporal models.
