qourata research data centre

أبحاث

التنبؤ الكمومي بالسلاسل الزمنية: هل يمكن لنموذج هجين أن يتفوق على LSTM على مجموعة بيانات حقيقية في المحاكاة؟

Quantum Time-Series Forecasting: Can a Hybrid Model Beat LSTM on a Real Dataset in Simulation?

المجال
quantum computing
نُشر
دقائق قراءة
25 min · 4,234 كلمة
الادعاءات والمراجعة
38/40 ادعاءات موثقة · 16 مصادر

الطبعات: English · Español · Français

الجواب المباشر

لا يوجد في مجموعة الأدلة هذه أي ادعاء يذكر اختباراً مباشراً بين نموذج هجين كمومي-كلاسيكي مدرَّب ونموذج LSTM على نفس مجموعة بيانات التنبؤ الواقعية، لذا لا يمكن الإجابة عن السؤال مباشرة استناداً إلى ما هو متوفر هنا. أقرب دليل واقعي متعلق بالتنبؤ يُظهر أن نموذج LSTM كلاسيكي يتفوق بقوة على ARIMA وSARIMA على عشر سنوات من بيانات الطاقة المتجددة [4]. تذكر ورقة بحثية منفصلة أن نموذجاً هجيناً كمومياً-كلاسيكياً كان أداؤه أضعف في سياق التنبؤ بحركة المرور بشبكة متصلة بالكامل، لكن الرقم الدقيق المرتبط بهذه النتيجة مبتور في مصدر المادة ولا يمكن اقتباسه كرقم قابل للاستخدام، لذا ينبغي قراءته فقط كنتيجة نوعية تفيد بضعف الأداء [1]. المقارنة الهجينة النظيفة والكاملة الوحيدة المتوفرة مقابل النموذج الكلاسيكي ليست في مجال التنبؤ على الإطلاق: دائرة كمومية متغيرة (variational quantum circuit) صغيرة تتفوق على BiLSTM وعلى الانحدار اللوجستي (logistic regression) في مهمة تصنيف المشاعر المالية، بينما يتفوق نموذج FinBERT المضبوط دقيقاً (fine-tuned) على الثلاثة جميعاً [7]. أي باني (builder) يريد الإجابة عن السؤال الأصلي عليه أن يُجري التجربة بنفسه؛ فالأدبيات الحالية لا تحتوي على نتيجة مباشرة صالحة، وهذه المذكرة توضح بالضبط ما هي العناصر المتوفرة وكيفية تجميعها.

لماذا يهم هذا السؤال بناة التنبؤ

يُعد التنبؤ بالسلاسل الزمنية عبئاً حاسوبياً أساسياً وراء إدارة حركة المرور وشبكات الطاقة والأنظمة المالية، وأي تقنية تعِد ولو بمكسب دقة صغير تستحق الاختبار لأن هذه الأنظمة تعمل باستمرار وعلى نطاق واسع. يلعب التنبؤ الدقيق بحركة المرور دوراً حاسماً في أنظمة النقل الذكية الحديثة (Intelligent Transportation Systems - ITS) [1]. اقتُرح التعلم الآلي الكمومي (Quantum Machine Learning - QML) كأداة جديدة لهذا النوع من البيانات المتسلسلة، بناءً على منطق مفاده أن الدوائر الكمومية يمكنها تمثيل دوال معقدة بعدد قليل من المعاملات. تصف إحدى الأوراق البحثية عملها صراحة على أنه استكشاف استدلالي (heuristic) لإمكانات QML مطبقة على مشكلة نقل محددة، وليس ادعاءً بتفوق عام [1]. هذا الإطار مهم لكيفية قراءة الباني لكل رقم يلي: هذه دراسات جدوى مبكرة، وليست معايير مرجعية مستقرة، ولم ينتج المجال بعد المقارنة المحددة التي يطلبها سؤال البحث في هذه المذكرة.

المخاطر العملية ملموسة. في مجال الطاقة، استخدمت مقارنة واقعية عشر سنوات من بيانات الرياح والطاقة الشمسية بالساعة (2014-2023)، تضم 87,648 نقطة بيانات، مأخوذة من قاعدة بيانات NASA POWER [4]، ووجدت أن نموذج LSTM الكلاسيكي تفوق بشكل حاسم على خطوط الأساس الإحصائية الكلاسيكية. في مجال النقل، تُجرى تجارب المجال نفسه على بيانات بلدية واقعية عالية الدقة بدلاً من سلاسل اصطناعية، مما يرفع سقف المتطلبات لأي طريقة كمومية لإثبات نفسها. استخدمت دراسة تبحث في التنبؤ بحركة المرور دراسة حالة لمنطقة حضرية كبرى في أثينا (اليونان)، يمتلك المؤلفون بشأنها بيانات عالية الدقة [1]. إذا كان للنماذج الهجينة الكمومية-الكلاسيكية أن تصبح مفيدة يوماً ما للتنبؤ، فيجب اختبارها مقابل خطوط أساس تكرارية كلاسيكية على مجموعات بيانات مطابقة تماماً لهذه، تحت بروتوكولات تدريب وتقييم متطابقة، وهذه المقارنة غير موجودة بعد في الأدبيات المستقصاة هنا.

في الوقت نفسه، لا تزال منظومة الأدوات اللازمة لإجراء مثل هذه المقارنات في طور النضج. تشكّل المساهمات الفوتونية (photonic) حالياً نحو 6% من منشورات QML، ومعظمها قائم على المحاكاة (simulator-based) [2]. هذا يخبر الباني أن حتى الجانب الأجهزي للتعلم الآلي الكمومي يُجرى في معظمه على أجهزة محاكاة كلاسيكية بدلاً من الأجهزة الكمومية الفيزيائية، وهو أمر ذو صلة مباشرة بسؤال يتعلق بنماذج هجينة محاكاة. كما يعني ذلك أنه عندما تظهر نتيجة تنبؤ هجينة في الأدبيات، ينبغي على القارئ التحقق مما إذا كانت قد حُصلت على جهاز محاكاة أم على معالج كمومي حقيقي قبل استخلاص استنتاجات حول النشر العملي.

بالنظر إلى هذا المشهد، فإن الطريقة الصحيحة لمعالجة سؤال «هل يمكن لنموذج هجين أن يتفوق على LSTM على مجموعة بيانات حقيقية في المحاكاة» هي معاملته كسؤال تجريبي مفتوح، وليس مستقراً. العناصر اللازمة للإجابة عليه، وهي مجموعة بيانات حقيقية، وخط أساس LSTM كلاسيكي، ونموذج هجين مدرَّب ومُقيَّم على نفس التقسيم، موجودة منفصلة في الأدبيات لكنها لم تُجمع بعد في مقارنة واحدة مُبلَّغ عنها. باقي هذه المذكرة يوضح شكل كل مكوّن بمفرده، وما تم قياسه بشأن كل منها منفرداً، وكيف يمكن للباني الجمع بينها بشكل صحيح لإنتاج النتيجة المفقودة.

ما شكل الشبكة العصبية الكمومية للسلاسل الزمنية

يُبنى عمل QML للتنبؤ في مجموعة الأدلة هذه حول الشبكات العصبية الكمومية (Quantum Neural Networks - QNN) وتقنية ترميز محددة تُسمى إعادة التحميل البياني (data re-uploading). تستكشف ورقة التنبؤ بحركة المرور تطبيق الشبكات العصبية الكمومية (QNN) [1] وتقدّم ما تسميه أول تطبيق لإعادة التحميل البياني الكمومي في سياق التنبؤ بالنقل [1]. إعادة التحميل البياني هي طريقة لتغذية البيانات الكلاسيكية إلى الدائرة الكمومية أكثر من مرة أثناء الحساب، بدلاً من ترميزها مرة واحدة في البداية، وتعتبر الورقة هذا مساهمتها المنهجية المركزية في أدبيات التنبؤ بالنقل.

الدافع المُصرَّح به لإعادة التحميل هو القدرة التعبيرية: تسمح إعادة التحميل البياني الكمومي للنماذج الكمومية بالتقاط الأنماط المعقدة، مثل ديناميكيات حركة المرور، بشكل أفضل من خلال ترميز البيانات الكلاسيكية بشكل متكرر في حالة كمومية [1]. هذا ادعاء آلية يوضح سبب احتمال أن تساعد التقنية، وليس تقريراً يفيد بأنها ساعدت فعلاً على بيانات أثينا؛ ولا ينبغي الخلط بين الاثنين. على الباني الذي ينفذ QNN للتنبؤ أن يعامل إعادة التحميل كخيار تصميم قابل للتهيئة من بين عدة خيارات، إلى جانب عدد الطبقات، وبوابة الترميز، وبنية الأنساتس (ansatz)، وأن يختبر ما إذا كانت حجة القدرة التعبيرية تُترجم فعلاً إلى مكسب دقة قابل للقياس على بياناته الخاصة قبل افتراض أنها ستفعل.

يقدم نظام QML منفصل غير متعلق بالتنبؤ في مجموعة الأدلة هذه مثالاً محدداً بالكامل لما تبدو عليه بنية دائرة متغيرة صغيرة عملياً، وقائمة مكوناتها قابلة لإعادة الاستخدام مباشرة لدائرة تنبؤ. يستخدم تصميم تلك الدائرة 8 كيوبتات (qubits)، وطبقتي إعادة تحميل بياني، وترميزاً زاوياً (Angle Encoding) عبر بوابات RY، وأنساتس فعّال أجهزياً (Hardware-Efficient Ansatz) بتشابك حلقي (Ring Entanglement) باستخدام بوابات CNOT، ودالة تكلفة محلية (PauliZ لكل كيوبت) [7]. رغم أن هذه البنية بُنيت لتصنيف المشاعر، فإن خياراتها المكوّنة، وهي مخطط الترميز، وأسلوب الأنساتس، ونمط التشابك، والقراءة، هي نفس نوع الخيارات التي يجب على الباني اتخاذها لـ QNN تنبؤية، وعدد المعاملات الذي تحققه مفيد للتوضيح: تحتوي الدائرة الكمومية على 419 معاملاً قابلاً للتدريب فقط [7]. هذه ميزانية معاملات صغيرة بشكل ملفت مقارنة بالشبكات التكرارية الكلاسيكية النموذجية.

وراء أي نموذج كمومي متغير تكمن فكرة أوسع تُسمى المحاكاة الكمومية المتغيرة (variational quantum simulation)، والتي تفسر لماذا يمكن للدوائر الصغيرة بعدد قليل من المعاملات أن تُدرَّب بشكل مفيد. تتجنب الطريقة المتغيرة مشكلة الفضاء الأسي من خلال اعتبار حالات تجريبية من مجموعة فرعية صغيرة ذات دافع فيزيائي من فضاء هيلبرت (Hilbert Space) الهائل أسياً [6]. هذا هو الأساس النظري لسبب كون QNN بمعاملات قليلة، تعمل على عدد قليل من الكيوبتات، ليست ببساطة أصغر من اللازم: إنها مقيدة عمداً بفضاء فرعي قابل للمعالجة، على حساب عدم القدرة على تمثيل كل حالة ممكنة. على الباني أن يفهم أن هذا القيد هو ميزة تصميمية، وليس عيباً، لكنه يعني أيضاً أن سعة النموذج محدودة باختيار الأنساتس، وأن اختيار أنساتس سيء يمكن أن يترك بنية حقيقية في البيانات غير ممثَّلة مهما كانت طريقة التدريب.

الآلية: المحاكاة الكمومية المتغيرة كعمود فقري حسابي

ترتكز الدوائر الكمومية المتغيرة، وهي فئة النموذج المستخدمة في كل من QNN للنقل والمصنِّف المالي الهجين، على المحاكاة الكمومية المتغيرة (Variational Quantum Simulation - VQS)، وهي مخطط حسابي ثنائي المستوى. تقسّم أساليب VQS المشكلة إلى مستويين، باستخدام المعالج الكمومي لحل الجزء الأساسي وغير القابل للحل كلاسيكياً من المشكلة، وترك المهمة السهلة نسبياً لحاسوب كلاسيكي [6]. في خط أنابيب تنبؤ هجين، يعني هذا التقسيم عادة أن الدائرة الكمومية تنتج تمثيلاً وسيطاً أو مخرجاً ما، ويقوم محسِّن كلاسيكي بتحديث معاملات الدائرة بناءً على خسارة (loss) محسوبة كلاسيكياً. هذا التقسيم للعمل هو السبب في استخدام مصطلح «هجين» أساساً: فلا الجزء الكمومي ولا الجزء الكلاسيكي بمفرده ينفذ الحساب الكامل.

امتدت النظرية الكامنة وراء VQS إلى ما هو أبعد بكثير من مجرد تحضير الحالة. تقدّم إحدى الأوراق التأسيسية المحاكاة الكمومية المتغيرة للحالات المختلطة (mixed states) تحت تطور تصادفي عام [6]، وبالنسبة لمحاكاة تطور الزمن التخيلي (imaginary time evolution) المتغيرة، يمتد العمل نفسه إلى سيناريو الحالة المختلطة ويناقش تحضير حالة جيبس (Gibbs state) المتغيرة [6]. كما يفصّل تصميم أنساتس متوافق مع القياس بالاختيار اللاحق (post-selection measurement) وتنفيذ الخوارزميات المتغيرة المعمَّمة بدوائر كمومية [6]، ويكمل نظرية المحاكاة الكمومية المتغيرة للتطور الزمني الحقيقي والتخيلي العام، مبيناً أنها قابلة للتطبيق على أجهزة كمومية قريبة المدى (near-term) [6]. لا شيء من هذه النظرية خاص بالتنبؤ، لكنها الأساس الرياضي الذي يعتمد عليه في النهاية كل QNN قائم على الأنساتس، بما في ذلك نموذجَي النقل والمالية اللذين نوقشا هنا.

بالنسبة للباني، الاستنتاج العملي أضيق من النظرية الكاملة: الأنساتس (التشابك الحلقي، والترميز الزاوي، والقراءة لكل كيوبت) المستخدم في النموذج المالي الهجين [7] هو مثيل واحد محدد وصغير وذو دافع فيزيائي من الإطار المتغير العام [6]. اختيار أنساتس يعني اختيار أي مجموعة فرعية صغيرة من فضاء الحالة الكمومية الكامل مسموح للنموذج باستكشافها، ويتفاعل هذا الاختيار مع عدد الكيوبتات والطبقات المتاحة في المحاكاة، لأن الدوائر الأعمق أو الأوسع أكثر تكلفة للمحاكاة كلاسيكياً.

كما تشير النظرية إلى سقف صلب يقيد أي نموذج هجين بغض النظر عن اختيار الأنساتس: تنفيذ حاسوب كمومي عام (universal) يتطلب تحكماً متماسكاً ودقيقاً بملايين الكيوبتات، بينما لا يمكن لأحدث الأجهزة الكمومية سوى التحكم بدقة بعشرات الكيوبتات [6]. تعزز ملاحظة ذات صلة هذا الأمر من زاوية أخرى: التطبيقات العملية من الحواسيب الكمومية لا تزال غير قابلة للتحقيق بسبب الضجيج الشديد وعدد الكيوبتات المحدود [5]. مجتمعتين، توضح هاتان الحقيقتان لماذا يُصاغ سؤال البحث حول المحاكاة بدلاً من الأجهزة الكمومية الحقيقية.

ما الذي تم قياسه على مجموعات بيانات حقيقية: الأرقام وشروطها

أقوى وأكمل نتيجة كمية في مجموعة الأدلة هذه للتنبؤ بالسلاسل الزمنية على مجموعة بيانات حقيقية تأتي من مقارنة الطاقة المتجددة، وهي تصب لصالح LSTM الكلاسيكي. حقق نموذج LSTM أداءً متفوقاً (R^2 = 0.9860) باستخدام مجموعة اختبار ثابتة، وأظهر قابلية تعميم قوية تحت التحقق المتقاطع للسلاسل الزمنية (cross-validation) (متوسط R^2 = 0.9847) [4]. في المقابل، أظهرت خطوط الأساس الإحصائية الكلاسيكية أداءً أضعف بكثير على نفس البيانات: التقطت نماذج ARIMA(2,1,2) وSARIMA(2,1,2)(1,1,1,24) الأنماط الزمنية الأساسية لكنها كافحت مع الديناميكيات غير الخطية، محققة درجات R^2 قدرها -0.0008 و-0.1104 على التوالي [4]. حُصلت هذه الأرقام على 87,648 نقطة بيانات بالساعة تمتد عبر 2014-2023 من قاعدة بيانات NASA POWER [4]، لذا فإن تفوق LSTM موثَّق على بيانات طاقة واقعية كبيرة تمتد لعقد كامل. لم يُقيَّم أي نموذج كمومي-كلاسيكي هجين على نفس مجموعة البيانات هذه، لذا فإن هذه النتيجة تُثبت فقط أن LSTM يتفوق بقوة على ARIMA/SARIMA على بيانات طاقة حقيقية؛ ولا تخبرنا بشيء عن كيفية أداء نموذج هجين كمومي هنا.

في مجال النقل، النتيجة الوحيدة المُبلَّغ عنها التي تقارن نموذجاً هجيناً كمومياً-كلاسيكياً مقابل إعداد كلاسيكي متصل بالكامل تشير نحو ضعف الأداء. ينص المصدر: في إعدادات الشبكات المتصلة بالكامل، تُظهر النماذج الهجينة الكمومية-الكلاسيكية أداءً أضعف باستمرار، بدرجات وسيطة تقريباً [1]. هذه الجملة مبتورة في المصدر، والرقم المحدد الذي كان مقصوداً منها مفقود؛ ولا يمكن تكراره كرقم قابل للاستخدام وينبغي عدم اعتباره إحصائية دقيقة. ما يمكن استخدامه هو النتيجة الاتجاهية: ضعف أداء النموذج الهجين في هذا الإعداد المتصل بالكامل مقارنة بالبديل الكلاسيكي في دراسة حالة أثينا لحركة المرور [1]. هذا موازن حقيقي لأي افتراض بأن الأساليب الكمومية تساعد تلقائياً؛ ففي الإعداد الوحيد للنقل المُبلَّغ عنه هنا، لم تفعل ذلك، رغم أن الحجم الدقيق غير قابل للاقتباس.

خارج التنبؤ، المقارنة الرباعية الكاملة الوحيدة في مجموعة الأدلة هذه هي في مهمة تصنيف المشاعر المالية، وهي مفيدة تحديداً لكونها محددة بالكامل. يحقق النموذج الهجين VQC (FinBERT مجمَّد، PCA(8)، دائرة كمومية متغيرة) دقة اختبار 78.96% على مجموعة اختبار مشتركة من 1,383 عينة [7]. في المقابل، يحقق خط أساس BiLSTM دقة اختبار 71.22% على نفس مجموعة الاختبار المشتركة [7]، ويحقق الانحدار اللوجستي دقة اختبار 70.28% على نفس مجموعة الاختبار المشتركة [7]، ويحقق FinBERT (المضبوط دقيقاً) دقة اختبار 82.14% على نفس مجموعة الاختبار المشتركة [7]. جميع الأرقام الأربعة تأتي من نفس مجموعة الاختبار البالغة 1,383 عينة، مما يجعل هذه المقارنة الأنظف والمتماثلة تماماً في قاعدة الأدلة بأكملها، رغم أنها مهمة تصنيف وليست مهمة تنبؤ.

كفاءة المعاملات للنموذج الهجين الفائز في تلك المقارنة موثَّقة بالكامل أيضاً. يستخدم النموذج الهجين VQC 419 معاملاً فقط [7]، وتنص الورقة صراحةً على أن النموذج الهجين VQC، باستخدام 419 معاملاً، يتفوق على كل من الانحدار اللوجستي وBiLSTM (بـ 390 ألف معامل) [7]. تفسير الورقة الخاص هو أن النموذج الهجين VQC يُظهر إمكانات التمثيلات الكمومية لمهام معالجة اللغة الطبيعية (NLP) في الإعدادات محدودة الموارد [7]. هذه نتيجة حقيقية ومقيسة وقابلة للمقارنة النظيرة، لكنها نتيجة تصنيف على نص، وليست نتيجة انحدار على سلسلة زمنية ذات قيم حقيقية، لذا لا يمكن قراءتها كدليل مباشر على أن دائرة هجينة بحجم مشابه ستتفوق على LSTM في مهمة تنبؤ.

كيف تقارَن الأساليب الهجينة والكلاسيكية عبر المهام

عند عرضها جنباً إلى جنب، تصف الأدلة ثلاثة إعدادات مقارنة مختلفة، ولا واحد منها هو الإعداد الذي يطلبه سؤال البحث. الأول هو مجموعة بيانات تنبؤ حقيقية تُقارَن فيها نماذج كلاسيكية فقط: LSTM مقابل ARIMA وSARIMA على بيانات الطاقة المتجددة [4]. الثاني هو مجموعة بيانات تنبؤ حقيقية يُذكر فيها نموذج هجين، لكن فقط في إعداد متصل بالكامل حيث يضعف أداؤه، دون خط أساس LSTM مطابق مُبلَّغ عنه في نفس المقارنة [1]. الثالث هو مجموعة بيانات تصنيف حقيقية بمقارنة رباعية كاملة تشمل نموذجاً هجيناً، ونسخة LSTM، وخط أساس خطي، ومحولاً (transformer)، لكن المهمة هي تصنيف مشاعر، وليست تنبؤاً بسلاسل زمنية [7]. على الباني أن يبقي هذه الإعدادات الثلاثة منفصلة تماماً: فالدليل القوي في أحدها لا ينتقل إلى آخر.

حيث تتناول ورقة النقل النماذج الهجينة مباشرة، النتيجة تحذيرية أكثر منها مشجعة. يصف إطار الورقة الخاص العمل بأنه استكشاف استدلالي لإمكانات QML [1]، وليس ادعاءً بأن الأسلوب يتفوق بالفعل على البدائل الكلاسيكية، والمقارنة الوحيدة المتاحة في تلك الورقة تشير إلى ضعف أداء الأسلوب الهجين في إعداد متصل بالكامل، رغم أن الرقم الدقيق المرتبط به غير قابل للاستخدام كما هو مقتبس [1]. هذا يتماشى مع موضوع أوسع ظاهر عبر الأدلة: حتى حيث تُختبَر الأساليب الهجينة أو الكمومية على بيانات حقيقية، لا تُظهر النتائج المُبلَّغ عنها هنا حالة تفوّق نموذج هجين ببساطة على خط أساس تكراري كلاسيكي قوي في مهمة تنبؤ.

في المقابل، في المجال الوحيد الذي توجد فيه مقارنة كاملة، تصنيف عناوين الأخبار المالية، يفوز النموذج الهجين ضد خط أساس تكراري. يتفوق النموذج الهجين VQC على BiLSTM (78.96% مقابل 71.22%) [7] وعلى الانحدار اللوجستي (78.96% مقابل 70.28%) [7]، رغم أنه يخسر أمام FinBERT المضبوط دقيقاً (78.96% مقابل 82.14%) [7]. هذا يُظهر أن دائرة كمومية متغيرة صغيرة، موضوعة فوق تمثيلات FinBERT مجمَّدة مخفَّضة عبر PCA، يمكنها التفوق على شبكة تكرارية كلاسيكية أكبر في مهمة تصنيف محددة، باستخدام عدد أقل بكثير من المعاملات القابلة للتدريب [7]. وهذا لا يُظهر أن نفس البنية ستفوز في مهمة تنبؤ، لأن آليات تصنيف النص تختلف جوهرياً عن آليات انحدار السلاسل الزمنية.

يضيف مشهد الأدوات بُعد مقارنة آخر: منظومة البرمجيات لبناء النماذج الهجينة ناضجة بما يكفي لجعل تجميع مقارنة التنبؤ المفقودة الآن مسألة هندسية وليست انتظاراً لنظرية جديدة. Qiskit ML هي مكتبة Python عالية المستوى تجمع عناصر الحوسبة الكمومية مع التعلم الآلي التقليدي [8]، وتتفاعل مع أطر التعلم الآلي الكلاسيكية مثل scikit-learn ومكتبات النواة العددية بلغة Python مثل NumPy، مما يتيح تكامل تقنيات التعلم الآلي الكلاسيكية والكمومية [8]. كما تملك وظائف لدمج الشبكات العصبية مع PyTorch لدعم تصميم وتدريب واستدلال النماذج الهجينة الكمومية-الكلاسيكية [8]. أدوات أخرى مثل MerLin مصممة حول المعايرة المنهجية (systematic benchmarking) وإمكانية إعادة الإنتاج (reproducibility) [2]، وهي بالضبط الخاصية اللازمة لإنتاج إجابة موثوقة لسؤال البحث.

تفاصيل التنفيذ: المكونات والأحجام وموقع التكلفة

يحتاج الباني الذي يجمّع المقارنة المفقودة إلى لبنات بناء ملموسة، وتوفر Qiskit ML معظمها، رغم أن الأجزاء المستخدمة فعلياً أدناه هي وحدها التي تستحق الذكر. لمهمة تنبؤ ذات أهداف قيمية مستمرة، تعد النماذج ذات الطراز الشبكي العصبي مثل EstimatorQNN أو SamplerQNN [8] مناسبة طبيعياً، إذ يمكن ربطها بدالة خسارة انحدار (regression loss). تُدرَّب هذه عبر تكامل Qiskit ML مع PyTorch، الذي يدعم تصميم وتدريب واستدلال النماذج الهجينة الكمومية-الكلاسيكية [8]، إلى جانب واجهاته مع scikit-learn وNumPy للمعالجة المسبقة الكلاسيكية والتقييم [8].

على الجانب الكلاسيكي، البنيتان المرجعيتان اللتان يحتاجهما الباني محددتان بالكامل بالفعل في الأدلة. تم تدريب وتقييم LSTM المستخدم في دراسة الطاقة المتجددة على 87,648 نقطة بيانات بالساعة عبر 2014-2023 [4]، مما يعطي إحساساً ملموساً بحجم البيانات اللازم لخط أساس كلاسيكي عادل في مجال طاقة أو مجال دوري مماثل. يحتوي BiLSTM المستخدم في دراسة المشاعر المالية على نحو 390 ألف معامل [7]، مقابل 419 معاملاً للنموذج الهجين VQC [7]، مما يوضح مقياس الفارق في عدد المعاملات الذي ينبغي على الباني توقعه بين دائرة متغيرة صغيرة وحتى شبكة تكرارية كلاسيكية متواضعة.

على الجانب الكمومي، تُعد الدائرة المحددة بالكامل من الدراسة المالية القالب التنفيذي الأكثر تحديداً المتاح: 8 كيوبتات، وطبقتا إعادة تحميل بياني، وترميز زاوي عبر بوابات RY، وأنساتس فعّال أجهزياً بتشابك حلقي باستخدام بوابات CNOT، ودالة تكلفة محلية تستخدم PauliZ لكل كيوبت [7]، بـ 419 معاملاً قابلاً للتدريب إجمالاً [7] ودقة 78.96% تحققت على مجموعة الاختبار المذكورة [7]. تكييفها للتنبؤ يعني استبدال تمثيلات FinBERT المخفَّضة عبر PCA(8) [7] بترميز مناسب ذي طول ثابت لنافذة سلسلة زمنية، واستبدال قراءة التصنيف بقراءة انحدار، مع الحفاظ على عدد الكيوبتات وعدد الطبقات وبنية الأنساتس كتهيئة بداية موثَّقة.

إعداد البيانات تكلفة حقيقية لا ينبغي التقليل من شأنها. تطلّب بناء مجموعة البيانات المالية وحدها دمج وإزالة التكرار من خمسة مصادر لإنتاج نحو 34.3 ألف عنوان فريد [7]، مما يُظهر أن حتى مجموعة بيانات NLP محدودة نسبياً تحتاج عملاً كبيراً للمعالجة المسبقة قبل بدء تدريب النموذج. نقاط البيانات البالغة 87,648 في دراسة الطاقة المتجددة تأتي من عشر سنوات من السجلات بالساعة المسحوبة من مصدر واحد، هو NASA POWER [4]، وهو عبء معالجة مسبقة أصغر لأن المصدر موحَّد، لكنه لا يزال يتطلب معالجة دقيقة للساعات المفقودة، والمناطق الزمنية، وتقسيمات التدريب/الاختبار عبر عقد كامل. على الباني أن يخصص وقتاً حقيقياً لتجميع البيانات وتنظيفها قبل تدريب أي نموذج، كلاسيكياً كان أو كمومياً، حيث لا تتضمن أي من أرقام الدقة أو R^2 المُبلَّغ عنها هذه التكلفة.

الحدود والأسئلة المفتوحة

الحد المركزي لقاعدة الأدلة هذه مباشر: لا يبلغ أي ادعاء عن مقارنة مضبوطة بين نموذج تنبؤ هجين كمومي-كلاسيكي مدرَّب ونموذج LSTM كلاسيكي على نفس مجموعة بيانات السلاسل الزمنية الواقعية. تأتي نتيجة LSTM الخاصة بالطاقة المتجددة [4] ونتيجة النقل الهجينة [1] من أوراق مختلفة، ومجموعات بيانات مختلفة، وبنيات نماذج مختلفة، لذا لا يمكن دمجهما في نتيجة واحدة. أي ادعاء بأن نموذجاً هجيناً «يتفوق على» أو «يخسر أمام» LSTM تحديداً على معيار مرجعي مشترك للتنبؤ سيكون استنتاجاً يتجاوز ما تنص عليه المصادر، وقد تجنبت هذه المذكرة عمداً هذا الاستنتاج.

حد ثانٍ يتعلق بالنتيجة الهجينة المُبلَّغ عنها في ورقة النقل نفسها. جملة المصدر التي تصف هذه النتيجة مبتورة («في إعدادات الشبكات المتصلة بالكامل، تُظهر النماذج الهجينة الكمومية-الكلاسيكية أداءً أضعف باستمرار، بدرجات وسيطة تقريباً»)، والرقم المحدد مفقود، لذا يُوسم هنا كغير قابل للاستخدام كرقم مقتبس، لا كإعادة صياغة لحقيقة. المحتوى القابل للاستخدام هو فقط الاتجاه النوعي: على الأقل إعداد هجين واحد أظهر ضعف أداء في إعداد واحد على الأقل من شبكة كلاسيكية متصلة بالكامل على بيانات مرور واقعية من أثينا [1]، ولا ينبغي استخلاص أي شيء أقوى من ذلك.

حد ثالث يتعلق بتعميم نتيجة تصنيف المشاعر المالية على التنبؤ. فوز النموذج الهجين VQC على BiLSTM والانحدار اللوجستي [7] نتيجة حقيقية وموثَّقة جيداً، لكنها مهمة تصنيف مبنية على تمثيلات FinBERT مجمَّدة، وليست مهمة انحدار سلسلة زمنية خام. الآليات التي تسمح لدائرة كمومية صغيرة بالنجاح هنا، وهي فضاء إدخال منخفض الأبعاد ومُعالَج مسبقاً وغني دلالياً من نموذج لغوي مُدرَّب مسبقاً، قد لا توجد بنفس الشكل لسلسلة زمنية عددية خام مثل عدادات حركة المرور أو سرعة الرياح. هذا سبب للحذر، وليس سبباً لرفض النتيجة؛ ببساطة لا يمكن نقلها إلى التنبؤ دون تجربة جديدة.

أخيراً، ينبغي للسياق الأجهزي الأوسع أن يخفف من أي استنتاج يستخلصه الباني من تجربة محاكاة واحدة. لا تزال التطبيقات العملية من الحواسيب الكمومية غير قابلة للتحقيق بسبب الضجيج الشديد وعدد الكيوبتات المحدود [5]، ولا يمكن لأحدث الأجهزة الكمومية سوى التحكم بدقة بعشرات الكيوبتات مقابل الملايين اللازمة لحاسوب كمومي عام [6]. تشكل المساهمات الفوتونية حالياً نحو 6% من منشورات QML، ومعظمها قائم على المحاكاة [2]، مما يؤكد أن معظم المجال، بما في ذلك أي تجربة تنبؤ جديدة يجريها الباني، ستكون بالضرورة نتيجة محاكاة. أي استنتاج من تجربة محاكاة هجينة مقابل LSTM للتنبؤ ينبغي أن يُبلَّغ عنه بالضبط على هذا النحو: نتيجة محاكاة، وليست دليلاً على ميزة عملية للحوسبة الكمومية.

كيف يُبنى

كيفية بنائه، أو كيفية استخدامه

الإجراء التالي يتيح لمهندس كفء تجميع المقارنة المفقودة: نموذج تنبؤ هجين كمومي-كلاسيكي مدرَّب مقابل خط أساس LSTM كلاسيكي، على مجموعة بيانات واحدة حقيقية، في المحاكاة. الخطوات من 1 إلى 3، ومن 7 إلى 9، ومن 11 إلى 12 تتبع طرقاً وأرقاماً مُبلَّغ عنها مباشرة في المصادر المستشهد بها؛ أما الخطوات من 4 إلى 6 و10 فهي خيارات تصميم مقترحة من المؤلفين أنفسهم لتكييف تلك الطرق مع مهمة تنبؤ لا يغطيها أي مصدر واحد.

  1. اختر مجموعة بيانات تنبؤ حقيقية واحدة بخط أساس كلاسيكي موثَّق. تُعد مجموعة بيانات الطاقة المتجددة المستخدمة في دراسة LSTM خياراً افتراضياً قوياً: عشر سنوات من بيانات الرياح والطاقة الشمسية بالساعة (2014-2023)، 87,648 نقطة بيانات، من قاعدة بيانات NASA POWER [4]. استخدام هذه المجموعة يتيح المقارنة مباشرة مقابل نتيجة LSTM موثَّقة (R^2 = 0.9860 على مجموعة اختبار ثابتة، متوسط R^2 = 0.9847 تحت التحقق المتقاطع للسلاسل الزمنية) [4].
  2. أعِد إنتاج خط أساس LSTM الكلاسيكي أولاً. درّب LSTM على نفس تقسيم البيانات وقيّمه بكل من مجموعة اختبار ثابتة والتحقق المتقاطع للسلاسل الزمنية، مطابقاً لبروتوكولي التقييم المُبلَّغ عنهما في المصدر [4]. إذا كانت إعادة إنتاجك بعيدة عن R^2 = 0.9860، أصلح ذلك قبل الانتقال إلى الجانب الكمومي.
  3. أعِد إنتاج خطوط أساس ARIMA/SARIMA أيضاً كأرضية تحقق. حقق ARIMA(2,1,2) وSARIMA(2,1,2)(1,1,1,24) درجات R^2 قدرها -0.0008 و-0.1104 على التوالي على هذه المجموعة [4]. يجب على أي نموذج تنبؤ جاد أن يتجاوز هذه الأرضية بسهولة.
  4. اختر بنية دائرة كمومية من المثال المالي المحدد بالكامل، مكيَّفة للانحدار. ابدأ من 8 كيوبتات، وطبقتي إعادة تحميل بياني، وترميز زاوي عبر بوابات RY، وأنساتس فعّال أجهزياً بتشابك حلقي (بوابات CNOT)، ودالة تكلفة محلية (PauliZ لكل كيوبت) [7]، والتي تدربت بنجاح بـ 419 معاملاً فقط [7] في مهمة مختلفة. استبدل قراءة التصنيف بقراءة انحدار مناسبة لتقييم بأسلوب R^2 مستمر.
  5. اختر مجموعة البرمجيات. استخدم Qiskit ML، مختاراً EstimatorQNN أو SamplerQNN كفئة نموذج كمومي بطراز شبكي عصبي [8]، وتكامله مع PyTorch لبناء وتدريب النموذج الهجين من البداية إلى النهاية [8]، وواجهاته مع scikit-learn/NumPy للمعالجة المسبقة الكلاسيكية والتقييم [8].
  6. صمم الترميز من الكلاسيكي إلى الكمومي. بما أن المثال المالي خفّض تمثيلات FinBERT إلى 8 أبعاد عبر PCA قبل الترميز الكمومي [7]، صمم ترميزاً عددياً مماثلاً ذا طول ثابت لنافذة إدخال السلسلة الزمنية، مطابقاً لمخطط الترميز الزاوي ذي 8 كيوبتات.
  7. درّب النموذج الهجين بمحسِّن كلاسيكي في الحلقة الخارجية. يتبع هذا البنية العامة ثنائية المستوى لـ VQS: يتعامل المعالج الكمومي (أو المحاكي) مع تقييم الدائرة، ويقوم محسِّن كلاسيكي بتحديث المعاملات القابلة للتدريب بناءً على خسارة محسوبة كلاسيكياً [6].
  8. قيّم على نفس مجموعة الاختبار الثابتة ونفس بروتوكول التحقق المتقاطع المستخدمين لـ LSTM. أبلغ عن R^2 على مجموعة الاختبار الثابتة ومتوسط R^2 تحت التحقق المتقاطع للسلاسل الزمنية، تماماً كما جرى لخط أساس LSTM [4].
  9. أبلغ عن عدد المعاملات إلى جانب الدقة، كما تفعل الدراسة المالية. اذكر عدد معاملات النموذج الهجين بجانب عدد معاملات LSTM، بما يعكس كيفية إبلاغ الدراسة المالية عن 419 معاملاً للنموذج الهجين VQC مقابل 390 ألفاً لـ BiLSTM [7].
  10. سجّل تكلفة المحاكاة. تتبع الوقت الفعلي (wall-clock) والذاكرة لمحاكاة الدائرة الكمومية عند عدد الكيوبتات والعمق المختارين، وهي نتيجة مباشرة لفضاء هيلبرت الأسي الذي صُممت الطريقة المتغيرة لتجنب استكشافه بالكامل [6].
  11. تحقق من النتيجة مقابل نتيجة النقل. قارن نتيجتك بالاتجاه المُبلَّغ عنه لضعف أداء النماذج الهجينة الكمومية-الكلاسيكية في إعداد متصل بالكامل على بيانات مرور واقعية [1]، مع الأخذ في الاعتبار أن الحجم الدقيق لنتيجة النقل تلك غير قابل للاقتباس.
  12. انشر جدول المقارنة الكامل. أبلغ عن نتائج LSTM وARIMA وSARIMA وQNN الهجين معاً، مع حجم مجموعة البيانات، وبروتوكول التقسيم، وعدد المعاملات، وتكلفة المحاكاة، متبعاً مستوى الاكتمال الذي حددته المقارنة الرباعية للدراسة المالية على مجموعة اختبار مشتركة من 1,383 عينة [7].
for epoch in range(n_epochs):
    x_batch, y_batch = next(data_loader)
    x_encoded = classical_preprocess(x_batch)   # e.g. PCA to 8 dims
    q_out = quantum_circuit(x_encoded, theta)    # simulated on classical hardware
    y_pred = classical_readout(q_out)
    loss = mse(y_pred, y_batch)
    theta = classical_optimizer.step(loss, theta)
evaluate(model, fixed_test_set)
evaluate(model, time_series_cv_splits)

ما الذي سنبنيه

ما الذي سنبنيه

سنبني مقارنة مباشرة وقابلة لإعادة الإنتاج بين نموذج انحدار هجين كمومي-كلاسيكي صغير ونموذج LSTM كلاسيكي على مجموعة بيانات الطاقة المتجددة الموصوفة في دراسة ARIMA/SARIMA/LSTM [4]، حيث تمتلك هذه المجموعة بالفعل خط أساس كلاسيكي موثَّق بالكامل (LSTM R^2 = 0.9860 على اختبار ثابت، متوسط R^2 = 0.9847 محقق بالتحقق المتقاطع) [4] وأرضية ضعيفة موثَّقة من ARIMA وSARIMA [4]. الخطوات التي تعيد إنتاج خطوط أساس LSTM وARIMA وSARIMA وبروتوكول تقييمها مستندة إلى طرق مُستشهد بها [4]؛ أما تكييف الدائرة المالية ذات 8 كيوبتات [7] إلى نموذج انحدار، ومخطط الترميز المحدد المستخدم لتغذية نوافذ السلسلة الزمنية فيها، فهي تصميمنا المقترح الخاص، وليست مُبلَّغاً عنها في أي مصدر.

على مدى بضعة أسابيع، سيعيد فريق من شخصين إنتاج خطوط أساس LSTM وARIMA/SARIMA تماماً كما هي مُبلَّغة، ثم يكيّف الدائرة المتغيرة المحددة بالكامل ذات 8 كيوبتات وطبقتين وتشابك حلقي من دراسة المشاعر المالية [7] إلى نموذج انحدار، باستخدام EstimatorQNN من Qiskit ML وتكامله مع PyTorch [8] للتدريب. سنُرمّز نافذة ذات طول ثابت من سلسلة الرياح/الطاقة الشمسية بالساعة إلى 8 خصائص عبر خطوة تقليل أبعاد بسيطة، مماثلة لخطوة PCA(8) المستخدمة قبل الدائرة المالية [7]، وسندرب النموذج الهجين بمحسِّن كلاسيكي في الحلقة الخارجية، متبعين البنية ثنائية المستوى للمحاكاة الكمومية المتغيرة [6].

سنحكم على المشروع من خلال الإبلاغ عن R^2 على نفس مجموعة الاختبار الثابتة ونفس بروتوكول التحقق المتقاطع للسلاسل الزمنية المستخدمين لـ LSTM [4]، إلى جانب عدد المعاملات لكلا النموذجين، متبعين أسلوب الإبلاغ الخاص بجدول مقارنة الدراسة المالية [7]. سيعني النجاح جدولاً كاملاً وصادقاً: LSTM وARIMA وSARIMA وQNN الهجين، جميعها على نفس البيانات والتقسيمات، وهو أمر لا يوفره حالياً أي مصدر في مجموعة الأدلة هذه. التكلفة الرئيسية هي وقت الحوسبة اللازم لمحاكاة دائرة ذات 8 كيوبتات عبر 87,648 نقطة بالساعة [4] مرات عديدة أثناء التدريب، إلى جانب وقت وحدة المعالجة المركزية/معالج الرسوميات (CPU/GPU) القياسي لخط أساس LSTM الكلاسيكي.

الادعاءات والمراجعة

الادعاءات والمراجعة

  1. factمدعوم

    Accurate traffic forecasting plays a crucial role in modern Intelligent Transportation Systems (ITS).

    [1] Quantum neural networks with data re-uploading for urban traffic time series forecasting, abstract DOI 10.1038/s41598-025-04546-8
    “Accurate traffic forecasting plays a crucial role in modern Intelligent Transportation Systems (ITS), as it enables real-time traffic flow management, reduces congestion, and improves the overall efficiency of urban transportation networks. With the rise of Quantum Machine Learni…”
  2. methodمدعوم

    We present the first application of quantum data re-uploading in the context of transport forecasting.

    [1] Quantum neural networks with data re-uploading for urban traffic time series forecasting, abstract DOI 10.1038/s41598-025-04546-8
    “Accurate traffic forecasting plays a crucial role in modern Intelligent Transportation Systems (ITS), as it enables real-time traffic flow management, reduces congestion, and improves the overall efficiency of urban transportation networks. With the rise of Quantum Machine Learni…”
  3. methodمدعوم

    Quantum data re-uploading allows quantum models to better capture complex patterns, such as traffic dynamics, by repeatedly encoding classical data into a quantum state.

    [1] Quantum neural networks with data re-uploading for urban traffic time series forecasting, abstract DOI 10.1038/s41598-025-04546-8
    “Accurate traffic forecasting plays a crucial role in modern Intelligent Transportation Systems (ITS), as it enables real-time traffic flow management, reduces congestion, and improves the overall efficiency of urban transportation networks. With the rise of Quantum Machine Learni…”
  4. resultمدعوم

    In fully connected network settings, hybrid quantum-classical models consistently underperform, with median scores approx

    [1] Quantum neural networks with data re-uploading for urban traffic time series forecasting, abstract DOI 10.1038/s41598-025-04546-8
    “Accurate traffic forecasting plays a crucial role in modern Intelligent Transportation Systems (ITS), as it enables real-time traffic flow management, reduces congestion, and improves the overall efficiency of urban transportation networks. With the rise of Quantum Machine Learni…”
  5. methodمدعوم

    We pursue a heuristic approach to explore the potential of QML, and focus on a specific transport issue.

    [1] Quantum neural networks with data re-uploading for urban traffic time series forecasting, abstract DOI 10.1038/s41598-025-04546-8
    “Accurate traffic forecasting plays a crucial role in modern Intelligent Transportation Systems (ITS), as it enables real-time traffic flow management, reduces congestion, and improves the overall efficiency of urban transportation networks. With the rise of Quantum Machine Learni…”
  6. factمدعوم

    As a case study we investigate a traffic forecast task for a major urban area in Athens (Greece), for which we possess high-resolution data.

    [1] Quantum neural networks with data re-uploading for urban traffic time series forecasting, abstract DOI 10.1038/s41598-025-04546-8
    “Accurate traffic forecasting plays a crucial role in modern Intelligent Transportation Systems (ITS), as it enables real-time traffic flow management, reduces congestion, and improves the overall efficiency of urban transportation networks. With the rise of Quantum Machine Learni…”
  7. methodمدعوم

    We explore the application of Quantum Neural Networks (QNN).

    [1] Quantum neural networks with data re-uploading for urban traffic time series forecasting, abstract DOI 10.1038/s41598-025-04546-8
    “Accurate traffic forecasting plays a crucial role in modern Intelligent Transportation Systems (ITS), as it enables real-time traffic flow management, reduces congestion, and improves the overall efficiency of urban transportation networks. With the rise of Quantum Machine Learni…”
  8. methodمدعوم

    MerLin is designed around systematic benchmarking and reproducibility.

    [2] MerLin: A Discovery Engine for Photonic and Hybrid Quantum Machine Learning, section MerLin: A Discovery Engine for Photonic and Hybrid Quantum Machine Learning Thanks: This research was supported by MITA
    “MerLin is designed around systematic benchmarking and reproducibility. As an initial contribution, we reproduce eighteen state-of-the-art photonic and hybrid QML works spanning kernel methods, reservoir computing, convolutional and recurrent architectures, generative models, and …”
  9. methodمرفوض

    MerLin integrates optimized strong simulation of linear optical circuits into standard PyTorch and scikit learn workflows, enabling end-to-end differentiable training of quantum layers.

    [2] MerLin: A Discovery Engine for Photonic and Hybrid Quantum Machine Learning, section MerLin: A Discovery Engine for Photonic and Hybrid Quantum Machine Learning Thanks: This research was supported by MITA
    “MerLin is designed around systematic benchmarking and reproducibility. As an initial contribution, we reproduce eighteen state-of-the-art photonic and hybrid QML works spanning kernel methods, reservoir computing, convolutional and recurrent architectures, generative models, and …”
  10. factمدعوم

    Photonic contributions currently account for ≈6% of QML publications, with most being simulator-based.

    [2] MerLin: A Discovery Engine for Photonic and Hybrid Quantum Machine Learning, section I Introduction and Motivation
    “This abundance of platforms results in a rich, but fragmented software landscape. Each framework specialises in a particular layer or paradigm, creating silos where algorithms are not portable without significant conversion effort. Most of the QML literature is built on the gate-…”
  11. resultمدعوم

    The LSTM model achieved superior performance (R^2 = 0.9860) using a fixed test set and demonstrated strong generalizability under time-series cross-validation (Avg R^2 = 0.9847).

    [4] Time-series and deep learning approaches for renewable energy forecasting in Dhaka: a comparative study of ARIMA, SARIMA, and LSTM models, abstract DOI 10.1007/s43621-025-01733-5
    “Accurate forecasting of renewable energy generation is critical for sustainable energy planning in rapidly urbanizing cities like Dhaka. This study conducts a comprehensive comparative analysis of classical time-series models ARIMA and SARIMA and a deep learning model LSTM for lo…”
  12. factمدعوم

    The analysis used 10 years of hourly wind and solar energy data (2014–2023), comprising 87,648 data points, sourced from the NASA POWER database.

    [4] Time-series and deep learning approaches for renewable energy forecasting in Dhaka: a comparative study of ARIMA, SARIMA, and LSTM models, abstract DOI 10.1007/s43621-025-01733-5
    “Accurate forecasting of renewable energy generation is critical for sustainable energy planning in rapidly urbanizing cities like Dhaka. This study conducts a comprehensive comparative analysis of classical time-series models ARIMA and SARIMA and a deep learning model LSTM for lo…”
  13. resultمدعوم

    ARIMA(2,1,2) and SARIMA(2,1,2)(1,1,1,24) models captured basic temporal patterns but struggled with non-linear dynamics, achieving R^2 scores of −0.0008 and −0.1104, respectively.

    [4] Time-series and deep learning approaches for renewable energy forecasting in Dhaka: a comparative study of ARIMA, SARIMA, and LSTM models, abstract DOI 10.1007/s43621-025-01733-5
    “Accurate forecasting of renewable energy generation is critical for sustainable energy planning in rapidly urbanizing cities like Dhaka. This study conducts a comprehensive comparative analysis of classical time-series models ARIMA and SARIMA and a deep learning model LSTM for lo…”
  14. limitationمدعوم

    Practical applications from quantum computers are still not feasible due to heavy noise and limited qubit count.

    [5] Q-gen: A Parameterized Quantum Circuit Generator, section I Introduction
    “and practical applications from quantum computers are still not feasible due to heavy noise and limited qubit count. Although quantum computing research is still mostly theoretical, the recent development of NISQ computing has proved that classical computing has great potential t…”
  15. methodمدعوم

    The variational method avoids the exponential space problem by considering trial states from a physically motivated small subset of the exponentially large Hilbert space.

    [6] Theory of variational quantum simulation, section 1 Introduction
    “Variational simulation is a widely used technique in many-body physics [BALIAN198829, PhysRevA.56.1424, RevModPhys.71.463, PhysRevLett.107.070601, Verstraete04, SHI2018245, vanderstraeten2018tangent] and chemistry [RevModPhys.72.655, szabo2012modern, helgaker2014molecular]. As th…”
  16. methodمدعوم

    VQS methods divide the problem into two levels, using the quantum processor to solve the core and classically intractable problem and leaving the relatively easy task to a classical computer.

    [6] Theory of variational quantum simulation, section 1 Introduction
    “With noisy intermediate-scale quantum hardware [preskill2018quantum], quantum advantages may still be achieved in many tasks with recently proposed hybrid or, more specifically, variational quantum simulation (VQS) methods [farhi2014quantum, peruzzo2014variational, wang2015quantu…”
  17. methodمدعوم

    This work introduces variational quantum simulation of mixed states under general stochastic evolution.

    [6] Theory of variational quantum simulation, abstract arXiv:1812.08767v4
    “The variational method is a versatile tool for classical simulation of a variety of quantum systems. Great efforts have recently been devoted to its extension to quantum computing for efficiently solving static many-body problems and simulating real and imaginary time dynamics. I…”
  18. methodمدعوم

    For variational simulation of imaginary time evolution, the work extends it to the mixed state scenario and discusses variational Gibbs state preparation.

    [6] Theory of variational quantum simulation, abstract arXiv:1812.08767v4
    “The variational method is a versatile tool for classical simulation of a variety of quantum systems. Great efforts have recently been devoted to its extension to quantum computing for efficiently solving static many-body problems and simulating real and imaginary time dynamics. I…”
  19. methodمدعوم

    The work elaborates on the design of ansatz that is compatible with post-selection measurement and the implementation of the generalised variational algorithms with quantum circuits.

    [6] Theory of variational quantum simulation, section Theory of variational quantum simulation
    “The variational method is a versatile tool for classical simulation of a variety of quantum systems. Great efforts have recently been devoted to its extension to quantum computing for efficiently solving static many-body problems and simulating real and imaginary time dynamics. I…”
  20. factمدعوم

    The work completes the theory of variational quantum simulation of general real and imaginary time evolution and it is applicable to near-term quantum hardware.

    [6] Theory of variational quantum simulation, section Theory of variational quantum simulation
    “Our work completes the theory of variational quantum simulation of general real and imaginary time evolution and it is applicable to near-term quantum hardware.”
  21. limitationمدعوم

    Implementing a universal quantum computer requires the coherent and accurate control of millions of qubits, while state-of-the-art quantum hardwares can only accurately control tens of qubits.

    [6] Theory of variational quantum simulation, section 1 Introduction
    “Nevertheless, there also exist many problems that may not be solved classically even with the classical variational method [harrow2017quantum, boixo2018characterizing, neill2018blueprint]. This is because there exist highly entangled many-body states that may not be efficiently r…”
  22. resultمدعوم

    The Hybrid VQC (FinBERT frozen → PCA(8) → Variational Quantum Circuit) achieves a test accuracy of 78.96% on a common test set of 1,383 samples.

    [7] AsperMe/quantum-enhanced-financial-sentiment (Comparing classical (Logistic Regression, BiLSTM), transformer (FinBERT), and quantum-hybrid (Variational Quantum Classi), readme lines L1-L30 @ fb2a88791c0b
    “# Hybrid Quantum-Classical Financial Sentiment Analysis A minor research project comparing classical, deep learning, and quantum-hybrid approaches for financial news sentiment classification. ## Models Compared | Model | Architecture | Test Accuracy (Common Set) | |---|---|---…”
  23. resultمدعوم

    The BiLSTM baseline achieves a test accuracy of 71.22% on the same common test set.

    [7] AsperMe/quantum-enhanced-financial-sentiment (Comparing classical (Logistic Regression, BiLSTM), transformer (FinBERT), and quantum-hybrid (Variational Quantum Classi), readme lines L1-L30 @ fb2a88791c0b
    “# Hybrid Quantum-Classical Financial Sentiment Analysis A minor research project comparing classical, deep learning, and quantum-hybrid approaches for financial news sentiment classification. ## Models Compared | Model | Architecture | Test Accuracy (Common Set) | |---|---|---…”
  24. resultمدعوم

    Logistic Regression achieves a test accuracy of 70.28% on the same common test set.

    [7] AsperMe/quantum-enhanced-financial-sentiment (Comparing classical (Logistic Regression, BiLSTM), transformer (FinBERT), and quantum-hybrid (Variational Quantum Classi), readme lines L1-L30 @ fb2a88791c0b
    “# Hybrid Quantum-Classical Financial Sentiment Analysis A minor research project comparing classical, deep learning, and quantum-hybrid approaches for financial news sentiment classification. ## Models Compared | Model | Architecture | Test Accuracy (Common Set) | |---|---|---…”
  25. resultمدعوم

    FinBERT (fine-tuned) achieves a test accuracy of 82.14% on the same common test set.

    [7] AsperMe/quantum-enhanced-financial-sentiment (Comparing classical (Logistic Regression, BiLSTM), transformer (FinBERT), and quantum-hybrid (Variational Quantum Classi), readme lines L1-L30 @ fb2a88791c0b
    “# Hybrid Quantum-Classical Financial Sentiment Analysis A minor research project comparing classical, deep learning, and quantum-hybrid approaches for financial news sentiment classification. ## Models Compared | Model | Architecture | Test Accuracy (Common Set) | |---|---|---…”
  26. methodمدعوم

    The Hybrid VQC uses only 419 parameters.

    [7] AsperMe/quantum-enhanced-financial-sentiment (Comparing classical (Logistic Regression, BiLSTM), transformer (FinBERT), and quantum-hybrid (Variational Quantum Classi), readme lines L63-L89 @ fb2a88791c0b
    “python3 download_datasets.py # 4. Train models (in order) python3 classical_model.py python3 lstm_model.py python3 finbert_model.py python3 hybrid_vqc_pennylane.py # 5. Run comparison python3 compare_models.py ``` ## Key Research Finding The Hybrid VQC, using only **419 param…”
  27. resultمدعوم

    The Hybrid VQC, using 419 parameters, outperforms both Logistic Regression and the BiLSTM (with 390K parameters).

    [7] AsperMe/quantum-enhanced-financial-sentiment (Comparing classical (Logistic Regression, BiLSTM), transformer (FinBERT), and quantum-hybrid (Variational Quantum Classi), readme lines L63-L89 @ fb2a88791c0b
    “python3 download_datasets.py # 4. Train models (in order) python3 classical_model.py python3 lstm_model.py python3 finbert_model.py python3 hybrid_vqc_pennylane.py # 5. Run comparison python3 compare_models.py ``` ## Key Research Finding The Hybrid VQC, using only **419 param…”
  28. factمدعوم

    The Hybrid VQC demonstrates the potential of quantum representations for NLP tasks in resource-constrained settings.

    [7] AsperMe/quantum-enhanced-financial-sentiment (Comparing classical (Logistic Regression, BiLSTM), transformer (FinBERT), and quantum-hybrid (Variational Quantum Classi), readme lines L63-L89 @ fb2a88791c0b
    “python3 download_datasets.py # 4. Train models (in order) python3 classical_model.py python3 lstm_model.py python3 finbert_model.py python3 hybrid_vqc_pennylane.py # 5. Run comparison python3 compare_models.py ``` ## Key Research Finding The Hybrid VQC, using only **419 param…”
  29. methodمدعوم

    The quantum circuit design uses 8 qubits, 2 data re-uploading layers, Angle Encoding via RY gates, a Hardware-Efficient Ansatz with Ring Entanglement (CNOT gates), and a local cost function (per-qubit PauliZ).

    [7] AsperMe/quantum-enhanced-financial-sentiment (Comparing classical (Logistic Regression, BiLSTM), transformer (FinBERT), and quantum-hybrid (Variational Quantum Classi), readme lines L31-L62 @ fb2a88791c0b
    “└── *.png # Per-model training analysis plots ``` ## Quantum Circuit Design - **8 qubits**, **2 data re-uploading layers** - Angle Encoding via RY gates (Pérez-Salinas 2020) - Hardware-Efficient Ansatz with Ring Entanglement (CNOT gates) - Local cost function …”
  30. methodمدعوم

    The quantum circuit has only 419 trainable parameters.

    [7] AsperMe/quantum-enhanced-financial-sentiment (Comparing classical (Logistic Regression, BiLSTM), transformer (FinBERT), and quantum-hybrid (Variational Quantum Classi), readme lines L31-L62 @ fb2a88791c0b
    “└── *.png # Per-model training analysis plots ``` ## Quantum Circuit Design - **8 qubits**, **2 data re-uploading layers** - Angle Encoding via RY gates (Pérez-Salinas 2020) - Hardware-Efficient Ansatz with Ring Entanglement (CNOT gates) - Local cost function …”
  31. resultمدعوم

    The quantum circuit achieves 78.96% accuracy.

    [7] AsperMe/quantum-enhanced-financial-sentiment (Comparing classical (Logistic Regression, BiLSTM), transformer (FinBERT), and quantum-hybrid (Variational Quantum Classi), readme lines L31-L62 @ fb2a88791c0b
    “└── *.png # Per-model training analysis plots ``` ## Quantum Circuit Design - **8 qubits**, **2 data re-uploading layers** - Angle Encoding via RY gates (Pérez-Salinas 2020) - Hardware-Efficient Ansatz with Ring Entanglement (CNOT gates) - Local cost function …”
  32. factمدعوم

    The final dataset is a merged, deduplicated collection of five sources yielding approximately 34.3k unique headlines.

    [7] AsperMe/quantum-enhanced-financial-sentiment (Comparing classical (Logistic Regression, BiLSTM), transformer (FinBERT), and quantum-hybrid (Variational Quantum Classi), readme lines L31-L62 @ fb2a88791c0b
    “└── *.png # Per-model training analysis plots ``` ## Quantum Circuit Design - **8 qubits**, **2 data re-uploading layers** - Angle Encoding via RY gates (Pérez-Salinas 2020) - Hardware-Efficient Ansatz with Ring Entanglement (CNOT gates) - Local cost function …”
  33. methodمرفوض

    Gradient estimation techniques in Qiskit ML include Parameter-Shift Rule, Linear Combination of Unitaries, SPSA, and Fidelity ComputeUncompute.

    [8] Qiskit Machine Learning: an open-source library for quantum machine learning tasks at scale on quantum hardware and classical simulators, section II Design Structure
    “Linear Combination of Unitaries: Approximates gradients by decomposing circuits into unitary operations. SPSA: Provides a stochastic estimate of gradients in complex or noisy scenarios [7]. Fidelity ComputeUncompute: Measures the fidelity between two quantum states by preparing t…”
  34. methodمدعوم

    Kernel-based models include FidelityQuantumKernel and TrainableFidelityQuantumKernel.

    [8] Qiskit Machine Learning: an open-source library for quantum machine learning tasks at scale on quantum hardware and classical simulators, section II Design Structure
    “Linear Combination of Unitaries: Approximates gradients by decomposing circuits into unitary operations. SPSA: Provides a stochastic estimate of gradients in complex or noisy scenarios [7]. Fidelity ComputeUncompute: Measures the fidelity between two quantum states by preparing t…”
  35. methodمدعوم

    Neural network based models include EstimatorQNN and SamplerQNN.

    [8] Qiskit Machine Learning: an open-source library for quantum machine learning tasks at scale on quantum hardware and classical simulators, section II Design Structure
    “Linear Combination of Unitaries: Approximates gradients by decomposing circuits into unitary operations. SPSA: Provides a stochastic estimate of gradients in complex or noisy scenarios [7]. Fidelity ComputeUncompute: Measures the fidelity between two quantum states by preparing t…”
  36. methodمدعوم

    QSVC/R uses a Quantum Kernel object to compute fidelity measures and then applies a support vector classifier/regressor on the resulting kernel.

    [8] Qiskit Machine Learning: an open-source library for quantum machine learning tasks at scale on quantum hardware and classical simulators, section II Design Structure
    “QSVC/R: Quantum Support Vector Classifier/Regressor, an extension of scikit-learn’s SVC. It uses a Quantum Kernel object to compute fidelity measures and then applies a support vector classifier/regressor on the resulting kernel. PegasosQSVC: Extension of QSVC implementing the Pe…”
  37. methodمدعوم

    PegasosQSVC is an extension of QSVC implementing the Pegasos primal sub-gradient solver for the SVM algorithm.

    [8] Qiskit Machine Learning: an open-source library for quantum machine learning tasks at scale on quantum hardware and classical simulators, section II Design Structure
    “QSVC/R: Quantum Support Vector Classifier/Regressor, an extension of scikit-learn’s SVC. It uses a Quantum Kernel object to compute fidelity measures and then applies a support vector classifier/regressor on the resulting kernel. PegasosQSVC: Extension of QSVC implementing the Pe…”
  38. methodمدعوم

    Qiskit ML interfaces with classical machine learning frameworks such as scikit-learn and Python numerical-core libraries like NumPy, enabling integration of classical and quantum machine learning techniques.

    [8] Qiskit Machine Learning: an open-source library for quantum machine learning tasks at scale on quantum hardware and classical simulators, section II Design Structure
    “QSVC/R: Quantum Support Vector Classifier/Regressor, an extension of scikit-learn’s SVC. It uses a Quantum Kernel object to compute fidelity measures and then applies a support vector classifier/regressor on the resulting kernel. PegasosQSVC: Extension of QSVC implementing the Pe…”
  39. methodمدعوم

    Qiskit ML has functionality for integrating neural networks with PyTorch to support design, training, and inference of hybrid quantum-classical models.

    [8] Qiskit Machine Learning: an open-source library for quantum machine learning tasks at scale on quantum hardware and classical simulators, section II Design Structure
    “QSVC/R: Quantum Support Vector Classifier/Regressor, an extension of scikit-learn’s SVC. It uses a Quantum Kernel object to compute fidelity measures and then applies a support vector classifier/regressor on the resulting kernel. PegasosQSVC: Extension of QSVC implementing the Pe…”
  40. factمدعوم

    Qiskit ML is a high-level Python library that combines elements of quantum computing with traditional machine learning.

    [8] Qiskit Machine Learning: an open-source library for quantum machine learning tasks at scale on quantum hardware and classical simulators, abstract arXiv:2505.17756v1
    “We present Qiskit Machine Learning (ML), a high-level Python library that combines elements of quantum computing with traditional machine learning. The API abstracts Qiskit's primitives to facilitate interactions with classical simulators and quantum hardware. Qiskit ML started a…”

المصادر

المصادر

  1. [1]
    Nikolaos A. Schetakis, P. Bonfini, Negin Alisoltani, Konstantinos V. Blazakis, S. I. Tsintzos, Alexis Askitopoulos. Quantum neural networks with data re-uploading for urban traffic time series forecasting. Scientific Reports, 2025.openalex · primary · DOI 10.1038/s41598-025-04546-8 · https://doi.org/10.1038/s41598-025-04546-8
  2. [2]
    Cassandre Notton, Benjamin Stott, Philippe Schoeb, Anthony Walsh, Grégoire Leboucher, Vincent Espitalier, Vassilis Apostolou, Louis-Félix Vigneux, Alexia Salavrakos, Jean Senellart. MerLin: A Discovery Engine for Photonic and Hybrid Quantum Machine Learning. arXiv, 2026.arxiv · primary · https://arxiv.org/abs/2602.11092v2
  3. [3]
    Md Kowsher, Md. Shohanur Islam Sobuj, Nusrat Jahan Prottasha, E. Alejandro Alanis, Ozlem Ozmen Garibay, Niloofar Yousefi. LLM-Mixer: Multiscale Mixing in LLMs for Time Series Forecasting. arXiv, 2024.arxiv · primary · https://arxiv.org/abs/2410.11674v2
  4. [4]
    Mohammad Liton Hossain, S. M. Nasif Shams, Saeed Mahmud Ullah. Time-series and deep learning approaches for renewable energy forecasting in Dhaka: a comparative study of ARIMA, SARIMA, and LSTM models. Discover Sustainability, 2025.openalex · primary · DOI 10.1007/s43621-025-01733-5 · https://doi.org/10.1007/s43621-025-01733-5
  5. [5]
    Yikai Mao, Shaswot Shresthamali, Masaaki Kondo. Q-gen: A Parameterized Quantum Circuit Generator. arXiv, 2024.arxiv · primary · https://arxiv.org/abs/2407.18697v2
  6. [6]
    Xiao Yuan, Suguru Endo, Qi Zhao, Ying Li, Simon Benjamin. Theory of variational quantum simulation. arXiv, 2018.arxiv · primary · https://arxiv.org/abs/1812.08767v4
  7. [7]
    AsperMe. AsperMe/quantum-enhanced-financial-sentiment (Comparing classical (Logistic Regression, BiLSTM), transformer (FinBERT), and quantum-hybrid (Variational Quantum Classi). GitHub, 2026.github · secondary · https://github.com/AsperMe/quantum-enhanced-financial-sentiment
  8. [8]
    M. Emre Sahin, Edoardo Altamura, Oscar Wallis, Stephen P. Wood, Anton Dekusar, Declan A. Millar, Takashi Imamichi, Atsushi Matsuo, Stefano Mensa. Qiskit Machine Learning: an open-source library for quantum machine learning tasks at scale on quantum hardware and classical simulators. arXiv, 2025.arxiv · primary · https://arxiv.org/abs/2505.17756v1
  9. [9]
    Apimuk Sornsaeng, Ninnat Dangniam, Thiparat Chotibut. Quantum Next Generation Reservoir Computing: An Efficient Quantum Algorithm for Forecasting Quantum Dynamics. arXiv, 2023.arxiv · primary · https://arxiv.org/abs/2308.14239v2
  10. [10]
    Ibrahim Alzamil. Quantum-Enhanced Residual Convolutional Attention Architecture for Renewable Forecasting in Off-Grid Cloud Microgrids. Mathematics, 2026.openalex · primary · DOI 10.3390/math14010181 · https://doi.org/10.3390/math14010181
  11. [11]
    T. A. Rajaperumal, C. Christopher Columbus. Enhanced wind power forecasting using machine learning, deep learning models and ensemble integration. Scientific Reports, 2025.openalex · primary · DOI 10.1038/s41598-025-05250-3 · https://doi.org/10.1038/s41598-025-05250-3
  12. [12]
    Millend Roy, Vladimir Pyltsov, Yinbo Hu. IISE PG&E Energy Analytics Challenge 2025: Hourly-Binned Regression Models Beat Transformers in Load Forecasting. arXiv.org, 2025.semanticscholar · primary · DOI 10.48550/arXiv.2505.11390 · https://doi.org/10.48550/arXiv.2505.11390
  13. [13]
    Ari Yair Barrera-Animas, Lukumon O. Oyedele, Muhammad Bilal, Taofeek Dolapo Akinosho, Juan Manuel Dávila Delgado, Lukman Akanbi. Rainfall prediction: A comparative analysis of modern machine learning algorithms for time-series forecasting. Machine Learning with Applications, 2021.openalex · primary · DOI 10.1016/j.mlwa.2021.100204 · https://doi.org/10.1016/j.mlwa.2021.100204
  14. [14]
    prudhvisaikari-hub. prudhvisaikari-hub/HQ-LSTM (Hybrid Quantum-Classical LSTM for Sentiment Analysis - Research Implementation). GitHub, 2026.github · secondary · https://github.com/prudhvisaikari-hub/HQ-LSTM
  15. [15]
    Minhao Liu, Ailing Zeng, Muxi Chen, Zhijian Xu, Qiuxia Lai, Lingna Ma, Qiang Xu. SCINet: Time Series Modeling and Forecasting with Sample Convolution and Interaction. arXiv, 2021.arxiv · primary · https://arxiv.org/abs/2106.09305v3
  16. [16]
    Kin G. Olivares, O. Nganba Meetei, Ruijun Ma, Rohan Reddy, Mengfei Cao, Lee Dicker. Probabilistic Hierarchical Forecasting with Deep Poisson Mixtures. arXiv, 2021.arxiv · primary · https://arxiv.org/abs/2110.13179v8