Variational Quantum Conditional Boltzmann Machines for Time-Series Forecasting: Architectures, Symmetric Hyperparameter Evaluation, and a Nonlinear Benchmark
创建于 更新于
摘要
本研究提出并系统比较四种条件能量基时间序列预测架构（经典高斯–伯努利 CRBM、混合量子-经典 QCRBM、全量子三寄存 QQRBM、以及 lag-feature QFeatureQRBM），给出完整的能量函数、对比散度梯度与混合训练流程，并在两类数据集上进行对称超参数优化与两区域评估。结论是：在可获得的样本规模(n=12)下，未发现任何量子体系对最佳经典基线的显著超越；全量子结构表现显著劣于经典基线，混合型 QCRBM 与 strongest classical CRBM 在统计上无显著差异。iso-parameter（匹配预算）对比亦未发现稳定的量子优势；研究还强调对称超参数搜索的重要性、量子梯度可训练性的界限，以及未来在更大规模或硬件化实现中的潜在方向。上述结论以 Abstract 及实验结论为来源，可在后续分析中复现与溯源 [page::0]
