现实世界时间序列的量子生成扩散模型

尽管模型规模不断增加所带来的最新进展给计算成本和效率带来了挑战，但生成模型在数据合成方面取得了显着的成功。量子机器学习提供了一种有前途的替代方案，使用紧凑、高度表达的模型来表示复杂的数据分布。在这里，我们提出了 QDiffusion-TS，这是第一个用于时间序列合成的量子生成扩散模型，并在 IQM 量子处理器上对其进行了验证。该框架通过用量子神经网络替换去噪 Transformer 中的前馈组件来扩展经典扩散架构，产生混合量子 Transformer，将每个替换组件中的可训练参数数量减少近三个数量级。该模型根据 Apple 和 Amazon 的金融时间序列进行评估，生成的合成数据可以更准确地再现真实分布，相对于两个数据集的经典对应数据，Wasserstein 距离减少了约 44%。在下游预测任务中，与仅根据真实数据训练的基线相比，使用生成的数据进行增强可将 RMSE 的预测性能提高高达 71%。这些结果表明，量子增强架构可以用更少的参数始终匹配并经常超越经典性能，从而为更高效和可扩展的数据驱动生成建模建立实用框架。