Los autores presentan una arquitectura híbrida cuántico-clásica diseñada para abordar la invarianza a la reparametrización temporal en el análisis de series temporales. El sistema integra redes neuronales cuánticas con firmas de trayectorias, utilizando capas de características que calculan núcleos de firma entre trayectorias de entrada mediante solucionadores lineales variacionales clásicos o cuánticos (VQLS).
- Las capas de características calculan núcleos de firma para tareas de clasificación.
- Una Red Neuronal Convolucional Cuántica (QCNN) realiza el aprendizaje posterior.
- Los experimentos evalúan la arquitectura en la clasificación binaria de dígitos manuscritos.
- El estudio analiza las limitaciones computacionales asociadas al componente VQLS.
El trabajo demuestra las ventajas potenciales de implementar capas de núcleos de firma de trayectorias dentro de circuitos cuánticos para datos de series temporales.