Les auteurs présentent une architecture hybride quantique-classique conçue pour répondre à l'invariance de reparamétrage temporel dans l'analyse des séries temporelles. Le système intègre des réseaux neuronaux quantiques avec des signatures de chemins, utilisant des couches de caractéristiques qui calculent les noyaux de signature entre les chemins d'entrée via des solveurs linéaires variationnels classiques ou quantiques (VQLS).
- Les couches de caractéristiques calculent les noyaux de signature pour les tâches de classification.
- Un réseau neuronal convolutif quantique (QCNN) effectue l'apprentissage en aval.
- Les expériences évaluent l'architecture sur la classification binaire de chiffres manuscrits.
- L'étude analyse les limitations computationnelles associées au composant VQLS.
Le travail démontre les avantages potentiels de la mise en œuvre de couches de noyaux de signature de chemins au sein de circuits quantiques pour les données de séries temporelles.