Os autores apresentam uma arquitetura quântico-clássica híbrida projetada para abordar a invariância à reparametrização temporal na análise de séries temporais. O sistema integra redes neurais quânticas com assinaturas de trajetória, utilizando camadas de características que calculam núcleos de assinatura entre trajetórias de entrada por meio de solucionadores lineares variacionais clássicos ou quânticos (VQLS).
- As camadas de características calculam núcleos de assinatura para tarefas de classificação.
- Uma Rede Neural Convolucional Quântica (QCNN) realiza o aprendizado subsequente.
- Os experimentos avaliam a arquitetura na classificação binária de dígitos manuscritos.
- O estudo analisa as limitações computacionais associadas ao componente VQLS.
O trabalho demonstra as vantagens potenciais da implementação de camadas de núcleos de assinatura de trajetória dentro de circuitos quânticos para dados de séries temporais.