作者提出了一种混合量子-经典架构，旨在解决时间序列分析中的时间重参数化不变性问题。该系统将量子神经网络与路径签名相结合，使用特征层通过经典或量子变分线性求解器（VQLS）计算输入路径之间的签名核。

  • 特征层为分类任务计算签名核。
  • 量子卷积神经网络（QCNN）执行下游学习。
  • 实验在手写数字的二分类上评估了该架构。
  • 本研究分析了与VQLS组件相关的计算局限性。

这项工作展示了在时间序列数据的量子电路中实现路径签名核层的潜在优势。