Первая квантовая диффузионная модель для временных рядов: точность +44%, параметров в 1000 раз меньше
Ученые разработали QDiffusion-TS — первую квантовую генеративную диффузионную модель, предназначенную для синтеза временных рядов. Работа опубликована на arXiv и уже прошла валидацию на квантовом процессоре IQM. Новая архитектура объединяет классический диффузионный подход с квантовыми нейронными сетями.
В основе модели лежит гибридный квантовый трансформер, в котором feed-forward компоненты заменены на квантовые нейросети. Это позволило сократить количество обучаемых параметров в каждом замененном блоке почти в 1000 раз, сохранив при этом высокую точность.
QDiffusion-TS протестировали на финансовых временных рядах Apple и Amazon. Модель генерирует синтетические данные, максимально близкие к реальным распределениям. По сравнению с классической версией Wasserstein distance уменьшилась на 44% на обоих наборах данных.
Дополнительно исследователи оценили влияние синтетических данных на downstream-задачу прогнозирования. При дополнении обучающей выборки сгенерированными образцами RMSE улучшился на 71% по сравнению с моделью, обучавшейся только на реальных данных.
Результаты демонстрируют, что квантово-усиленные архитектуры способны систематически превосходить классические аналоги при значительно меньшем числе параметров. Авторы видят в этом практический шаг к более эффективному и масштабируемому генеративному моделированию на основе данных.
Работа открывает перспективы для применения квантовых моделей в финансах, климатологии, IoT и других областях, где требуется генерация реалистичных временных рядов при ограниченных вычислительных ресурсах.
