Quantum-gesteuertes Zustandsmodell revolutioniert Langzeit-Vorhersagen

Die Vorhersage von Zeitreihen über lange Zeiträume bleibt eine große Herausforderung, weil Modelle sowohl nichtstationäre als auch mehrskalige Abhängigkeiten erfassen, gleichzeitig robust gegen Rauschen sein und effizient arbeiten müssen. Traditionelle Transformer‑Architekturen wie Autoformer und Informer verbessern die Generalisierung, stoßen jedoch bei sehr langen Zeithorizonten an ihre Grenzen, weil sie quadratische Komplexität aufweisen und die Leistung sinkt.

Staatsraummodelle, insbesondere S‑Mamba, bieten lineare Updates, leiden aber häufig unter instabilen Trainingsdynamiken, anfälliger Initialisierung und begrenzter Robustheit bei multivariaten Vorhersagen. Um diese Probleme zu lösen, wurde das Quantum‑Optimized Selective State Space Model (Q‑SSM) entwickelt. Dieses hybride Modell kombiniert klassische Zustandsraumdynamik mit einer variationalen Quanten‑Gate‑Architektur.

Anstelle aufwändiger Aufmerksamkeitsmechanismen nutzt Q‑SSM einen einfachen, parametrierten Quanten‑Circuit (RY‑RX‑Ansatz). Die Erwartungswerte dieses Circuits steuern die Speicher‑Updates adaptiv, was die Konvergenzstabilität verbessert, langfristige Abhängigkeiten besser modelliert und eine leichte Alternative zu Attention darstellt.

In Experimenten auf den Benchmark‑Datensätzen ETT, Traffic und Exchange Rate übertraf Q‑SSM konsequent starke Baselines wie LSTM, TCN, Reformer sowie Transformer‑Modelle und S‑Mamba. Die Ergebnisse zeigen, dass variationale Quanten‑Gate‑Mechanismen aktuelle Beschränkungen bei der Vorhersage langer Zeitreihen überwinden und präzise, robuste multivariate Prognosen ermöglichen.