Un QLSTM récursif pour prévoir une température à court horizon

La stabilité d’une mémoire quantique récursive

Le papier évalue une prévision à un pas sur des températures à court horizon. Dans « Recursive QLSTM », le terme récursif décrit la transformation metacore qui réutilise des représentations intermédiaires dans la mise à jour récurrente ; il ne désigne pas une réinjection des sorties sur plusieurs pas.

Protocole

Les auteurs comparent des fenêtres de 8, 16 et 32 jours sur les températures minimales et maximales de Toronto, avec 20 graines. La fenêtre de 8 jours donne l’erreur moyenne absolue la plus basse rapportée : 3,73 ± 0,18 contre 4,08 ± 0,24 pour le comparateur indiqué. Le RMSE associé est de 4,66 contre 5,15, et l’écart train-test est plus faible dans le réglage retenu. L'objectif est d'observer la stabilité de la trajectoire prédite, pas de présenter le modèle comme un capteur ou un système de contrôle autonome.

Lecture prudente

Un gain sur un horizon court peut disparaître lorsque l'horizon, la saisonnalité ou le site changent. La présence d'une composante quantique dans l'architecture ne suffit pas à établir un avantage général : les métriques ne séparent pas à elles seules l’effet du prétraitement, de la fenêtre et du choix des baselines.

L’étude porte sur une ville, une variable météorologique et un horizon court. Les simulations ou circuits quantiques restent dépendants du matériel et du bruit, et le nombre de graines ne remplace pas une validation temporelle sur d’autres régimes climatiques.

Source

Mu-En Lee, Yen-Ku Liu, Samuel Yen-Chi Chen et Yun-Cheng Tsai, « Recursive Quantum Long Short-Term Memory for Stable Short-Horizon Temperature Forecasting », ArXiv 2609.20594v1 : résumé et preprint, PDF.