原始PM2.5数据上经典模型不收敛：量子神经网络把相关系数做到0.60，约为LSTM两倍

量子神经网络在原始、未做信号分解的环境时间序列上仍能学到PM2.5的动态，而经典模型在同一批数据上无法收敛到稳定表示。 此前的做法是先做数据分解或特征工程，再交给经典网络；这里把原始时间序列直接送入模型，与多层感知机和长短期记忆网络在同一输入上对照。 在原始数据上，深度4的量子神经网络取得皮尔逊相关系数0.60，长短期记忆网络为0.29，多层感知机为0.30，量子模型在各回看窗口上均优于两个经典基线。

把五级离散小波变换与量子电路结合后，模型在六小时预报窗口上取得该研究最高的平均相关性和最低的平均误差。 小波分解把每个原始特征的输入维度扩大六倍，需要相应增加量子比特容量，而经典模型在小波特征上也能明显改善，两类方法的差距因此收窄。 172量子比特、深度4的量子神经网络在小波数据、回看2的设置下取得平均相关系数0.73和归一化均方误差0.488，为该研究报告的最好成绩。

量子模型给出的不确定性区间会随污染峰值扩张，而不是像经典基线那样给出过度自信的预测。 经典基线在极端峰值处常给出置信但错误的点预测，量子模型改用分位数回归得到95%预测区间。 在Guildford两个路边监测站2019年的小时数据上，量子模型的95%预测区间在极端PM2.5峰值处动态扩大以覆盖观测值。

这项工作在真实城市空气质量数据上评估量子机器学习，预报对象是英国Guildford两个路边监测站2019年小时数据中的PM2.5，预报窗口最长六小时。作者把在物理量子硬件上做基准测试列为下一步，并建议把DynexQML框架与时间卷积网络、Transformer等更多经典模型比较。

作者说明量子神经网络的性能是在仿真平台上取得的，结果没有计入物理量子器件固有的噪声模型、有限连接度和退相干。作者也指出，加入小波特征后经典多层感知机已与量子模型接近，量子模型的优势主要体现在原始、未预处理的数据上。