يكتسب تحليل السلاسل الزمنية أهمية كبيرة في مجالات متعددة من العلوم والهندسة، رغم التحديات الحسابية الجسيمة التي تواجهه. واحدة من أبرز هذه التحديات هي عدم ارتباط البيانات الزمنية بإعادة تغيير المعاملات الزمنية، مما يصعب استخراج الخصائص الزمنية ذات المعنى. في هذا السياق، يقدم هذا العمل حلاً مبتكرًا لمشكلة تصنيف السلاسل الزمنية عبر استكشاف تطبيقات تقنيات الحوسبة الكمومية.

نقترح نموذجًا هجينًا يجمع بين الشبكات العصبية الكمومية (Quantum Neural Networks) وإطار العمل الرياضي لتوقيع المسار (Path Signatures)، حيث يساهم هذا الدمج في التخفيف من تأثير مشكلة إعادة تغيير المعلمات الزمنية. يعتمد النموذج المعتمد على الطبقات المميزة التي تحسب نواة التوقيع بين أزواج المسارات المدخلة، والتي تتألف من مسار مرجعي وآخر مستهدف لأغراض التصنيف، باستخدام حل المعادلات الخطية الكمومية المتغيرة (Variational Quantum Linear Solvers - VQLS) أو الكلاسيكية.

تتبع هذه الطبقات المميزة شبكة عصبية كمومية مربعية (Quantum Convolutional Neural Network - QCNN) تُستخدم لأداء مهام التعلم اللاحقة. نحن نقوم بتقييم عدة تجارب لتجارب النموذج المقترح، والتي تختلف في إعدادات QCNN، وذلك في مهمة تصنيف ثنائية تتضمن تمثيلات زمنية لأرقام مكتوبة بخط اليد. تثبت تجاربنا الفوائد المحتملة لتطبيق طبقات نواة توقيع المسار ضمن الدوائر الكمومية، وتقدم تحليلًا للقيود الحسابية المرتبطة بمكون VQLS.