一种基于时空注意力的自适应量子循环神经网络设计方法

本发明提供一种基于时空注意力的自适应量子循环神经网络设计方法，通过结合量子动态卷积网络和时空注意力机制，能够灵活地处理和学习时空特征，不仅能够根据输入数据的特性调整卷积核参数，还能在时间维度和特征维度之间进行自适应加权，相较于传统方法中的逐步学习和简单融合更为高效，提升了对复杂时空依赖关系的学习能力；通过QR分解将无约束参数矩阵转换为幺正量子门，摆脱对固定门类型的依赖，同时支持构建任意体量子门，仅需初始化复数矩阵，降低电路复杂度，显著提升了电路的可扩展性与灵活性，通过自注意力机制增强对时空跨度的敏感度，结合自适应变分量子电路的非线性动态建模能力，显著提升了长期依赖捕捉效率与模型收敛速度。