Zespół naukowców przeprowadził kompleksowe porównanie różnych podejść do prognozowania szeregów czasowych z obserwatoriów neutrono-monitor, skupiając się na danych z Lomnickiego Szczytu. W badaniu przetestowano szeroki spektrum modeli - od tradycyjnych metod sezonowych, przez popularne architektury głębokich sieci neuronowych takie jak LSTM i TCN, aż po nowoczesne podejścia oparte na sieciach N-BEATS, Kołmogorowa-Arnolda oraz ich wariantach inspirowanych kwantem, czyli QiLSTM i QiKAN.
Wyniki pokazały, że kwantowo-inspirowana sieć KAN osiągnęła najniższy błąd prognozy spośród wszystkich testowanych konfiguracji. Jednak to co rzeczywiście zaskoczę - najprostsza metoda Seasonal Naive, która po prostu ekstrapoluje wzorce sezonowe z przeszłości, pozostała zdumiewająco konkurencyjna. Badacze dokładnie zbadali charakterystykę danych, diagnostykę, preprocessing oraz procedury treningowe, mierząc wydajność przy pomocy MAE i RMSE.
Te odkrycia mają ważne implikacje dla całej dziedziny prognozowania naukowego. Sugerują, że dla wysoko periodycznych sygnałów monitorowania naukowego, modele zawierające silne założenia o sezonowości lub funkcyjne priors niskiemu wymiarów mogą przewyższać zdecydowanie bardziej skomplikowane architektury sekwencyjne. Wyniki motywują do dalszych badań nad parsimonious i dekompozycyjnymi aproksymatorami funkcji do prognozowania okresowych sygnałów naukowych, potencjalnie prowadząc do modeli bardziej interpretowalnych i efektywniejszych.