Mahyar Sadeghi Garjan氏らによるarXivプレプリント『A Quantum Variational Approach to Prototypical Recurrent Unit』は、軽量な量子再帰型モデル「Quantum Prototypical Recurrent Unit（QPRU）」を提案している。本論文は2026年9月3日にarXivへ投稿され、2026年IEEE量子通信・ネットワーキング・コンピューティング国際会議（QCNC）に採録されている。本文は12ページ、図5点、表4点で構成される。
リカレントニューラルネットワークとそのゲート付き変種であるLSTMやGRUは時系列予測に広く用いられているが、通常は非常に多くの学習可能パラメータを必要とする。近年、量子版のQLSTMやQGRUも提案されているが、やはりパラメータ数が多いという課題がある。QPRUはこの課題に対して量子変分方式を導入し、よりコンパクトなユニットを設計。学習可能パラメータの数がLSTM/GRUはもちろん、QLSTM/QGRUよりも大幅に少ないにもかかわらず、予測性能は最先端のベースラインと同等であることが示されている。
パラメータ削減は、量子ハードウェアのリソース制約のもとでのモデル学習をより実用的にし、スケーラビリティの向上やトレーニングコストの低減といった構造的・実用的な利点をもたらす。著者らは、QPRUが性能を維持しながら量子機械学習をより拡張しやすくする設計であり、今後の量子コンピューティング応用への貢献が期待されるとしている。
論文はarXiv:2609.04354として公開され、arXiv DOI（DataCite、登録手続き中）も付与されている。会議版はQCNC 2026論文集のpp. 776-780に掲載され、IEEE DOIは10.1109/QCNC69040.2026.00126である。