本論文では、モデルの不確実性定量化を改善するために、量子物理学に基づいた新しい「ホワイトボックス」手法を提案しています。従来の神経ネットワークは複雑なパターンを学ぶ能力がある一方で「ブラックボックス」であり、解釈性に欠けるという課題があります。提案された手法では、時系列データのカーネル平均埋め込み(KME)を再生カーネルヒルベルト空間(RKHS)にマッピングし、テンソルネットワークに触発された1次元スピンチェーンハミルトニアンを構築します。これによって、関連するシュレーディンガー方程式を解き、摂動理論を適用して不確実性を定量化します。この手法は、変化点検出や時系列クラスタリングにおいて、従来のホワイトボックスモデルと比較して有効性を示しています。