[論文レビュー] Financial Risk Management on a Neutral Atom Quantum Processor

Lucas Leclerc, Luis Ortiz-Guitierrez+20 more|arXiv (Cornell University)|Dec 6, 2022

Quantum Computing Algorithms and Architecture被引用数 8

ひとこと要約

本稿では、60量子ビットの中性原子量子プロセッサを用いて、クレジット格付けの下方修正（フォールンエンジェルズ）を予測するための、QBoostに基づく量子強化機械学習分類器を提案する。この手法は、最先端のランダムフォレストモデルと同等の性能を達成し、解釈性が高く、トレーニング時間も同程度である。さらに、テンソルネットワークシミュレーションを通じて、将来的に古典的ベンチマークを上回る可能性が明確に示されている。

ABSTRACT

Machine Learning models capable of handling the large datasets collected in the financial world can often become black boxes expensive to run. The quantum computing paradigm suggests new optimization techniques, that combined with classical algorithms, may deliver competitive, faster and more interpretable models. In this work we propose a quantum-enhanced machine learning solution for the prediction of credit rating downgrades, also known as fallen-angels forecasting in the financial risk management field. We implement this solution on a neutral atom Quantum Processing Unit with up to 60 qubits on a real-life dataset. We report competitive performances against the state-of-the-art Random Forest benchmark whilst our model achieves better interpretability and comparable training times. We examine how to improve performance in the near-term validating our ideas with Tensor Networks-based numerical simulations.

研究の動機と目的

• 金融リスク管理におけるクレジット格付けの下方修正（フォールンエンジェルズ）の早期検出という課題に、量子機械学習を用いて対処すること。
• ランダムフォレストなどの古典的モデルと比較して、解釈性を向上させつつ、競争力のある性能を維持する量子強化分類器を開発すること。
• 具体的には、60量子ビットの中性原子量子プロセッシングユニット（QPU）を用いた実機における量子ソリューションの実装とベンチマーク評価を行うこと。
• 大規模システムにおけるスケーラビリティと性能の可能性を、テンソルネットワークに基づく数値シミュレーションを用いて検証すること。

提案手法

• 提案手法は、QBoostアルゴリズムを用い、量子強化型アンサンブル学習技術を活用して、信用リスクの二値分類のための量子強化分類器を訓練する。
• この分類器は、QUBO問題の解決に最適化された、最大60量子ビットの中性原子量子プロセッサ上で実装され、ハードウェアネイティブな最適化を活用する。
• 大規模な測定分布から小さなビットストリングを抽出するためのサブサンプリング戦略を適用し、1つの大規模な測定データセットから、さまざまなサイズのQUBO問題を解けるようにする。
• ハイパーパrameterチューニングを高速化するために、N=10の小さなモデルを用いて最適な正則化（λ）を推定し、その後、より大きなアンサンブルにスケーリングする。
• トレーニングパイプラインは、古典的CPUベースのアンサンブルトレーニングと、QPUを用いたQUBO解決の最適化を統合する。
• テンソルネットワークシミュレーションを用いて、システムサイズが増加するに従い、性能スケーリングを予測し、将来的に古典的ベンチマークを上回る可能性を検証する。

実験結果

リサーチクエスチョン

• RQ1 QBoostに基づく量子強化分類器は、フォールンエンジェルズ予測において、ランダムフォレストなどの古典的最先端モデルと同等の性能を達成できるか？
• RQ2 金融リスク分類における、古典的ツリー基盤アンサンブルモデルと比較して、量子強化モデルの解釈性はどのように異なるか？
• RQ3 60量子ビットの中性原子QPUに実装された量子強化分類器のトレーニング時間とハードウェア効率はどの程度か？
• RQ4 テンソルネットワークシミュレーションは、システムサイズが増加するに従い、量子モデルが古典的モデルを上回る性能を示す可能性を予測できるか？
• RQ5 サブサンプリングおよびビットストリング抽出手法は、近位量子ハードウェア上でスケーラブルなQUBO解決を可能にしつつ、予測性能をどのように保持しているか？

主な発見

• 量子強化分類器は、実際の金融データセットにおけるクレジット格付けの下方修正を対象に、最先端のランダムフォレストベンチマークと同等の予測性能を達成した。
• モデルは、密度の高いランダムフォレストアンサンブルと比較して、より単純かつ小型な予測モデルであるため、解釈性が優れている。
• 量子分類器のトレーニング時間は、ランダムフォレストベースラインと同等であり、サブサンプリングベースの実装では、QPU上で31.8～46.5分の範囲で合計トレーニング時間が計測された。
• 意思決定木とk-NNを組み合わせた非一様な量子分類器は、均一なバージョンよりも長時間のトレーニングを要し、80量子ビットで合計16.7分のトレーニング時間がかかった。
• テンソルネットワークシミュレーションの結果、古典的ランダムフォレストベンチマークを上回る可能性が明確に示されており、大規模な展開において量子優位性の可能性が示唆された。
• ハイパーパrameterチューニングは、最終的なモデルサイズに関わらず、小規模モデル（N=10）を用いて最適な正則化を推定することで高速化され、チューニング時間は約10分に短縮された。