[論文レビュー] Large-scale portfolio optimization on a trapped-ion quantum computer

Alejandro Gomez Cadavid, Ananth P. Kaushik+11 more|arXiv (Cornell University)|Feb 27, 2026

Quantum Computing Algorithms and Architecture被引用数 0

ひとこと要約

著者らは、トラップ型イオン量子ハードウェア上で実装された固定カーデ指向ポートフォリオ最適化のハードウェア認識・エンドツーエンドパイプラインを提示する。相関に基づく分解と非変分的BF-DCQO最適化を用い、250資産のS&P 500サブセットで実証する。

ABSTRACT

We present an end-to-end pipeline for large-scale portfolio selection with cardinality constraints and experimentally demonstrate it on trapped-ion quantum processors using hardware-aware decomposition. Building on RMT-based correlation-matrix denoising and community detection, we identify correlated asset groups and introduce a correlation-guided greedy splitting scheme that caps each cluster by the executable qubit budget. Each cluster defines a hardware-embeddable QUBO subproblem that we solve using bias-field digitized counterdiabatic quantum optimization (BF-DCQO), a non-variational method that avoids classical parameter-training loops. We recombine low-energy candidates into global portfolios and enforce feasibility with a two-stage post-processing routine: fast repair followed by a cardinality-preserving swap local search. We benchmark the workflow on a 250-asset universe taken from the S&P 500 and execute subproblems on a 64-qubit Barium development system similar to the forthcoming IonQ Tempo line. We observe that larger executable subproblem sizes reduce decomposition error and systematically improve final objective values and risk-return trade-offs relative to randomized baselines under identical post-processing. Overall, the results establish a hardware-tested route for scaling financial optimization problems, defined by a trade space in which executable problem size and circuit cost are balanced against the resulting solution quality.

研究の動機と目的

• 現実的な制約の下でリターンとリスクのバランスを取りつつ固定カーデ指向のポートフォリオ選択を動機づけ、解決する。
• 実行可能な量子ビット予算を尊重するハードウェア認識的分解を開発し、近似実用デバイス上でのエンドツーエンドの量子最適化を可能にする。
• 相関構造のデノイズとコミュニティ検出を活用して量子ハードウェアに適合するサブ問題を形成する。
• サブ問題には非変分的な量子最適化器（BF-DCQO）を適用し、実行可能性を担保するため古典的ポスト処理で候補を再結合する。
• 実在のトラップ型イオン量子処理系でワークフローをベンチマークし、サブ問題サイズとプルーニングが解の質に及ぼす影響を定量化する。

提案手法

• 固定カーディネリティポートフォリオ問題を、カーディリティ制約違反へのペナルティを伴うQUBO/Ising定式化に写像する。
• 相関行列におけるノイズ・グローバル市場モード・情報構造を分離するためにRMTベースのデノイズを実行する。
• 相関に基づく分割によりQmax量子ビットを尊重するハードウェアサイズのクラスタに資産を分割する。
• 各クラスタをBF-DCQOでIsingサブ問題として解き、回路深度を削減するためプルーニングを適用する。
• 低エネルギーのクラスタ解を統合してグローバルなポートフォリオに再結合し、二段階のカーディナリティ保持後処理（修復→局所探索のスワップ）を適用する。
• エンドツーエンドの性能を、36および64量子ビットのトラップ型イオン系で評価し、250資産 universeはS&P 500データに由来する。

実験結果

リサーチクエスチョン

• RQ1 実行可能なサブ問題サイズをハードウェア量子ビット予算で制限することは、再結合・後処理後の最終ポートフォリオの品質にどのような影響を与えるか？
• RQ2 ハードウェア認識的クラスタリングは、近時量子デバイス上での大規模固定カーデ最適化の実現可能性と解の質を改善するか？
• RQ3 プルーニングレベルは、回路コストとトラップ型ハードウェア上のエンドツーエンドの最適化性能にどのような影響を与えるか？
• RQ4 ビット数予算が増えるにつれて、BF-DCQOと局所探索はグローバル目的をどれだけ近づけることができるか？
• RQ5 同一の後処理の下で、BF-DCQOを用いたサブ問題の解法は古典的ベースラインと比較してどの程度改善をもたらすか？

主な発見

• より大きな実行可能サブ問題サイズ（最大60量子ビット）により分解誤差が小さくなり、客観値とリスク–リターンのトレードオフが系統的に改善される。
• 250資産 universeで、ハードウェア予算を36ビットから64ビットへ増やすと、ポスト処理されたポートフォリオがグローバル最適解に近づく。
• BF-DCQOと2段階の局所探索は、リスク–リターン空間で幅広い実現可能なポートフォリオを生み出し、有意なトレードオフを探れることを示す。
• 最適化後のポスト処理ポートフォリオは、グローバルカーディナリティの制約強化とクラスタ間スワップ後に、再結合したリファレンスポイントを上回ることがある。
• 本結果は、近期デバイス上のハードウェア認識的分解によって密なIsing/QUBO目的のスケーリングに向けた実機検証済みルートを確立する。