[논문 리뷰] A Brief Review of Quantum Machine Learning for Financial Services

Mina Doosti, Petros Wallden외 4명|arXiv (Cornell University)|2024. 07. 17.

Blockchain Technology Applications and Security인용 수 4

한 줄 요약

이 논문은 금융 응용 분야인 신용 평가, 리스크 관리, 사기 탐지 및 주가 예측에 적합한 양자 기계학습(QML) 기법—특히 양자 변분 분류기, 양자 커널 추정, 양자 그래프 신경망을 검토한다. 이는 NISQ 장치에서의 근접한 실현 가능성 평가를 포함하며, QML가 장기적인 혁신 잠재력을 지닌 유망한 분야임을 확인한다.

ABSTRACT

This review paper examines state-of-the-art algorithms and techniques in quantum machine learning with potential applications in finance. We discuss QML techniques in supervised learning tasks, such as Quantum Variational Classifiers, Quantum Kernel Estimation, and Quantum Neural Networks (QNNs), along with quantum generative AI techniques like Quantum Transformers and Quantum Graph Neural Networks (QGNNs). The financial applications considered include risk management, credit scoring, fraud detection, and stock price prediction. We also provide an overview of the challenges, potential, and limitations of QML, both in these specific areas and more broadly across the field. We hope that this can serve as a quick guide for data scientists, professionals in the financial sector, and enthusiasts in this area to understand why quantum computing and QML in particular could be interesting to explore in their field of expertise.

연구 동기 및 목표

• 금융 서비스에 적용 가능한 현재의 양자 기계학습(QML) 기법의 상태를 평가하는 것.
• 현재의 노이지 중간 규모 양자(NISQ) 장치에서의 구현 가능성이 높은 QML 알고리즘을 특정하는 것.
• 신용 평가, 리스크 관리, 사기 탐지 및 주가 예측과 같은 금융 과제에서 QML의 잠재력을 평가하는 것.
• 데이터 로딩 및 확장성 문제를 포함한 금융 부문에서 QML의 도전 과제, 제한 사항 및 미래 전망을 서술하는 것.
• 금융 데이터 과학자 및 전문가들을 위한 실용적 가이드를 제공하여 QML 기술을 도입할 때의 현실적인 기회와 위험를 제시하는 것.

제안 방법

• 고전적 데이터를 양자 하드웨어에서 처리하는 데 초점을 맞춘 QML 기법, 특히 하이브리드 양자-고전 알고리즘을 다룬다.
• 금융 분야의 지도 학습을 위한 근접한 후보로 양자 변분 분류기(QVC)와 양자 커널 추정을 검토한다.
• 생성 모델 및 그래프 기반 금융 모델링을 위한 양자 신경망(QNNs), 양자 트랜스포머, 양자 그래프 신경망(QGNNs)을 분석한다.
• 계층적 처리와 k-호프 이웃 분해를 통해 그래프 분류 성능을 향상시키는 egograph 기반 QGNN(egoQGNN) 아키텍처를 분석한다.
• 시뮬레이션과 이론적 프레임워크를 통해 QML 성능을 고전적 대안과 비교하며, 데이터 매핑 및 분류 능력에 중점을 둔다.
• 기존 금융 분야의 고전적 기계학습 기법(예: 기울기 부스팅 트리, GNNs)의 통찰을 바탕으로 양자 대체 기법의 선택과 평가를 이끈다.

실험 결과

연구 질문

• RQ1 현재 NISQ 하드웨어에서 금융 서비스에 실용적으로 구현 가능한 QML 알고리즘은 무엇인가?
• RQ2 양자 강화 모델인 양자 변분 분류기와 양자 커널 추정이 신용 평가 및 리스크 평가 과제에서 고전적 모델과 비교해 어떻게 성능을 냈는가?
• RQ3 양자 그래프 신경망(QGNNs)은 고전적 그래프 기반 모델에 비해 사기 탐지 및 주가 예측에서 얼마나 향상된 성능을 보일 수 있는가?
• RQ4 데이터 로딩, 학습, 확장성과 같은 핵심 과제들은 QML의 실생활 도입을 제한하는 데 어떤 영향을 미치는가?
• RQ5 QNNs와 양자 트랜스포머는 장기적으로 금융 예측 및 의사결정 시스템을 어떻게 변화시킬 수 있는가?

주요 결과

• 양자 변분 분류기와 양자 커널 추정은 NISQ 장치에서 신용 평가 및 리스크 관리와 같은 금융 응용 분야에서 근접한 잠재력을 보여준다.
• egograph 기반 QGNN(egoQGNN) 아키텍처는 계층적 k-호프 이웃 처리를 통해 실제 데이터셋에 대한 처리 능력이 향상된 그래프 분류의 이론적 프레임워크를 제공한다.
• 일부 QML 알고리즘은 시뮬레이션에서 높은 분류 성공률을 달성했지만, 실제 하드웨어에서의 검증이 고전적 방법 대비 성능 향상을 확인하기 위해 필수적이다.
• 양자 신경망(QNNs)과 양자 트랜스포머는 지도 학습, 생성형 AI, 그래프 기반 문제 전반에 걸쳐 강력한 장기적 잠재력을 지녔지만, 현재의 양자 하드웨어에서는 아직 구현 가능하지 않다.
• 양자 그래프 신경망(QGNNs)은 사기 탐지 및 주가 예측 분야에서 큰 잠재력을 지녔지만, 확장성과 데이터 매핑 과제는 여전히 해결되지 않은 상태이다.
• 금융 과제에서 증명된 지수적 양자 우월성이 없더라도, 하이브리드 QML 접근법은 정밀도와 효율성 향상에 대한 점진적인 길을 제공하며, 향후 실험적 검증을 통해 더욱 강화될 수 있다.