[논문 리뷰] Financial Risk Management on a Neutral Atom Quantum Processor

Lucas Leclerc, Luis Ortiz-Guitierrez외 20명|arXiv (Cornell University)|2022. 12. 06.

Quantum Computing Algorithms and Architecture인용 수 8

한 줄 요약

이 논문은 60 큐비트 중성자이온 양자 처리 장치(QPU)를 사용하여 신용등급 하락(낙제국)을 예측하기 위한 양자 강화 기계학습 분류기인 QBoost 기반의 접근법을 제안한다. 이는 상태 기반의 랜덤 포레스트 모델과 유사한 성능을 달성하면서도 더 뛰어난 해석 가능성과 유사한 학습 시간을 제공하며, 텐서 네트워크 시뮬레이션을 통해 고전적 기준을 능가할 수 있는 명확한 길을 제시한다.

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.

연구 동기 및 목표

• 금융 리스크 관리에서 신용등급 하락(낙제국)의 조기 탐지 문제를 양자 기계학습을 통해 해결하기 위해.
• 랜덤 포레스트와 같은 고전적 모델과 경쟁 가능한 성능을 유지하면서도 해석 가능성을 향상시킨 양자 강화 분류기를 개발하기 위해.
• 특히 60 큐비트 중성자이온 양자 처리 장치(QPU)를 활용하여 실제 근접한 양자 하드웨어에서 양자 솔루션을 구현하고 벤치마킹하기 위해.
• 큰 규모의 시스템에서 고전적 기준을 능가할 잠재력을 검증하기 위해 텐서 네트워크 기반 수치 시뮬레이션을 사용하여 확장성과 성능 잠재력 검증하기 위해.

제안 방법

• 제안된 방법은 QUBO 문제를 해결하기 위해 하드웨어에 맞는 최적화를 활용하는 QBoost 알고리즘을 사용하여, 신용 리스크 이진 분류를 위한 양자 강화 분류기를 훈련한다.
• 이 분류기는 최대 60 큐비트의 실제 중성자이온 양자 프로세서에 구현되며, QUBO 문제 해결을 위한 하드웨어 네이티브 최적화를 활용한다.
• 더 큰 측정 분포에서 더 작은 비트스트링을 추출하기 위해 서브샘플링 전략을 적용하여, 하나의 대규모 측정 데이터셋에서 다양한 크기의 QUBO 문제를 해결할 수 있도록 한다.
• 하이퍼파rameter 튜닝은 최종 앙상블 크기에 관계없이 최적의 정규화(λ)를 추정하기 위해 N=10의 작은 모델을 사용하여 가속화된다.
• 학습 파이프라인은 고전적 CPU 기반 앙상블 훈련과 QUBO 솔루션을 위한 양자 처리 장치(QPU) 최적화를 조합한다.
• 텐서 네트워크 시뮬레이션은 성능 스케일링 예측 및 더 큰 시스템에서 고전적 기준을 능가할 잠재력을 검증하기 위해 사용된다.

실험 결과

연구 질문

• RQ1 QBoost 기반의 양자 강화 분류기는 낙제국 예측에서 랜덤 포레스트와 같은 고전적 최첨단 모델과 경쟁 가능한 성능을 달성할 수 있는가?
• RQ2 금융 리스크 분류에서 양자 강화 모델의 해석 가능성은 고전적 트리 기반 앙상블 모델과 비교해 어떻게 다른가?
• RQ3 실제 60 큐비트 중성자이온 QPU에 양자 강화 분류기를 구현할 경우 학습 시간과 하드웨어 효율성은 어떠한가?
• RQ4 텐서 네트워크 시뮬레이션을 통해 시스템 크기가 증가함에 따라 양자 모델이 고전적 모델을 능가할 잠재적 성능 이점을 예측할 수 있는가?
• RQ5 서브샘플링 및 비트스트링 추출 방법은 근접한 양자 하드웨어에서 확장 가능한 QUBO 해결을 위해 예측 성능을 어떻게 유지하는가?

주요 결과

• 양자 강화 분류기는 실제 신용등급 하락 데이터셋에 대해 최첨단 랜덤 포레스트 벤치마크와 유사한 예측 성능을 달성한다.
• 모델은 더 단순하고 작은 예측 모델을 제공하여 랜덤 포레스트 앙상블에 비해 뛰어난 해석 가능성을 보인다.
• 양자 분류기의 학습 시간은 랜덤 포레스트 기준선과 유사하며, 서브샘플링 기반 구현에서 QPU에서 총 학습 시간은 31.8분에서 46.5분 사이이다.
• 이질적 양자 분류기(결정 트리와 k-NN 조합)는 동질적 버전보다 더 긴 학습 시간이 소요되며, 80 큐비트에서 총 학습 시간은 16.7분이다.
• 텐서 네트워크 시뮬레이션은 고전적 랜덤 포레스트 기준을 능가할 수 있는 명확한 길을 제시하며, 더 큰 규모의 구현에서 양자 우위 잠재력이 있음을 시사한다.
• 작은 규모의 모델(N=10)을 사용하여 최적의 정규화를 추정함으로써 하이퍼파rameter 튜닝 시간을 약 10분으로 단축시킬 수 있으며, 이는 최종 모델 크기에 관계없이 동일하다.