[논문 리뷰] Quantum Machine Learning in Finance: Time Series Forecasting

Dimitrios Emmanoulopoulos, Sofija Dimoska|arXiv (Cornell University)|2022. 02. 01.

Quantum Computing Algorithms and Architecture인용 수 32

한 줄 요약

이 논문은 PQC 기반 양자 신경망(QNN)을 BiLSTM과 비교하여 시계열 예측을 수행한다; PQC는 저잡음 신호에서 비슷하고 노이즈가 더 클수록 더 잘 수행하며, 파라미터 수가 훨씬 적고 양자 하드웨어에서의 훈련이 더 빠를 수 있다.

ABSTRACT

We explore the efficacy of the novel use of parametrised quantum circuits (PQCs) as quantum neural networks (QNNs) for forecasting time series signals with simulated quantum forward propagation. The temporal signals consist of several sinusoidal components (deterministic signal), blended together with trends and additive noise. The performance of the PQCs is compared against that of classical bidirectional long short-term memory (BiLSTM) neural networks. Our results show that for time series signals consisting of small amplitude noise variations (up to 40 per cent of the amplitude of the deterministic signal) PQCs, with only a few parameters, perform similar to classical BiLSTM networks, with thousands of parameters, and outperform them for signals with higher amplitude noise variations. Thus, QNNs can be used effectively to model time series having, at the same time, the significant advantage of being trained significantly faster than a classical machine learning model in a quantum computer.

연구 동기 및 목표

• PQC 기반 QNN의 금융 시계열 예측 성능을 전통적 BiLSTM과 비교 평가한다.
• 양자와 고전 모델의 예측 정확도에 대한 노이즈 수준의 영향을 분석한다.
• 시계열 작업을 위한 시뮬레이션 양자 환경에서 데이터 인코딩, PQC 설계 및 학습 역학을 탐구한다.

제안 방법

• X^a 인코딩을 이용해 16포인트 시계열 세그먼트를 큐비트에 인코딩한다.
• 퀀텀 신경망으로 6레이어 PQC를 학습시키며 레이어 XX^xx1, ZZ^zz1, YY^yy1, XX^xx2, ZZ^zz2, YY^yy2를 사용한다.
• MSE, SESD, MR, SDR 지표를 사용해 PQC/QNN 예측을 약 175k 파라미터의 4레이어 BiLSTM과 비교한다.
• PQCs의 학습은 역전파를 고전적으로 수행하고 순전파는 양자 시뮬레이션으로 수행한다.
• 다수의 합성 및 실제 금융 시계열에서 MinMax 스케일링과 1-스텝 앞서 예측 horizon을 사용한다.

실험 결과

연구 질문

• RQ1 현실적인 사인파/결정론적 성분과 노이즈를 포함한 시계열에서 PQC 기반 QNN이 BiLSTMs와 유사한 예측 정확도를 달성할 수 있는가?
• RQ2 노이즈 진폭 증가가 금융 유사 시계열에서 QNN과 BiLSTMs의 상대적 성능에 어떤 영향을 미치는가?
• RQ3 연속적 금융 데이터에 대해 PQCs와 BiLSTMs 간 모델 크기 및 학습 역학의 트레이드오프는 무엇인가?
• RQ4 매개변수 수와 구조로 인해 잡음 많은 시계열에서 양자 모델이 과적합에 더 강건한가?

주요 결과

• 노이즈가 결정적 진폭의 최대 40%인 신호에서 PQCs는 BiLSTMs와 유사한 성능을 보인다.
• 노이즈 진폭이 더 높아질수록 PQCs가 BiLSTMs보다 우수한 성능을 보이며 파라미터 수는 훨씬 적다(96대 175,648).
• 테스트된 신호 전반에 걸쳐 PQCs는 더 작은 파라미터 수로 인해 노이스를 과적합하는 경향이 더 적다.
• PQNs은 양자 설정에서 순전파 양자화와 고전적 역전파를 통해 더 빠르게 학습될 수 있어 향후 엔드 투 엔드 양자 학습 가능성을 시사한다.
• 대규모 양자 모델의 데이터 용량 한계가 있으며, 완전한 양자 최적화를 향한 경로를 개략적으로 제시한다.