[论文解读] 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 8

一句话总结

本文提出了一种基于QBoost的量子增强机器学习分类器，利用60量子比特的中性原子量子处理器预测信用评级下调（坠落天使）。该方法在性能上与最先进的随机森林模型相当，同时具备更好的可解释性，且训练时间相近，通过张量网络模拟展示了超越经典基准的明确潜力。

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.

研究动机与目标

• 为解决在金融风险管理中利用量子机器学习实现信用评级下调（坠落天使）早期检测的挑战。
• 开发一种量子增强分类器，以提升可解释性，并与随机森林等经典模型相比保持具有竞争力的性能。
• 在真实近场量子硬件上实现并基准测试该量子解决方案，具体为60量子比特的中性原子量子处理器（QPU）。
• 通过基于张量网络的数值模拟，验证该量子方法的可扩展性与性能潜力。

提出的方法

• 所提出的方法采用QBoost算法，一种量子增强的集成学习技术，用于训练用于信用风险二分类的量子增强分类器。
• 该分类器在最多60量子比特的真实中性原子量子处理器上实现，利用硬件原生优化求解QUBO问题。
• 采用子采样策略从较大的测量分布中提取较小的比特串，从而能够从单一大规模测量数据集中求解不同大小的QUBO问题。
• 通过使用包含N=10个学习器的小型模型来估计最优正则化参数（λ），加速超参数调优，随后将该参数扩展至更大集成。
• 训练流程结合了基于经典CPU的集成训练与用于求解QUBO问题的量子处理单元（QPU）优化。
• 使用张量网络模拟来预测性能扩展，并验证在更大系统中超越经典基准的潜力。

实验结果

研究问题

• RQ1 基于QBoost的量子增强分类器是否能在坠落天使预测中实现与经典最先进模型（如随机森林）相当的性能？
• RQ2 在金融风险分类中，该量子增强模型的可解释性与经典基于树的集成模型相比如何？
• RQ3 在真实60量子比特中性原子QPU上部署量子增强分类器的训练时间与硬件效率如何？
• RQ4 随着系统规模增大，张量网络模拟是否能预测出该量子模型相对于经典模型的性能优势？
• RQ5 子采样与比特串提取方法如何在保持预测能力的同时，实现在近场量子硬件上的可扩展QUBO求解？

主要发现

• 量子增强分类器在真实金融信用评级下调数据集上的预测性能与最先进的随机森林基准相当。
• 该模型展现出更优的可解释性，其预测模型更简单、更小，相较于密集的随机森林集成模型。
• 量子分类器的训练时间与随机森林基线相当，基于子采样实现的QPU总训练时间在31.8至46.5分钟之间。
• 异构量子分类器（结合决策树与k-NN）的训练时间长于同质版本，在80量子比特上总训练时间为16.7分钟。
• 张量网络模拟表明存在明确路径可超越经典随机森林基准，暗示在更大规模部署中可能实现量子优势。
• 通过使用小规模模型（N=10）估计最优正则化参数，加速了超参数调优，无论最终模型规模如何，调优时间均减少至约10分钟。