Modélisation générative quantique ou classique en finance.

Résumé Trouver un cas d'utilisation concret pour les ordinateurs quantiques à court terme est encore une question ouverte, l'apprentissage automatique étant généralement présenté comme l'un des premiers domaines qui seront touchés par les technologies quantiques. Dans ce travail, nous étudions et comparons les capacités des modèles quantiques et classiques pour la modélisation générative dans l'apprentissage automatique. Nous utilisons un ensemble de données financières du monde réel composé de paires de devises corrélées et comparons deux modèles dans leur capacité à apprendre la distribution résultante - une machine de Boltzmann restreinte et une machine de Born à circuits quantiques. Nous fournissons des résultats numériques détaillés indiquant que la machine de Born simulée est toujours au moins aussi performante que la machine de Boltzmann dans cette tâche, et qu'elle démontre une performance supérieure à mesure que le modèle évolue. Nous réalisons des expériences sur des puces quantiques simulées et physiques à l'aide de la plateforme Rigetti forest, et nous sommes également en mesure d'entraîner partiellement la plus grande instance à ce jour d'une machine de Born à circuit quantique sur du matériel quantique. Enfin, en étudiant la capacité d'intrication des machines de Born d'entraînement, nous constatons que l'intrication joue généralement un rôle dans les instances du problème qui présentent un avantage par rapport à la machine de Boltzmann.