Constrained Counterdiabatic Quantum Approximate Optimization Algorithm for Portfolio Optimization

Dieser Beitrag stellt die Constrained Counterdiabatic QAOA (CCD-QAOA) vor, einen neuartigen Algorithmus, der angenäherte adiabatische Eichpotenziale in einen variationalen Ansatz integriert, um im Vergleich zu Standard-QAOA-Varianten eine überlegene Optimierungseffizienz und Approximationsgüte für Portfolio-Probleme mit Nebenbedingungen zu erzielen.

Das Wesentliche

Das große Ganze: Das perfekte Portfolio finden

Stellen Sie sich vor, Sie sind ein Finanzberater, der versucht, das perfekte Anlageportfolio zu erstellen. Sie haben eine Liste von 12 verschiedenen Aktien. Ihr Ziel ist es, genau 4 davon auszuwählen (Ihr „Budget"), die Ihnen die höchste Rendite bieten, während Sie das Risiko (die Volatilität) gering halten.

Dies ist ein klassisches „Portfolio-Optimierungs"-Problem. Es ist schwierig, weil die Aktien alle miteinander verbunden sind; wenn eine steigt, könnte eine andere fallen. Es gibt Millionen von Möglichkeiten, 4 Aktien auszuwählen, aber nur wenige sind wirklich die „besten".

Das Problem: Der Quantenkompass verirrt sich

Die Autoren verwenden einen speziellen Computertyp, einen Quantencomputer, um dies zu lösen. Sie nutzen einen Algorithmus namens QAOA (Quantum Approximate Optimization Algorithm).

Stellen Sie sich QAOA als einen Wanderer vor, der versucht, den tiefsten Punkt in einem riesigen, nebligen Gebirge (der „Energie-Landschaft") zu finden. Der Wanderer möchte den absoluten Tiefpunkt finden (das beste Portfolio).

• Die Herausforderung: Das Gelände ist tückisch. Es gibt viele „falsche Tiefpunkte" (lokale Minima), die wie der tiefste Punkt aussehen, es aber nicht sind.
• Die Einschränkung: Der Wanderer darf nur auf einem bestimmten Pfad laufen, auf dem er immer genau 4 Steine hält (die die 4 Aktien repräsentieren). Wenn er einen Stein fallen lässt oder einen fünften aufnimmt, verlässt er den Pfad und die Lösung ist ungültig.
• Das Versagen: Der Standard-QAOA bleibt oft im Nebel stecken oder verirrt sich vom Pfad, weil er sich zu schnell bewegt. In physikalischen Begriffen macht er „diabatische Übergänge" – er springt zu schnell zwischen Zuständen, um sich in den besten einzufinden.

Die Lösung: Der „Counterdiabatic"-Führer

Die Autoren stellen eine neue Methode vor, die Constrained Counterdiabatic QAOA (CCD-QAOA) heißt.

Um dies zu verstehen, stellen Sie sich vor, der Wanderer bewegt sich durch den Nebel.

1. Standard-QAOA: Der Wanderer geht einfach vorwärts und hofft, den Tiefpunkt zu finden. Manchmal stolpert er in eine flache Senke und bleibt stecken.
2. Der „Counterdiabatic"-Trick: Die Autoren fügen dem Wanderer einen speziellen „Führer" oder „Kompass" hinzu. Dieser Führer weiß genau, wo der Wanderer im Begriff ist, zu stolpern, und stößt ihn sanft zurück auf den richtigen Pfad, bevor er fällt.
   • In der Physik wird dieser Führer als Adiabatisches Eichpotential bezeichnet.
   • Der Teil „Counterdiabatic" bedeutet, dass er aktiv gegen die Fehler ankämpft, die der Wanderer im Begriff ist zu machen.

Wie sie den Führer bauten

Die Autoren haben nicht einfach geraten, wie dieser Führer aussehen sollte. Sie bauten ihn mathematisch unter Verwendung der Spielregeln:

• Sie verwendeten einen speziellen „Mischer" (den XY-Mischer), der sicherstellt, dass der Wanderer niemals einen Stein fallen lässt oder einen zusätzlichen aufnimmt. Dies hält den Wanderer strikt auf dem „4-Steine"-Pfad.
• Sie berechneten, dass der Führer Drei-Körper-Wechselwirkungen verwenden muss, um zu verhindern, dass der Wanderer stolpert.
  • Analogie: Stellen Sie sich eine Standardregel vor wie „Wenn Sie nach links gehen, gehen Sie nach rechts." Aber die neue Regel ist komplexer: „Wenn Sie nach links gehen und Ihr Nachbar einen roten Stein hält, dann müssen Sie sich drehen." Diese komplexen, dreiteiligen Regeln sind notwendig, um die spezifischen Kurven und Wendungen der Risiko-Landschaft des Aktienmarktes zu navigieren.

Was sie fanden (Die Ergebnisse)

Die Autoren führten Simulationen durch, um zu sehen, ob dieser neue „geführte" Wanderer besser abschneidet als die alten.

1. Bessere Genauigkeit: Der geführte Wanderer (CCD-QAOA) fand bessere Portfolios (höhere „Approximationsverhältnisse") als der Standard-Wanderer, selbst wenn ihm nur wenige Schritte erlaubt waren (flache Schaltkreise).
2. Der Kompromiss:
   • Das Gute: Die neue Methode fand schneller bessere Lösungen.
   • Das Schlechte: Der Führer ist schwer. Das Hinzufügen dieser komplexen „Drei-Körper"-Regeln machte den Quantenschaltkreis komplizierter. Es waren mehr „Gatter" (quantenlogische Operationen) erforderlich, und die Berechnung dauerte länger.
   • Das Leck: Interessanterweise drängten die komplexen Regeln, obwohl der Führer entwickelt wurde, um zu helfen, den Wanderer manchmal versehentlich leicht vom „4-Steine"-Pfad ab. Dennoch schnitt die neue Methode auch mit diesem kleinen Fehler besser ab als die alten „Straf"-Methoden (die versuchen, den Wanderer durch harte Bestrafung zurück auf den Pfad zu zwingen).

Das Fazit

Die Studie kommt zu dem Schluss, dass sie durch das Hinzufügen dieses spezifischen „Führers" (des counterdiabatischen Terms) zum Quantenalgorithmus dem Computer helfen können, bessere Anlageportfolios zu finden, ohne einen massiven, tiefen Quantencomputer zu benötigen.

Es ist, als würde man einem Wanderer im Nebel ein GPS geben. Das GPS macht die Wanderung zwar etwas komplizierter einzurichten, stellt aber sicher, dass Sie tatsächlich das Ziel erreichen, anstatt in einem flachen Tal verloren zu gehen. Dieser Ansatz funktioniert besonders gut für Finanzprobleme, bei denen es strenge Regeln gibt (wie ein festes Budget) und komplexe Verbindungen zwischen den Vermögenswerten bestehen.

Technische Zusammenfassung

Technisches Fazit: Eingeschränkter counterdiabaticher Quanten-Approximations-Optimierungsalgorithmus für die Portfolio-Optimierung

Problemstellung
Der Artikel adressiert die Herausforderung, eingeschränkte kombinatorische Optimierungsprobleme auf kurzfristiger Quantenhardware zu lösen, mit einem spezifischen Fokus auf die Portfolio-Optimierung. Im Rahmen der Markowitz-Mittelwert-Varianz-Theorie besteht das Ziel darin, die erwarteten Renditen gegen das Risiko (Kovarianz) abzuwägen und dabei eine strikte Budgetbeschränkung einzuhalten (Auswahl von genau $B$ Vermögenswerten aus $N$).

Standard-Implementierungen des Quantum Approximate Optimization Algorithm (QAOA) stoßen in diesem Bereich auf erhebliche Hindernisse:

1. Umgang mit Einschränkungen: Standard-Mixer mit transversalem Feld erhalten das Hamming-Gewicht (die Anzahl der ausgewählten Vermögenswerte) nicht, wodurch der Algorithmus in nicht zulässige Bereiche des Hilbertraums vordringt. Während strafenbasierte Methoden Einschränkungen erzwingen, verzerren sie das Energiespektrum und erzeugen kleine effektive Lücken, was die Konvergenz behindert.
2. Diabatische Übergänge: In flachen Schaltkreisen (geringe Tiefe $p$) ist die Interpolation zwischen Mixer- und Kosten-Hamiltonian nicht adiabatisch. Dies führt zu diabatischen Übergängen, die die Überlappung zwischen dem vorbereiteten Zustand und dem wahren Grundzustand verringern, insbesondere bei Problemen mit dichten Interaktionsgraphen (Kovarianzmatrizen) und konkurrierenden Energieskalen.
3. Optimierungslandschaften: Die variationsbasierte Landschaft für eingeschränkte Probleme ist oft schwer zu navigieren, leidet unter kahlen Plateaus und einer langsamen Konvergenz klassischer Optimierer.

Methodik
Die Autoren schlagen den Eingeschränkten Counterdiabatichen QAOA (CCD-QAOA) vor, der counterdiabatiches (CD) Treiben in das QAOA-Rahmenwerk integriert, um diabatische Übergänge zu unterdrücken und gleichzeitig die Einhaltung von Einschränkungen zu gewährleisten.

1. Einschränkungs-erhaltender Mixer: Der Algorithmus nutzt einen XY-Mixer ($H_{XY}^M = \sum_{i<j} (X_i X_j + Y_i Y_j)$) und initialisiert das System in einem Dicke-Zustand (eine gleichgewichtige Superposition aller Zustände mit Hamming-Gewicht $B$). Dies stellt sicher, dass die Dynamik strikt innerhalb des zulässigen Teilraums gültiger Portfolios bleibt.
2. Variationales Counterdiabatiches Treiben: Um die bei endlicher Tiefenentwicklung inhärenten nicht-adiabatischen Übergänge zu kompensieren, konstruieren die Autoren ein approximatives Adiabatisches Eichpotential (AGP).
   • Anstatt das exakte, nicht-lokale AGP zu verwenden, employieren sie einen variationsbasierten Ansatz auf Basis von verschachtelten Kommutatoren des Kosten-Hamiltonians ($H_C$) und des Mixers ($H_{XY}^M$).
   • Der Kommutator $[H_C, H_{XY}^M]$ erzeugt auf natürliche Weise Drei-Körper-Pauli-Saiten (z. B. $X_i Y_j Z_k - Y_i X_j Z_k$).
   • Der resultierende Eichpotential-Ansatz ($A_\lambda^*$) umfasst sowohl Zwei-Körper-Terme (aus der XY-Algebra) als auch Drei-Körper-Terme, die aus der Kommutatorexpansion abgeleitet sind.
3. Schaltkreis-Konstruktion: Der CCD-QAOA-Ansatz erweitert die Standard-QAOA-Schichten. Für die Tiefe $p$ wird der Zustand wie folgt vorbereitet:
   $$|\psi_{CD}\rangle = \prod_{k=1}^p e^{-i\eta_k H_{CD}} e^{-i\beta_k H_{XY}^M} e^{-i\gamma_k H_C} |D_B^N\rangle$$
   Hier wird $H_{CD}$ durch die abgeschnittenen Eichpotential-Operatoren erzeugt, und $\eta_k$ sind neue variationsbasierte Parameter, die klassisch optimiert werden.
4. Optimierung: Die Koeffizienten für das Eichpotential werden durch Minimierung der Frobenius-Norm des Operators $G(A_\lambda) = \partial_\lambda H + i[A_\lambda, H]$ bestimmt. Die variationsbasierten Parameter ($\gamma, \beta, \eta$) werden optimiert, um den Erwartungswert des Kosten-Hamiltonians zu minimieren, wobei der Conditional Value-at-Risk (CVaR) als Zielfunktion verwendet wird, um sich auf hochwertige Lösungen zu konzentrieren.

Hauptbeiträge

• Systematische Konstruktion von CD-Operatoren: Der Artikel liefert eine prinzipielle Methode zur Generierung physikalisch relevanter counterdiabaticher Operatoren für eingeschränkte Probleme, indem die strukturierte Operatoralgebra zwischen dem Kosten-Hamiltonian und dem einschränkungs-erhaltenden Mixer ausgenutzt wird.
• Abschnittsstrategie: Die Autoren zeigen, dass das Abschneiden des Eichpotentials auf Drei-Körper-Terme einen vorteilhaften Kompromiss zwischen Ausdruckskraft und Schaltkreis-Komplexität bietet. Sie belegen, dass diese Terme die führenden Korrekturen erfassen, die notwendig sind, um die durch den XY-Mixer und dichte Ising-Wechselwirkungen induzierte korrelierte Basisrotation zu handhaben.
• Leistungsbenchmarking: Die Arbeit vergleicht CCD-QAOA mit Standard-XY-Mixer-QAOA, Grover-Mixer-QAOA und strafenbasierten QAOA-Formulierungen.

Ergebnisse
Numerische Simulationen an zufällig generierten Portfolio-Instanzen ($N=12$, $B=4$) mit dichten Kovarianzmatrizen ergaben Folgendes:

• Verbesserte Approximationsverhältnisse: Für eine feste Schaltkreis-Tiefe $p$ erzielt der CCD-QAOA-Ansatz konsistent höhere Approximationsverhältnisse im Vergleich zu Standard-XY-Mixer-QAOA, Grover-Mixer-QAOA und strafenbasierten Methoden.
• Erfolgswahrscheinlichkeit: Obwohl die Einbeziehung von Drei-Körper-CD-Termen eine leichte Leckage in den nicht zulässigen Teilraum einführt (was die Erfolgswahrscheinlichkeit im Vergleich zu einem reinen XY-Mixer-QAOA, der bei 1,0 bleibt, verringert), übertrifft CCD-QAOA strafenbasierte Ansätze dennoch in Bezug auf die Erfolgswahrscheinlichkeit.
• Kompromisse: Die verbesserte Leistung geht mit einer erhöhten Schaltkreis-Komplexität einher. Der CD-Ansatz erfordert zusätzliche variationsbasierte Parameter und führt zu höheren CNOT-Gatterzahlen und transpilierter Schaltkreis-Tiefe im Vergleich zum Standard-QAOA. Dennoch bleibt er skalierbarer als Grover-Mixer-Ansätze.
• CVaR-Sensitivität: Die Ergebnisse deuten darauf hin, dass kleinere CVaR-Werte (Fokus auf den Rand der Verteilung) im Allgemeinen über alle Methoden hinweg bessere Approximationsverhältnisse liefern.

Bedeutung und Behauptungen
Die Autoren behaupten, dass ihre Arbeit ein einheitliches Rahmenwerk zur Verbesserung der QAOA-Leistung in strukturierten Optimierungslandschaften etabliert. Die primäre Bedeutung liegt in der Demonstration, dass:

1. Eingeschränkte Probleme strukturierte Operatoralgebren besitzen, die genutzt werden können, um effiziente counterdiabatische Ansätze zu konstruieren und so über heuristisches Design hinauszugehen.
2. Counterdiabatische Korrekturen die Approximationsverhältnisse im Regime flacher Schaltkreise systematisch verbessern können, indem sie diabatische Übergänge unterdrücken, selbst wenn Einschränkungen strikt über Mixer durchgesetzt werden.
3. Die Verbindung zwischen adiabatischen Eichpotentialen und variationsbasierten Quantenschaltkreisen einen Weg zur Identifizierung der physikalisch relevantesten Generatoren (in diesem Fall Drei-Körper-Terme) bietet, die erforderlich sind, um komplexe Energielandschaften zu navigieren, ohne prohibitiv tiefe Schaltkreise zu benötigen.

Der Artikel schließt, dass die Methode, obwohl sie klassischen und quantenmechanischen Overhead einführt, die systematische Verbesserung der Lösungsqualität für eingeschränkte Portfolio-Optimierung einen gangbaren Weg zu verbesserter Quantenoptimierung auf kurzfristigen Geräten andeutet, insbesondere in Kombination mit Strategien wie Warm-Starting oder adaptiver Operatorauswahl.