A Noise-Aware Quantum Algorithm for Credit Valuation Adjustments on Real Quantum Hardware

Resumen Técnico: Un Algoritmo Cuántico Consciente del Ruido para el Ajuste de Valoración de Crédito en Hardware Cuántico Real

Planteamiento del Problema
El Ajuste de Valoración de Crédito (CVA, por sus siglas en inglés) es un componente crítico en la valoración de derivados que contabiliza el riesgo de crédito de la contraparte. Cuantitativamente, el CVA requiere la estimación repetida de expectativas de riesgo neutral mediante la simulación de carteras complejas de múltiples activos, una tarea tradicionalmente gestionada mediante simulación de Monte Carlo (MC). Mientras que el MC clásico escala como $O(N^{-1/2})$, la Estimación de Amplitud Cuántica (QAE) ofrece una ventaja teórica cuadrática, escalando como $O(N^{-1})$. Sin embargo, trasladar esta ventaja asintótica a un flujo de trabajo financiero práctico en dispositivos actuales de Escala Intermedia con Ruido (NISQ) sigue siendo un desafío abierto. Propuestas previas a nivel de circuito, como la de Alcazar et al. (2022), se centraron en instancias simplificadas de una sola opción y dependieron de simulaciones ideales, dejando sin abordar la degradación de la información cuántica debido al ruido del hardware, la discretización finita y las complejidades específicas de la dinámica correlacionada de múltiples activos.

Metodología
Los autores presentan un flujo de trabajo cuántico de extremo a extremo y consciente del ruido para el CVA, ejecutado en hardware real de IBM Quantum. La metodología se estructura en tres componentes principales:

1. Modelado Financiero y Codificación Cuántica:

   • Modelo: El estudio extiende el trabajo previo de una sola opción a un conjunto de compensación (netting set) correlacionado de dos activos. Incorpora una dinámica lognormal de múltiples activos bajo neutralidad de riesgo, calibrada con datos de mercado (cierres de renta variable, superficies de volatilidad implícita, diferenciales de CDS y factores de descuento).
   • Discretización: El dominio de tiempo-mercado continuo es truncado y discretizado en una rejilla finita compatible con los registros de cúbits.
   • Construcción del Circuito: El funcional de CVA se codifica en un circuito cuántico $A$. Esto implica:
     • Preparación de Estado: Se entrena una Máquina de Probabilidad de Circuito Cuántico (QCBM) para preparar una distribución de probabilidad conjunta tiempo-mercado que represente la dinámica de activos correlacionados.
     • Codificación de Payoff: Circuitos de rotación controlada (CRCA) codifican la exposición positiva, los factores de descuento y las probabilidades de incumplimiento en tres cúbits ancilla.
     • Objetivo: El valor del CVA se recupera de la probabilidad de medir el estado "bueno" (los tres ancillas en $|1\rangle$).

2. Estimación de Amplitud Cuántica Bayesiana de Contraste Consciente (CABIQAE):

   • Reconociendo que la amplificación de Grover pierde contraste (relación señal-ruido) a medida que la profundidad del circuito aumenta en hardware real, los autores introducen CABIQAE.
   • A diferencia de la BAE (Estimación de Amplitud Bayesiana) o la IQAE (Estimación de Amplitud Cuántica Iterativa) estándar, que asumen una oscilación ideal, CABIQAE incorpora un modelo de decaimiento de contraste calibrado. Trata la pérdida de contraste de Grover observada experimentalmente no como un error, sino como un parámetro en el problema de inferencia.
   • El algoritmo utiliza un modelo de verosimilitud calibrado por hardware donde la probabilidad de éxito decae exponencialmente con la potencia de Grover $k$. Selecciona dinámicamente las profundidades de Grover que maximizan la ganancia de información dentro de la "ventana de contraste" antes de que el ruido domine.

3. Validación Experimental:

   • El flujo de trabajo se valida mediante una metodología de "reproducción de hardware" (hardware-replay). Los autores caracterizan primero la respuesta del hardware de los circuitos amplificados y luego reproducen las trayectorias de estimación adaptativas (CABIQAE, BIQAE y BAE) utilizando estos datos empíricos. Esto permite una comparación estadística robusta sin tener que ejecutar cada trayectoria adaptativa en vivo en el procesador cuántico.
   • Se realizan comparaciones contra el Muestreo de Circuito Directo (DCS) y líneas de base ajenas al ruido (BIQAE, BAE).

Resultados Clave

• Rendimiento Algorítmico: En el régimen de reproducción de hardware, los algoritmos ajenos al ruido (específicamente BIQAE) fallan al intentar mejorar más allá de cierto costo de consulta, colapsando hacia un piso de ruido al aplicar ciegamente iteraciones de Grover profundas. En contraste, CABIQAE y BAE continúan reduciendo el error sobre un rango más amplio.
• Eficiencia: CABIQAE logra un error relativo mediano de $1.82 \times 10^{-3}$ con un costo de consulta mediano de $4.95 \times 10^4$. Aunque su error final es comparable al de BAE ($1.77 \times 10^{-3}$), CABIQAE opera con circuitos significativamente más superficiales (factor de Grover máximo mediano $K=23$ frente a $K=33$ para BAE) y un tiempo de post-procesamiento clásico drásticamente menor (1.25s frente a 45.72s).
• Descomposición del Error: El estudio descompone el error total de CVA en contribuciones estadísticas, de codificación, de discretización y de hardware. El análisis revela que el oráculo de CVA completo está actualmente limitado por la profundidad del circuito y la resolución de discretización, más que solo por el muestreo estadístico.
• Escalabilidad: En el régimen ruidoso, CABIQAE mantiene un exponente de convergencia de $\beta \approx -0.69$, que es superior al DCS de reproducción de hardware ($\beta \approx -0.30$) y al BIQAE ajeno al ruido ($\beta \approx -0.25$), aunque no alcanza el límite de Heisenberg ideal ($\beta = -1$).

Significancia y Reivindicaciones
Los autores declaran explícitamente que este trabajo no pretende reclamar una ventaja de tiempo de ejecución cuántico de extremo a extremo sobre el Monte Carlo clásico para el cálculo completo del CVA. La significancia reside en:

1. Realismo: Proporcionar un flujo de trabajo completo de extremo a extremo que va más allá de los benchmarks de una sola opción hacia un conjunto de compensación de múltiples activos calibrado en hardware real.
2. Conciencia del Ruido: Demostrar que incorporar la pérdida de contraste experimentalmente calibrada en el bucle de estimación de amplitud (vía CABIQAE) hace que el estimador sea mejor para el régimen específico de los dispositivos NISQ actuales, donde la amplificación es útil solo dentro de una ventana de profundidad finita.
3. Escalabilidad Práctica: Mostrar que un enfoque consciente del ruido puede lograr una carga de post-procesamiento clásico menor y utilizar circuitos más superficiales en comparación con las líneas de base bayesianas ajenas al ruido, mejorando así la escalabilidad práctica de los flujos de trabajo de CVA cuántico.

El artículo concluye que, si bien la ventaja cuántica total está actualmente limitada por las restricciones del hardware y la discretización, el marco propuesto consciente del ruido ofrece un camino viable para extraer información útil de los circuitos amplificados en presencia de ruido de hardware realista.