Constrained Counterdiabatic Quantum Approximate Optimization Algorithm for Portfolio Optimization

Ce papier présente le QAOA à contre-diabaticité contrainte (CCD-QAOA), un algorithme novateur qui intègre des potentiels de jauge adiabatiques approximatifs dans une ansatz variationnelle afin d'obtenir des performances d'optimisation et des ratios d'approximation supérieurs pour les problèmes de portefeuille contraints par rapport aux variantes QAOA standard.

L'essentiel

La Vue d'Ensemble : Trouver le Portefeuille Parfait

Imaginez que vous êtes conseiller financier essayant de construire le portefeuille d'investissement parfait. Vous avez une liste de 12 actions différentes. Votre objectif est d'en sélectionner exactement 4 (votre « budget ») qui vous offrent le meilleur rendement tout en maintenant le risque (la volatilité) faible.

Il s'agit d'un problème classique d'« optimisation de portefeuille ». C'est difficile car les actions sont toutes interconnectées ; si l'une monte, une autre pourrait baisser. Il existe des millions de façons de choisir 4 actions, mais seules quelques-unes sont véritablement les « meilleures ».

Le Problème : La Boussole Quantique se Perd

Les auteurs utilisent un type spécial d'ordinateur appelé ordinateur quantique pour résoudre ce problème. Ils utilisent un algorithme appelé QAOA (Quantum Approximate Optimization Algorithm, ou Algorithme Quantique d'Optimisation Approchée).

Imaginez le QAOA comme un randonneur essayant de trouver le point le plus bas d'une vaste chaîne de montagnes enveloppée de brouillard (le « paysage énergétique »). Le randonneur veut trouver le fond absolu (le meilleur portefeuille).

• Le Défi : Le terrain est traître. Il existe de nombreuses « fausses bases » (minima locaux) qui ressemblent au fond mais ne le sont pas.
• La Contrainte : Le randonneur n'est autorisé à marcher que sur un chemin spécifique où il doit toujours tenir exactement 4 pierres (représentant les 4 actions). S'il laisse tomber une pierre ou en ramasse une cinquième, il sort du chemin et la solution est invalide.
• L'Échec : Le QAOA standard reste souvent coincé dans le brouillard ou s'écarte du chemin car il se déplace trop vite. En termes de physique, il effectue des « transitions diabatiques » : il saute d'un état à l'autre trop rapidement pour se stabiliser dans le meilleur.

La Solution : Le Guide « Contre-Adiabatique »

Les auteurs introduisent une nouvelle méthode appelée QAOA Contraint Contre-Adiabatique (CCD-QAOA).

Pour comprendre cela, imaginez le randonneur se déplaçant dans le brouillard.

1. QAOA Standard : Le randonneur avance simplement, espérant trouver le bas. Parfois, il trébuche dans une dépression peu profonde et reste coincé.
2. L'Astuce « Contre-Adiabatique » : Les auteurs ajoutent un « guide » ou une « boussole » spécial au randonneur. Ce guide sait exactement où le randonneur est sur le point de trébucher et le pousse doucement de nouveau sur le bon chemin avant qu'il ne tombe.
   • En physique, ce guide est appelé un Potentiel de Jauge Adiabatique.
   • La partie « Contre-Adiabatique » signifie qu'il lutte activement contre les erreurs que le randonneur est sur le point de commettre.

Comment Ils Ont Construit le Guide

Les auteurs n'ont pas simplement deviné à quoi ce guide devrait ressembler. Ils l'ont construit mathématiquement en utilisant les règles du jeu :

• Ils ont utilisé un « mélangeur » spécial (le mélangeur XY) qui garantit que le randonneur ne laisse jamais tomber une pierre ni n'en ramasse une supplémentaire. Cela maintient le randonneur strictement sur le chemin des « 4 pierres ».
• Ils ont calculé que pour empêcher le randonneur de trébucher, le guide doit utiliser des interactions à trois corps.
  • Analogie : Imaginez qu'une règle standard soit « Si vous avancez à gauche, avancez à droite ». Mais la nouvelle règle est plus complexe : « Si vous avancez à gauche et que votre voisin tient une pierre rouge, alors vous devez tourner ». Ces règles complexes à trois parties sont nécessaires pour naviguer dans les virages et les détours spécifiques du paysage de risque du marché boursier.

Ce Qu'ils Ont Trouvé (Les Résultats)

Les auteurs ont effectué des simulations pour voir si ce nouveau randonneur « guidé » fonctionnait mieux que les anciens.

1. Meilleure Précision : Le randonneur guidé (CCD-QAOA) a trouvé de meilleurs portefeuilles (des « ratios d'approximation » plus élevés) que le randonneur standard, même lorsqu'ils n'avaient le droit de faire que quelques pas (circuits peu profonds).
2. Le Compromis :
   • Le Bon : La nouvelle méthode trouve de meilleures solutions plus rapidement.
   • Le Mauvais : Le guide est lourd. L'ajout de ces règles complexes à « trois corps » a rendu le circuit quantique plus compliqué. Il a nécessité plus de « portes » (opérations logiques quantiques) et a pris plus de temps à calculer.
   • La Fuite : De manière intéressante, bien que le guide ait été conçu pour aider, les règles complexes ont parfois poussé accidentellement le randonneur légèrement hors du chemin des « 4 pierres ». Cependant, même avec cette petite erreur, la nouvelle méthode a toujours mieux fonctionné que les anciennes méthodes de « pénalité » (qui tentent de forcer le randonneur à revenir sur le chemin en le punissant sévèrement).

La Conclusion

Le document conclut qu'en ajoutant ce « guide » spécifique (le terme contre-adiabatique) à l'algorithme quantique, ils peuvent aider l'ordinateur à trouver de meilleurs portefeuilles d'investissement sans avoir besoin d'un ordinateur quantique massif et profond.

C'est comme donner un GPS à un randonneur dans le brouillard. Le GPS rend le trek légèrement plus compliqué à configurer, mais il garantit que vous atteignez réellement la destination au lieu de vous perdre dans une vallée peu profonde. Cette approche fonctionne particulièrement bien pour les problèmes financiers où vous avez des règles strictes (comme un budget fixe) et des connexions complexes entre les actifs.

Résumé technique

Résumé technique : Algorithme quantique approché d'optimisation (QAOA) contreadiabatique contraint pour l'optimisation de portefeuille

Énoncé du problème
L'article aborde le défi de la résolution de problèmes d'optimisation combinatoire contraints sur du matériel quantique à court terme, en se concentrant spécifiquement sur l'optimisation de portefeuille. Dans le cadre de la moyenne-variance de Markowitz, l'objectif est d'équilibrer les rendements espérés par rapport au risque (covariance) tout en satisfaisant une contrainte budgétaire stricte (sélectionner exactement $B$ actifs parmi $N$).

Les implémentations standard de l'algorithme quantique approché d'optimisation (QAOA) rencontrent des obstacles majeurs dans ce domaine :

1. Gestion des contraintes : Les mélanges de champ transversal standard ne préservent pas le poids de Hamming (le nombre d'actifs sélectionnés), ce qui amène l'algorithme à explorer des régions non réalisables de l'espace de Hilbert. Bien que les méthodes basées sur des pénalités imposent les contraintes, elles déforment le spectre d'énergie et créent de petites lacunes effectives, entravant la convergence.
2. Transitions diabatiques : Dans les circuits peu profonds (faible profondeur $p$), l'interpolation entre les Hamiltoniens de mélange et de coût est non adiabatique. Cela entraîne des transitions diabatiques qui réduisent le recouvrement entre l'état préparé et l'état fondamental réel, en particulier dans les problèmes avec des graphes d'interaction denses (matrices de covariance) et des échelles d'énergie concurrentes.
3. Paysages d'optimisation : Le paysage variationnel pour les problèmes contraints est souvent difficile à naviguer, souffrant de plateaux stériles et d'une convergence lente de l'optimiseur classique.

Méthodologie
Les auteurs proposent le QAOA contreadiabatique contraint (CCD-QAOA), qui intègre un pilotage contreadiabatique (CD) dans le cadre QAOA pour supprimer les transitions diabatiques tout en maintenant la satisfaction des contraintes.

1. Mélange préservant les contraintes : L'algorithme utilise un mélange XY ($H_{XY}^M = \sum_{i<j} (X_i X_j + Y_i Y_j)$) et initialise le système dans un état de Dicke (une superposition égale de tous les états avec un poids de Hamming $B$). Cela garantit que la dynamique reste strictement dans le sous-espace réalisable des portefeuilles valides.
2. Pilotage contreadiabatique variationnel : Pour contrer les transitions non adiabatiques inhérentes à l'évolution de profondeur finie, les auteurs construisent un potentiel de jauge adiabatique (AGP) approximatif.
   • Au lieu d'utiliser l'AGP exact et non local, ils emploient un ansatz variationnel basé sur des commutateurs imbriqués de l'Hamiltonien de coût ($H_C$) et du mélange ($H_{XY}^M$).
   • Le commutateur $[H_C, H_{XY}^M]$ génère naturellement des chaînes de Pauli à trois corps (par exemple, $X_i Y_j Z_k - Y_i X_j Z_k$).
   • L'ansatz de potentiel de jauge résultant ($A_\lambda^*$) inclut à la fois des termes à deux corps (de l'algèbre XY) et des termes à trois corps dérivés du développement du commutateur.
3. Construction du circuit : L'ansatz CCD-QAOA complète les couches QAOA standard. Pour une profondeur $p$, l'état est préparé comme suit :
   $$|\psi_{CD}\rangle = \prod_{k=1}^p e^{-i\eta_k H_{CD}} e^{-i\beta_k H_{XY}^M} e^{-i\gamma_k H_C} |D_B^N\rangle$$
   Ici, $H_{CD}$ est généré par les opérateurs de potentiel de jauge tronqués, et $\eta_k$ sont de nouveaux paramètres variationnels optimisés classiquement.
4. Optimisation : Les coefficients du potentiel de jauge sont déterminés en minimisant la norme de Frobenius de l'opérateur $G(A_\lambda) = \partial_\lambda H + i[A_\lambda, H]$. Les paramètres variationnels ($\gamma, \beta, \eta$) sont optimisés pour minimiser la valeur attendue de l'Hamiltonien de coût, en utilisant la Valeur à Risque Conditionnelle (CVaR) comme fonction objectif pour se concentrer sur les solutions de haute qualité.

Contributions clés

• Construction systématique des opérateurs CD : L'article fournit une méthode fondée sur des principes pour générer des opérateurs contreadiabatiques physiquement pertinents pour les problèmes contraints en exploitant l'algèbre d'opérateurs structurée entre l'Hamiltonien de coût et le mélange préservant les contraintes.
• Stratégie de troncature : Les auteurs démontrent que la troncature du potentiel de jauge aux termes à trois corps offre un compromis favorable entre expressibilité et complexité du circuit. Ils montrent que ces termes capturent les corrections d'ordre principal nécessaires pour gérer la rotation de base corrélée induite par le mélange XY et les interactions d'Ising denses.
• Évaluation des performances : Le travail compare le CCD-QAOA aux formulations QAOA standard avec mélange XY, QAOA avec mélange de Grover et QAOA basé sur des pénalités.

Résultats
Les simulations numériques sur des instances de portefeuille générées aléatoirement ($N=12$, $B=4$) avec des matrices de covariance denses ont donné les résultats suivants :

• Ratios d'approximation améliorés : Pour une profondeur de circuit $p$ fixe, l'approche CCD-QAOA atteint systématiquement des ratios d'approximation plus élevés que le QAOA standard avec mélange XY, le QAOA avec mélange de Grover et les méthodes basées sur des pénalités.
• Probabilité de succès : Bien que l'inclusion de termes CD à trois corps introduise une légère fuite dans le sous-espace non réalisable (réduisant la probabilité de succès par rapport à un QAOA avec mélange XY pur qui reste à 1,0), le CCD-QAOA surpasse toujours les approches basées sur des pénalités en termes de probabilité de succès.
• Compromis : La performance améliorée s'accompagne d'une complexité de circuit accrue. L'approche CD nécessite des paramètres variationnels supplémentaires et entraîne des comptes de portes CNOT plus élevés et des profondeurs de circuits transpilées plus grandes par rapport au QAOA standard. Cependant, elle reste plus évolutive que les approches avec mélange de Grover.
• Sensibilité à la CVaR : Les résultats indiquent que des valeurs de CVaR plus faibles (se concentrant sur la queue de la distribution) produisent généralement de meilleurs ratios d'approximation pour toutes les méthodes.

Signification et affirmations
Les auteurs affirment que leur travail établit un cadre unificateur pour améliorer les performances du QAOA dans des paysages d'optimisation structurés. La signification principale réside dans la démonstration que :

1. Les problèmes contraints possèdent des algèbres d'opérateurs structurées qui peuvent être exploitées pour construire des ansätze contreadiabatiques efficaces, dépassant la conception heuristique.
2. Les corrections contreadiabatiques peuvent systématiquement améliorer les ratios d'approximation dans le régime des circuits peu profonds en supprimant les transitions diabatiques, même lorsque les contraintes sont strictement imposées via des mélanges.
3. Le lien entre les potentiels de jauge adiabatiques et les circuits quantiques variationnels offre une voie pour identifier les générateurs les plus physiquement pertinents (dans ce cas, les termes à trois corps) nécessaires pour naviguer dans des paysages d'énergie complexes sans nécessiter de circuits prohibitivement profonds.

L'article conclut que bien que la méthode introduise une surcharge classique et quantique, l'amélioration systématique de la qualité de la solution pour l'optimisation de portefeuille contrainte suggère une voie viable vers une optimisation quantique améliorée sur des dispositifs à court terme, en particulier lorsqu'elle est combinée à des stratégies telles que le démarrage à chaud ou la sélection adaptative d'opérateurs.