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

Résumé Technique : Un algorithme quantique sensible au bruit pour l'ajustement de la valeur de crédit (CVA) sur du matériel quantique réel

Énoncé du Problème
L'ajustement de la valeur de crédit (CVA - Credit Valuation Adjustment) est une composante critique de l'évaluation des dérivés qui tient compte du risque de crédit de la contrepartie. Quantitativement, le CVA nécessite l'estimation répétée d'espérances sous mesure neutre au risque sur des portefeuilles complexes multi-actifs, une tâche traditionnellement gérée par la simulation de Monte Carlo (MC). Alors que le MC classique évolue en $O(N^{-1/2})$, l'estimation d'amplitude quantique (QAE - Quantum Amplitude Estimation) offre un avantage théorique quadratique, évoluant en $O(N^{-1})$. Cependant, traduire cet avantage asymptotique en un flux de travail financier pratique sur les dispositifs actuels de l'ère NISQ (Noisy Intermediate-Scale Quantum) reste un défi ouvert. Les propositions précédentes au niveau du circuit, telles que celle d'Alcazar et al. (2022), se concentraient sur des instances simplifiées d'options uniques et reposaient sur des simulations idéales, laissant non traitée la dégradation de l'information quantique due au bruit du matériel, à la discrétisation finie et aux complexités spécifiques des dynamiques multi-actifs corrélées.

Méthodologie
Les auteurs présentent un flux de travail quantique de bout en bout, sensible au bruit, pour le CVA, exécuté sur du matériel IBM Quantum réel. La méthodologie est structurée en trois composantes primaires :

1. Modélisation Financière et Encodage Quantique :

   • Modèle : L'étude étend les travaux précédents d'une option unique à un ensemble de compensation (netting set) corrélé de deux actifs. Elle intègre une dynamique log-normale multi-actifs sous mesure neutre au risque, calibrée sur des données de marché (cours des actions, surfaces de volatilité implicite, spreads de CDS et facteurs d'actualisation).
   • Discrétisation : Le domaine temporel-marché continu est tronqué et discrétisé sur une grille finie compatible avec les registres de qubits.
   • Construction du Circuit : Le fonctionnel CVA est encodé dans un circuit quantique $A$. Cela implique :
     • Préparation de l'état : Une machine à Boltzmann quantique (QCBM - Quantum Circuit Born Machine) est entraînée pour préparer une distribution de probabilité conjointe temps-marché représentant la dynamique des actifs corrélés.
     • Encodage du Payoff : Des circuits de rotation contrôlée (CRCA) encodent l'exposition positive, les facteurs d'actualisation et les probabilités de défaut dans trois qubits ancillaire.
     • Cible : La valeur du CVA est récupérée à partir de la probabilité de mesurer l'état « bon » (les trois ancillaires dans l'état $|1\rangle$).

2. Estimation d'Amplitude Quantique Bayésienne Sensible au Contraste (CABIQAE - Contrast-Aware Bayesian Iterative Quantum Amplitude Estimation) :

   • Reconnaissant que l'amplification de Grover perd en contraste (rapport signal sur bruit) à mesure que la profondeur du circuit augmente sur un matériel réel, les auteurs introduisent la CABIQAE.
   • Contrairement à la QAE bayésienne (BAE) ou à la QAE itérative (IQAE) standard qui supposent une oscillation idéale, la CABIQAE incorpore un modèle de décroissance du contraste calibré. Elle traite la perte de contraste de Grover observée expérimentalement non pas comme une erreur, mais comme un paramètre dans le problème d'inférence.
   • L'algorithme utilise un modèle de vraisemblance calibré sur le matériel où la probabilité de succès décroît exponentiellement avec la puissance de Grover $k$. Il sélectionne dynamiquement les profondeurs de Grover qui maximisent le gain d'information dans la « fenêtre de contraste » avant que le bruit ne domine.

3. Validation Expérimentale :

   • Le flux de travail est validé à l'aide d'une méthodologie de « rejeu matériel » (hardware-replay). Les auteurs caractérisent d'abord la réponse matérielle des circuits amplifiés, puis rejouent des trajectoires d'estimation adaptatives (CABIQAE, BIQAE et BAE) en utilisant ces données empiriques. Cela permet une comparaison statistique robuste sans avoir à exécuter chaque trajectoire adaptative en direct sur le processeur quantique.
   • Des comparactions sont effectuées avec l'échantillonnage direct de circuit (DCS - Direct Circuit Sampling) et des bases de référence agnostiques au bruit (BIQAE, BAE).

Résultats Clés

• Performance Algorithmique : Dans le régime de rejeu matériel, les algorithmes agnostiques au bruit (spécifiquement le BIQAE) ne parviennent pas à s'améliorer au-delà d'un certain coût de requête, s'effondrant vers un plancher de bruit alors qu'ils appliquent aveuglément des itérations de Grover profondes. En revanche, la CABIQAE et la BAE continuent de réduire l'erreur sur une plage plus large.
• Efficacité : La CABIQAE atteint une erreur relative médiane de $1,82 \times 10^{-3}$ avec un coût de requête médian de $4,95 \times 10^4$. Bien que son erreur finale soit comparable à celle de la BAE ($1,77 \times 10^{-3}$), la CABIQAE utilise des circuits nettement moins profonds (facteur de Grover maximum médian $K=23$ contre $K=33$ pour la BAE) et un temps de post-traitement classique considérablement plus faible (1,25s contre 45,72s).
• Décomposition de l'Erreur : L'étude décompose l'erreur totale du CVA en contributions statistiques, d'encodage, de discrétisation et matérielles. L'analyse révèle que l'oracle CVA complet est actuellement limité par la profondeur du circuit et la résolution de la discrétisation plutôt que par le simple échantillonnage statistique.
• Mise à l'échelle (Scaling) : Dans le régime bruité, la CABIQAE maintient un exposant de convergence $\beta \approx -0,69$, ce qui est supérieur au DCS de rejeu matériel ($\beta \approx -0,30$) et au BIQAE agnostique au bruit ($\beta \approx -0,25$), bien qu'elle n'atteigne pas la limite de Heisenberg idéale ($\beta = -1$).

Signification et Revendications
Les auteurs déclarent explicitement que ce travail ne prétend pas offrir un avantage de temps d'exécution quantique de bout en bout par rapport au Monte Carlo classique pour le calcul complet du CVA. Au contraire, la signification réside dans :

1. Le Réalisme : Fournir un pipeline complet, de bout en bout, qui dépasse les tests de référence d'options uniques pour passer à un ensemble de compensation multi-actifs calibré sur du matériel réel.
2. La Sensibilité au Bruit : Démontrer que l'incorporation de la perte de contraste calibrée expérimentalement dans la boucle d'estimation d'amplitude (via la CABIQAE) rend l'estimateur mieux adapté au régime spécifique des disposités NISQ actuels, où l'amplification n'est utile que dans une fenêtre de profondeur finie.
3. La Scalabilité Pratique : Montrer qu'une approche sensible au bruit peut atteindre un surcoût de post-traitement classique inférieur et utiliser des circuits plus peu profonds par rapport aux bases de référence bayésiennes agnostiques au bruit, améliant ainsi la scalabilité pratique des flux de travail de CVA quantiques.

L'article conclut que bien que l'avantage quantique complet soit actuellement limité par les contraintes matérielles et la discrétisation, le cadre proposé sensible au bruit offre une voie viable pour extraire des informations utiles des circuits amplifiés en présence d'un bruit matériel réaliste.