Q-PhotoMarket: A Design Space Exploration Framework for Photonic Hybrid Quantum Neural Networks in Financial Market Prediction

Dans le monde de la finance, prédire si le cours d'une action va monter ou descendre demain est une tâche qui défie l'intuition humaine et les modèles mathématiques depuis des décennies. Les signaux sont souvent ténus, les mouvements du marché sont chaotiques et les données changent constamment. Récemment, des scientifiques ont commencé à se tourner vers un nouveau type d'ordinateur pour aider à résoudre ce casse-tête : l'ordinateur quantique. Contrairement aux appareils que nous utilisons aujourd'hui, qui traitent l'information sous forme de simples commutateurs marche/arrêt, les machines quantiques peuvent maintenir l'information dans un état beaucoup plus complexe, leur permettant d'explorer de nombreuses possibilités simultanément. Une version prometteuse de cette technologie utilise la lumière, plus précisément des particules appelées photons, pour effectuer ces calculs. Parce que la lumière est rapide et peut être manipulée avec une grande précision, les chercheurs construisent des systèmes hybrides qui combinent ces circuits quantiques basés sur la lumière avec les outils classiques puissants et familiers de l'intelligence artificielle. L'espoir est qu'en mélangeant ces deux mondes, ils puissent trouver des motifs dans les données financières que les ordinateurs traditionnels ne perçoivent pas.

Une équipe de chercheurs de l'Université de New York Abu Dhabi et de l'Université du Danemark du Sud a franchi une étape importante dans la compréhension de la manière de construire ces systèmes basés sur la lumière pour la finance. Ils ont créé un nouveau cadre appelé Q-PhotoMarket, qui agit comme un immense terrain d'essai pour des milliers de conceptions différentes. Au lieu de deviner quelle combinaison de circuits lumineux et de réglages fonctionnerait le mieux, ils ont exploré systématiquement plus de 5 000 configurations valides. Ils ont testé ces conceptions sur des données réelles provenant de trois marchés financiers très différents : l'indice boursier majeur des États-Unis, un indice boursier indien de premier plan et le monde volatil des cryptomonnaies. Leur objectif était de voir comment les choix dans la conception physique des circuits lumineux — tels que la manière dont la lumière entre dans le système, la disposition des miroirs et des lentilles, et la façon dont le résultat final est mesuré — affectent la capacité à prédire les mouvements du marché.

Les chercheurs ont découvert que la façon dont la lumière est disposée à l'intérieur de la machine importe bien plus que le type spécifique de particules de lumière utilisées au départ. Ils ont découvert que certains agencements architecturaux, particulièrement ceux qui permettent à la lumière d'interagir de manières complexes et universelles, produisaient systématiquement de meilleures prédictions que des configurations plus simples. L'une des découvertes les plus surprenantes fut que rendre la tâche de prédiction plus difficile aidait en réalité le système à mieux performer. Lorsque les chercheurs ont demandé aux modèles de ne prédire que les grands sauts de prix économiquement significatifs plutôt que n'importe quel petit mouvement, les modèles sont devenus plus précis. Cela s'est produit parce que le filtrage des fluctuations infimes et bruyantes laissait un signal plus clair pour que l'ordinateur puisse apprendre. Cependant, cela a également introduit un nouveau défi : à mesure que la tâche devenait plus difficile, les modèles cessaient parfois de faire des prédictions, un mode de défaillance que l'équipe a appris à détecter et à corriger en ajustant soigneusement leurs seuils de décision.

Pour s'assurer qu'ils trouvaient les meilleures conceptions et non de simples coups de chance, l'équipe a utilisé une méthode de recherche intelligente qui apprenait de ses propres essais. Ils ont commencé par tester un vaste nombre de possibilités, puis ont utilisé les résultats pour guider leur recherche vers les zones les plus prometteuses. Ce processus a révélé que, bien qu'aucune conception unique ne fonctionne parfaitement pour tous les marchés, il existait des modèles clairs. Par exemple, un type spécifique de circuit appelé "maillage" (mesh), qui permet à la lumière de se mélanger dans de nombreuses directions, surperformait souvent les autres formes. Ils ont également constaté que la méthode utilisée pour lire le résultat final de la lumière était tout aussi importante que le circuit lui-même. En mesurant la probabilité de trouver des photons dans des états spécifiques, le système pouvait extraire des informations utiles plus efficacement qu'en mesurant d'autres propriétés.

Lorsqu'ils ont comparé leurs meilleures conceptions lumineuses aux programmes informatiques standards utilisés pour la finance, les modèles quantiques ont tenu tête. Ils n'ont pas toujours battu les méthodes classiques par une marge énorme, mais ils ont performé de manière compétitive, surtout dans la tâche difficile de prédire les mouvements de marché rares et de grande ampleur. Cela suggère que ces systèmes hybrides ne sont pas seulement des curiosités théoriques, mais qu'ils ont un réel potentiel d'utilisation pratique. L'étude a également souligné que le domaine a dépassé le stade de la simple construction d'un ordinateur quantique ; l'accent est désormais mis sur la compréhension exacte de la manière de concevoir ces machines pour des tâches spécifiques. Les chercheurs ont montré qu'en explorant l'espace de conception de manière approfondie, plutôt qu'en se fiant à une seule supposition, ils pouvaient identifier des configurations robustes qui fonctionnent à travers différents types de données financières.

Ce travail sert de blueprint pour l'avenir de cette technologie. Il démontre que la voie vers une meilleure prédiction financière ne réside pas seulement dans la construction de machines quantiques plus grandes ou plus rapides, mais dans la compréhension des détails complexes de la manipulation de la lumière en leur sein. Les conclusions de l'équipe suggèrent que les systèmes les plus performants seront ceux qui équilibrent soigneusement la complexité du circuit avec la méthode utilisée pour lire la réponse. Bien que les expériences aient été menées à l'aide de simulations avancées plutôt que sur du matériel physique, les résultats fournissent une carte claire de ce qu'il faut construire ensuite. À mesure que la technologie quantique gagnera en maturité, ces connaissances aideront les ingénieurs à construire des machines capables de naviguer dans les eaux imprévisibles de l'économie mondiale avec une plus grande précision, transformant le bruit chaotique du marché en intelligence exploitable.