Toward Quantum Monte Carlo for Sovereign Debt Risk: A proof of concept

Dans le monde de la haute finance mondiale, les gouvernements marchent constamment sur une corde raide entre l'emprunt d'argent pour bâtir leurs nations et le risque d'emprunter trop pour ne jamais pouvoir rembourser. Les économistes surveillent de près un chiffre spécifique : le ratio de la dette totale d'un pays par rapport à la taille de son économie. Si ce chiffre grimpe trop haut, cela peut signaler une crise, entraînant la perte d'épargne, une stagnation économique ou même un effondrement de la confiance. Prédire si ce ratio franchira une ligne de danger dans le futur est incroyablement difficile car l'avenir est plein de surprises. Les taux d'intérêt pourraient bondir, la croissance économique pourrait stagner, ou des événements politiques inattendus pourraient secouer les marchés. Pour gérer cette incertitude, les analystes utilisent traditionnellement des milliers de simulations informatiques, faisant essentiellement rouler des dés numériques des millions de fois pour voir à quelle fréquence le ratio de la dette pourrait franchir un seuil de sécurité. Cependant, cette méthode est lente ; pour obtenir une réponse très précise, l'ordinateur doit exécuter un nombre énorme de ces simulations, et le temps requis augmente rapidement à mesure que la précision souhaitée s'accroît.

Récemment, un nouveau type d'ordinateur, qui utilise les règles étranges de la physique quantique, a promis de résoudre ce type de problèmes beaucoup plus rapidement. Au lieu de vérifier les possibilités une par une, ces machines peuvent explorer de nombreuses possibilités à la fois et utiliser un tour mathématique spécifique pour amplifier la bonne réponse tout en annulant les mauvaises. Cette technique, connue sous le nom d'estimation d'amplitude quantique, permet théoriquement aux chercheurs de trouver la probabilité d'un événement rare avec beaucoup moins d'étapes que ce dont un ordinateur standard a besoin. Bien que cela ressemble à une solution pour chaque problème de prévision financière, la réalité de la construction de ces machines est complexe. Elles sont actuellement fragiles, sujettes aux erreurs et difficiles à programmer. La grande question demeure : pouvons-nous réellement construire un pipeline fonctionnel qui prenne un modèle économique du monde réel, le traduise en un langage quantique et obtienne une réponse fiable avant que la machine ne commette une erreur ?

Une équipe de chercheurs de l'Université du Québec à Trois-Rivières a adopté une approche prudente, étape par étape, pour répondre à cette question. Ils n'ont pas essayé de résoudre immédiatement un problème massif et insoluble. Au lieu de cela, ils ont construit un pipeline de preuve de concept pour tester l'ensemble du flux de travail sur une version simplifiée d'un modèle de dette souveraine. Leur objectif n'était pas de prouver que les ordinateurs quantiques sont déjà meilleurs que les classiques pour cette tâche spécifique, mais de démontrer que le chemin allant d'une théorie financière à un circuit quantique est possible et que les chiffres finaux font sens. Ils ont construit un modèle numérique où la dette d'un pays évolue sur vingt ans, influencée par deux facteurs aléatoires principaux : la croissance de l'économie et le coût de l'emprunt. Ils ont simplifié les mathématiques juste assez pour qu'ils puissent calculer la réponse exacte à l'aide de méthodes traditionnelles, ce qui servait de point de référence parfait pour vérifier leur travail quantique.

Les chercheurs ont ensuite traduit ce modèle simplifié dans un langage qu'un ordinateur quantique pourrait comprendre. Ils ont décomposé les scénarios futurs possibles en une grille de points, représentant différentes combinaations de croissance économique et de taux d'intérêt. Ils ont chargé ces possibilités dans la machine quantique, créant un état où chaque scénario existe simultanément. Ensuite, ils ont construit un circuit numérique qui agit comme une calculatrice pondérée, additionnant les effets de ces facteurs pour déterminer le ratio de la dette finale pour chaque scénario. Une partie finale du circuit agit comme un garde-barrière, signalant tout scénario où le ratio de la dette dépasse un seuil de sécurité critique de 95 pour cent. La machine utilise ensuite une série d'opérations pour amplifier le signal de ces scénarios « signalés », les rendant plus faciles à détecter. Enfin, ils ont utilisé une méthode statistique appelée estimation d'amplitude par maximum de vraisemblance pour compter la fréquence à laquelle ces scénarios signalés se produisent, mesurant ainsi la probabilité d'une crise de la dette.

Lorsque l'équipe a exécuté ses simulations sur une version parfaite et sans bruit d'un ordinateur quantique, les résultats étaient d'une précision frappante. Le pipeline quantique a estimé la probabilité que le ratio de la dette dépasse le seuil à environ 8,18 pour cent. Cela correspondait presque parfaitement à la valeur que le circuit était censé produire, et c'était très proche de la réponse exacte calculée par les mathématiques traditionnelles. Les chercheurs ont observé qu'à mesure qu'ils augmentaient le nombre de fois où la machine effectuait son calcul central, l'erreur dans leur estimation diminuait plus rapidement que le taux classique standard, bien que la pente de mise à l'échelle ajustée de -0,85 se situait entre les taux classiques et quantiques idéaux. Dans leurs tests, les résultats étaient cohérents avec l'avantage de mise à l'échelle quadratique anticipé, mais les auteurs notent explicitement que l'expérience n'a pas démontré de manière définitive cette amélioration asymptotique.

Cependant, les auteurs prennent soin d'expliquer ce que ce succès signifie et ne signifie pas. Le problème qu'ils ont résolu était délibérément simple. Parce que le modèle était linéaire et que les incertitudes étaient parfaitement lisses, un ordinateur standard aurait pu le résoudre instantanément à l'aide d'une formule de forme fermée, rendant l'effort quantique inutile pour ce cas précis. De plus, l'événement qu'ils prédisaient n'était pas réellement rare ; une chance de 8 pour cent est assez courante pour ne pas représenter le genre de catastrophe de type « cygne noir » où les accélérations quantiques sont le plus nécessaires. L'étude a également reposé sur un simulateur, et non sur une machine quantique physique, ce qui signifie qu'elle n'a pas été confrontée au bruit et aux erreurs du monde réel qui tourmentent actuellement le matériel expérimental. Les chercheurs déclarent explicitement que leur travail est une démonstration du flux de travail, et non un tour de piste victorieux pour la finance quantique. Ils reconnaissent que pour que cette approche devienne réellement utile, les modèles doivent être plus complexes, impliquant des dynamiques non linéaires et de multiples facteurs de risque qui ne peuvent pas être résolus par des formules simples.

L'équipe a également souligné les obstacles qui subsistent avant que cette technologie puisse être utilisée dans la prise de décision politique réelle. Les circuits quantiques qu'ils ont construits sont actuellement trop profonds et complexes pour être exécutés sur les dispositifs bruyants d'aujourd'hui sans erreurs. L'« oracle », ou la partie du programme qui encode les règles financières, est peu coûteux à simuler mais serait coûteux à construire sur du matériel réel. De plus, les méthodes classiques utilisées pour la comparaison dans cette étude étaient basiques ; des techniques traditionnelles plus avancées pourraient encore surpasser l'approche quantique pour ces types de problèmes spécifiques. Les chercheurs concluent que bien que leur pipeline fonctionne et que les mathématiques tiennent la route dans une simulation parfaite, le chemin vers un avantage pratique nécessite des progrès substantiels dans le matériel et une transition vers des modèles économiques plus complexes et réalistes où les ordinateurs traditionnels atteignent un mur. Ce travail sert de blueprint solide, montrant que le pont entre la théorie économique et le calcul quantique peut être construit, même si la route pour le traverser est encore en construction.