Hybrid Quantum-Classical Ridgelet Neural Networks for Portfolio Optimization
यह शोध पत्र एक हाइब्रिड क्वांटम-क्लासिकल फ्रेमवर्क प्रस्तावित करता है जो वित्तीय समय-श्रृंखला डेटा से मल्टी-रेज़ोल्यूशन फीचर्स निकालने के लिए क्वांटम रिजलेट न्यूरल नेटवर्क (QRNN) का उपयोग करता है, जिन्हें फिर मीन-वेरिएंस पोर्टफोलियो समस्या को हल करने के लिए क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) का उपयोग करके संपत्ति चयन के लिए अनुकूलित किया जाता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक आदर्श निवेश पोर्टफोलियो बनाने की कोशिश कर रहे हैं। आपके पास चुनने के लिए शेयरों की एक विशाल सूची है, लेकिन आप केवल कुछ ही चुन सकते हैं। चुनौती दोहरी है: पहला, आपको यह अनुमान लगाना होगा कि भविष्य में कौन से शेयर ऊपर जाएंगे (पूर्वानुमान/forecasting), और दूसरा, आपको उच्च पुरस्कार और कम जोखिम के बीच संतुलन बनाने वाला सबसे अच्छा संयोजन चुनना होगा (अनुकूलन/optimization)।
यह शोध पत्र एक नया टूल पेश करता है जिसे हाइब्रिड क्वांटम-क्लासिकल रिजलेट न्यूरल नेटवर्क (QRNN) कहा जाता है, ताकि इन दोनों समस्याओं को हल किया जा सके। यह कैसे काम करता है, इसे सरल अवधारणाओं और उपमाओं में यहाँ समझाया गया है।
1. "रिजलेट" लेंस: छिपे हुए पैटर्न को देखना
वित्तीय बाजार अव्यवस्थित होते हैं, जैसे कि हर आकार की लहरों वाला एक तूफानी समुद्र। पारंपरिक उपकरण अक्सर शोर (noise) के कारण भ्रमित हो जाते हैं।
- उपमा: एक जटिल पेंटिंग को देखने की कल्पना करें। एक मानक कैमरा पूरी छवि को एक साथ देखता है। एक रिजलेट ट्रांसफॉर्म (Ridgelet transform) विशेष चश्मे की तरह है जो पेंटिंग को विशिष्ट "रिज" या रेखाओं में तोड़ देता है। यह एक साथ बड़े, व्यापक घुमावों (ग्लोबल ट्रेंड्स) और छोटे, टेढ़े-मेढ़े विवरणों (लोकल स्पाइक्स) दोनों को देख सकता है।
- शोध पत्र क्या करता है: लेखक इस "रिजलेट" तकनीक का उपयोग स्टॉक डेटा को साफ करने के लिए करते हैं, जिससे महत्वपूर्ण रुझानों को शोर से अलग किया जा सके, इससे पहले कि इसे उनके कंप्यूटर मॉडल में फीड किया जाए।
2. क्वांटम मस्तिष्क: गणना करने का एक नया तरीका
एक बार जब डेटा साफ हो जाता है, तो मॉडल को भविष्य की कीमतों की भविष्यवाणी करने की आवश्यकता होती है। एक मानक कंप्यूटर के बजाय, वे एक क्वांटम न्यूरल नेटवर्क का उपयोग करते हैं।
- उपमा: एक क्लासिकल कंप्यूटर को एक लाइब्रेरियन के रूप में सोचें जो शेल्फ पर एक-एक करके किताबें चेक करता है। एक क्वांटम कंप्यूटर एक ऐसे लाइब्रेरियन की तरह है जो "सुपरपोजिशन" नामक एक जादुई गुण के कारण एक ही समय में शेल्फ पर मौजूद सभी किताबों को देख सकता है।
- तंत्र (Mechanism): मॉडल साफ किए गए स्टॉक डेटा को लेता है और उसे "क्यूबिट्स" (क्वांटम बिट्स) में एनकोड करता है। यह जानकारी को प्रोसेस करने के लिए एक विशिष्ट प्रकार के क्वांटम सर्किट (लॉजिक गेट्स का एक लूप) का उपयोग करता है। शोध पत्र का दावा है कि यह क्वांटम दृष्टिकोण LSTMs या ट्रांसफॉर्मर्स जैसे मानक AI मॉडलों की तुलना में स्टॉक की कीमतों में जटिल, गैर-रेखीय (non-linear) पैटर्न को पहचानने में बहुत बेहतर है।
3. "पोर्टफोलियो ऑप्टिमाइज़र": विजेताओं का चयन करना
क्वांटम मस्तिष्क यह भविष्यवाणी करने के बाद कि कौन से स्टॉक अच्छा प्रदर्शन करेंगे, सिस्टम का दूसरा भाग सक्रिय होता है: पोर्टफोलियो ऑप्टिमाइज़ेशन।
- उपमा: कल्पना करें कि आपके पास एक टोकरी है और एक नियम है कि आप केवल ठीक 5 वस्तुएं ही रख सकते हैं। आप चाहते हैं कि आपकी टोकरी जितनी संभव हो सके उतनी मूल्यवान हो, लेकिन वह बहुत भारी (जोखिम भरी) न हो।
- उपकरण: वे QAOA (क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम) नामक एक एल्गोरिदम का उपयोग करते हैं। QAOA को एक सुपर-स्मार्ट रोबोट के रूप में सोचें जो लाभ को अधिकतम करने और पैसा खोने की संभावना को कम करने के लिए लाखों अलग-अलग 5-स्टॉक संयोजनों का तुरंत परीक्षण करता है। यह समस्या को एक गणितीय पहेली (QUBO) में बदल देता है जिसे क्वांटम कंप्यूटर कुशलतापूर्वक हल करता है।
4. "क्वांटम शोर" से निपटना (लाइन पर आने वाली स्टेटिक)
वास्तविक क्वांटम कंप्यूटर वर्तमान में बहुत संवेदनशील होते; वे रेडियो की तरह हैं जो स्टेटिक (शोर) पकड़ते हैं जो सिग्नल को खराब कर देता है।
- प्रयोग: लेखकों ने अपने मॉडल का तीन परिदृश्यों में परीक्षण किया:
- आदर्श दुनिया (Perfect World): कोई शोर नहीं (आदर्श)।
- शोर वाली दुनिया (Noisy World): सिग्नल स्टेटिक (बिट-फ्लिप्स और फेज-फ्लिप्स) से भरा हुआ है।
- त्रुटि सुधार (Error Correction): उन्होंने क्वांटम डेटा के लिए "नॉइज़-कैंसलिंग हेडफ़ोन" की तरह "एरर करेक्शन" का उपयोग करके स्टेटिक को ठीक करने की कोशिश की।
- निष्कर्ष: जैसा कि अपेक्षित था, शोर ने मॉडल को खराब कर दिया। हालांकि, उन्होंने पाया कि एक "पार्शियल एरर करेक्शन" (आंशिक त्रुटि सुधार) दृष्टिकोण सबसे सटीक था। इसने मॉडल को स्थिर बनाने के लिए पर्याप्त त्रुटियों को ठीक किया, बिना कंप्यूटर को बहुत धीमा या जटिल बनाए। यह सटीकता और दक्षता के बीच एक संतुलन था।
5. परिणाम: क्या यह काम आया?
टीम ने अपने सिस्टम का परीक्षण 12 प्रमुख कंपनियों (जैसे Apple, Tesla और Amazon) के वास्तविक ऐतिहासिक स्टॉक डेटा पर 10 वर्षों की अवधि के दौरान किया।
- तुलना: उन्होंने अपने क्वांटम रिजलेट मॉडल की तुलना मानक AI मॉडलों (जैसे LSTMs) और अन्य क्वांटम मॉडलों से की।
- परिणाम: QRNN मॉडल जीत गया। इसने स्टॉक की कीमतों की भविष्यवाणी करने में अन्य मॉडलों की तुलना में कम गलतियाँ कीं। जब उन्होंने इन भविष्यवाणियों का उपयोग 5 शेयरों का पोर्टफोलियो बनाने के लिए किया, तो उनकी पद्धति ने रैंडम चयन या सरल "शीर्ष 5 चुनें" रणनीतियों की तुलना में बेहतर "शार्प रेशियो" (जोखिम के मुकाबले मिलने वाले लाभ का एक माप) प्रदान किया।
सारांश
शोध पत्र एक दो-चरणीय हाइब्रिड सिस्टम का प्रस्ताव करता है:
- क्वांटम रिजलेट न्यूरल नेटवर्क: वर्तमान AI की तुलना में स्टॉक की कीमतों की अधिक सटीक भविष्यवाणी करने के लिए क्वांटम भौतिकी और विशेष गणित (रिजलेट्स) का उपयोग करता है।
- QAOA ऑप्टिमाइज़र: खरीदने के लिए सर्वोत्तम स्टॉक समूह चुनने के लिए क्वांटम कंप्यूटिंग का उपयोग करता है।
लेखक स्वीकार करते हैं कि हालांकि उनका मॉडल सिमुलेशन में बहुत अच्छा काम करता है, लेकिन वास्तविक, बड़े पैमाने के क्वांटम कंप्यूटरों पर इसे चलाना वर्तमान में कठिन है क्योंकि जैसे-जैसे आप अधिक क्यूबिट्स जोड़ते हैं, "शोर" और मेमोरी की आवश्यकताएं तेजी से (exponentially) बढ़ती हैं। हालांकि, उनके द्वारा परीक्षण किए गए डेटा के लिए, यह नया दृष्टिकोण मौजूदा तरीकों की तुलना में अधिक सटीक और विश्वसनीय साबित हुआ।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।