⚛️ quantum physics

Learning PDEs for Portfolio Optimization with Quantum Physics-Informed Neural Networks

यह शोध पत्र मर्टन पोर्टफोलियो अनुकूलन (Merton portfolio optimization) PDE को हल करने के लिए टेंसर रैंक अपघटन (tensor rank decomposition) के साथ पैरामीटराइज्ड क्वांटम सर्किट का उपयोग करते हुए एक क्वांटम फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (QPINN) प्रस्तुत करता है, जो यह प्रदर्शित करता है कि क्वांटम दृष्टिकोण शास्त्रीय PINN समकक्षों की तुलना में 80 गुना कम मापदंडों के साथ उच्च सटीकता और तेज़ अभिसरण (convergence) प्राप्त करता है।

मूल लेखक: Letao Wang, Abdel Lisser, Sreejith Sreekumar, Zeno Toffano

प्रकाशित 2026-04-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Letao Wang, Abdel Lisser, Sreejith Sreekumar, Zeno Toffano

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 निवेशक हैं जो यह तय करने की कोशिश कर रहे हैं कि अपने पैसे को एक सुरक्षित बचत खाते और एक जोखिम भरे शेयर बाजार के बीच कैसे विभाजित किया जाए। आप अपनी भविष्य की संपत्ति को अधिकतम करना चाहते हैं, लेकिन बाजार अराजक और अप्रत्याशित है। वित्त की दुनिया में, यह एक प्रसिद्ध पहेली है जिसे मर्टन पोर्टफोलियो ऑप्टिमाइज़ेशन प्रॉब्लम (Merton Portfolio Optimization Problem) कहा जाता है।

इस समस्या को हल करने के लिए, गणितज्ञ पार्शियल डिफरेंशियल इक्वेशन्स (PDEs) नामक नियमों के एक जटिल सेट का उपयोग करते हैं। इन समीकरणों को एक विशाल, बहु-आयामी भूलभुलैया (maze) के रूप में सोचें। इस भूलभुलैया का "निकास" (परफेक्ट निवेश रणनीति) खोजना अविश्वसनीय रूप से कठिन है।

यहाँ यह विवरण दिया गया है कि कैसे यह शोध पत्र क्वांटम भौतिकी (Quantum Physics) और न्यूरल नेटवर्क (Neural Networks) का उपयोग करके इस भूलभुलआ को हल करने का एक नया, सुपर-कुशल तरीका प्रस्तावित करता है।

1. पुराना तरीका: एक धीमी, भारी ट्रक

पारंपरिक रूप से, कंप्यूटर इन वित्तीय भूलभुलैयाओं को हल करने के लिए उन्हें छोटे ग्रिड वर्गों (जैसे शतरंज के बोर्ड) में तोड़ देते हैं और हर एक वर्ग के लिए उत्तर की गणना करते हैं।

समस्या: जैसे-जैसे समस्या अधिक जटिल होती जाती है, ग्रिड बहुत बड़ा होता जाता है। कंप्यूटर को हर एक वर्ग से होकर गुजरने के लिए एक भारी ट्रक चलाना पड़ता है। यह धीमा, महंगा है और अक्सर ट्रैफिक में फंस जाता है (धीमी अभिसरण/convergence)।
विकल्प (क्लासिकल AI): वैज्ञानिकों ने फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) का उपयोग करने की कोशिश की। कल्पना करें कि एक छात्र अनुमान लगाकर और जांच करके भूलभुलैया सीखने की कोशिश कर रहा है। वे ट्रक की तुलना में तेज़ हैं, लेकिन फिर भी उन्हें भूलभुलैया के "आकार" को जल्दी समझने में संघर्ष करना पड़ता है, क्योंकि उन्हें सही होने के लिए लाखों अनुमान लगाने की आवश्यकता होती है।

2. नया विचार: एक क्वांटम जादुई छड़ी

इस शोध पत्र के लेखकों ने पूछा: "क्या होगा यदि हम इस समस्या को हल करने के लिए क्वांटम भौतिकी के अजीब, शक्तिशाली नियमों का उपयोग कर सकें?"

उन्होंने एक नया उपकरण बनाया जिसे क्वांटम फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (QPINN) कहा जाता है। लेकिन एक पेच था: क्वांटम कंप्यूटर वर्तमान में छोटे और नाजुक हैं। उन पर एक बड़ी गणना चलाने की कोशिश करना एक तरबूज को साइकिल पर ले जाने जैसा है; यह बहुत भारी है और साइकिल टूट जाएगी।

3. गुप्त नुस्खा: "टेन्सर डिकंपोजिशन" (लेगो ट्रिक)

यही इस शोध पत्र की सबसे बड़ी सफलता है। उन्होंने महसूस किया कि कई वित्तीय समाधानों (जैसे मर्टन समस्या) की एक विशेष संरचना होती है। वे केवल यादृच्छिक अराजकता नहीं हैं; वे स्वतंत्र हिस्सों से बने हैं जो आपस में गुणा होते हैं।

उपमा (Analogy):
कल्पना कीजिए कि आपको एक विशाल किला बनाना है।

पुराना क्वांटम तरीका: आप पूरे किले को एक साथ एक विशाल, ठोस पत्थर के ब्लॉक के रूप में बनाने की कोशिश करते हैं। इसे उठाना बहुत भारी है।
शोध पत्र का नया तरीका: उन्होंने महसूस किया कि किला वास्तव में अलग-अलग लेगो टावरों (दीवारें, बुर्ज, द्वार) का एक संग्रह है जिन्हें आप आपस में जोड़ सकते हैं।
- वे इसे टेन्सर डिकंपोजिशन (Tensor Decomposition) कहते हैं। पूरे जटिल समाधान को एक साथ बनाने के बजाय, वे छोटे, सरल "यूनिवेरिएट" (एक-चर वाले) लेगो टुकड़ों को बनाते हैं और उन्हें आपस में जोड़ देते हैं।

इस "लेगो" दृष्टिकोण का उपयोग करके, उन्होंने आवश्यक क्वांटम संसाधनों को एक्सपोनेंशियल (असंभव) से घटाकर पॉलीनोमियल (प्रबंधनीय) कर दिया। यह ऐसा है जैसे यह महसूस करना कि आपको पूरे किले को ले जाने के लिए क्रेन की आवश्यकता नहीं है; आपको बस लेगो के टुकड़ों को ले जाने के लिए एक छोटा ट्रक चाहिए।

4. दो मॉडल: क्वांटम रोबोट और क्वांटम घोस्ट

टीम ने उनके सॉल्वर के दो संस्करण बनाए:

क्वांटम-इंस्पायर्ड PINN (द घोस्ट):
- यह मॉडल "लेगो" संरचना का उपयोग करता है लेकिन एक क्लासिकल कंप्यूटर (जैसे आपका लैपटॉप) पर चलता है।
- इसे "क्वांटम-इंस्पायर्ड" इसलिए कहा जाता है क्योंकि यह क्वांटम गणित के तर्क का उपयोग करता है लेकिन इसे क्वांटम कंप्यूटर की आवश्यकता नहीं होती है।
- परिणाम: इसने मानक AI की तुलना में 80 गुना तेजी से काम किया और इसमें 80 गुना कम पैरामीटर (कम मेमोरी) लगे, क्योंकि इसे पता था कि लेगो किला कैसे बनाया जाता है।
QPINN (द रोबोट):
- यह असली चीज़ है। यह एक क्वांटम सर्किट पर चलता है।
- यह एक विशेष "एंटैंगलमेंट" परत जोड़ता है (एक क्वांटम जादू जहाँ सिस्टम के हिस्से आपस में तुरंत संवाद करते हैं)।
- परिणाम: यह "घोस्ट" से भी बेहतर था। इसने उच्च सटीकता के साथ समाधान खोजा और तेजी से सीखा (कन्वर्ज हुआ)।

5. प्रयोग: एक दौड़

उन्होंने मर्टन निवेश समस्या पर इन मॉडलों का परीक्षण किया।

प्रतिद्वंद्वी: एक मानक, भारी-भरकम AI (फुली कनेक्टेड PINN) जिसमें 481 पैरामीटर थे। यह एक विशाल, अनाड़ी रोबोट की तरह था जो भूलभुलैया सीखने की कोशिश कर रहा था।
विजेता: उनके क्वांटम मॉडलों में केवल 7 पैरामीटर थे।
परिणाम: उनके छोटे, क्वांटम मॉडलों (केवल 7 पैरामीटर के साथ) ने हर बार विशाल रोबोट (481 पैरामीटर) को हराया। उन्होंने लगभग तुरंत ही भूलभुलैया के आकार को सीख लिया और एकदम सही निवेश रणनीति ढूंढ ली।

यह क्यों महत्वपूर्ण है?

दक्षता (Efficiency): अब आपको जटिल वित्तीय समस्याओं को हल करने के लिए सुपर-कंप्यूटर की आवश्यकता नहीं है। एक छोटा, कुशल मॉडल इसे बेहतर तरीके से कर सकता है।
भविष्य के लिए तैयार (Future-Proof): यह विधि आज के छोटे, अपूर्ण क्वांटम कंप्यूटरों (और निकट भविष्य में भी) पर काम करने के लिए डिज़ाइन की गई है, न कि केवल दूर के भविष्य के काल्पनिक क्वांटम कंप्यूटरों के लिए।
सीख: कभी-कभी, किसी जटिल समस्या को हल करने का सबसे अच्छा तरीका अधिक शक्ति लगाना नहीं है, बल्कि इसकी छिपी हुई संरचना (इसके "लेगो" स्वभाव) को समझना और उस संरचना के अनुकूल एक उपकरण बनाना है।

संक्षेप में: लेखकों ने एक कठिन वित्तीय गणितीय समस्या ली, महसूस किया कि यह सरल निर्माण खंडों (building blocks) से बनी है, और एक छोटा, अत्यंत कुशल क्वांटम-संचालित रोबोट बनाया जो किसी भी विशाल क्लासिकल कंप्यूटर की तुलना में उन ब्लॉकों को तेजी से और बेहतर तरीके से जोड़ सकता है।

यहाँ शोध पत्र "Learning PDEs for Portfolio Optimization with Quantum Physics-Informed Neural Networks" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र वित्तीय गणित में आंशिक अंतर समीकरणों (Partial Differential Equations - PDEs) को हल करने की चुनौती को संबोधित करता है, विशेष रूप से मर्टन पोर्टफोलियो ऑप्टिमाइज़ेशन (Merton Portfolio Optimization) समस्या को।

संदर्भ: मर्टन समस्या स्टोकेस्टिक मार्केट डायनेमिक्स के तहत टर्मिनल वेल्थ (terminal wealth) की अपेक्षित उपयोगिता (expected utility) को अधिकतम करने के लिए एक इष्टतम निवेश रणनीति खोजने का प्रयास करती है। इसे गणितीय रूप से एक गैर-रेखीय हैमिल्टन-जैकोबी-बेलमैन (HJB) PDE में परिवर्तित किया जाता है।
शास्त्रीय विधियों की सीमाएँ (Limitations of Classical Methods):
- संख्यात्मक सॉल्वर (FDM/FEM): उच्च सटीकता के लिए उच्च कम्प्यूटेशनल लागत की आवश्यकता होती है और ये "डायमेंशनलिटी के अभिशाप" (curse of dimensionality) से जूझते हैं।
- क्लासिकल PINNs (Physics-Informed Neural Networks): हालांकि ये मेश-फ्री (mesh-free) हैं, लेकिन ये अक्सर धीमी अभिसरण (slow convergence), उच्च-आवृत्ति वाली विशेषताओं को पकड़ने में कठिनाई और स्केलेबिलिटी संबंधी समस्याओं से ग्रस्त होते हैं। इसके अतिरिक्त, मानक फुली कनेक्टेड (FC) PINNs को तुलनीय सटीकता प्राप्त करने के लिए विशाल पैरामीटर गणनाओं की आवश्यकता होती है।
मौजूदा क्वांटम दृष्टिकोणों की सीमाएँ (Limitations of Existing Quantum Approaches):
- पूर्णतः क्वांटम एल्गोरिदम: इनके लिए फॉल्ट-टोलरेंट हार्डवेयर और qRAM की आवश्यकता होती है, जो अभी उपलब्ध नहीं है।
- वर्तमान QPINNs: ये अक्सर फूरियर सीरीज़ या हार्डवेयर-एफिशिएंट एंसात्ज़ (HEA) पर निर्भर करते हैं जिनमें छिपे हुए प्रतिबंध होते हैं। इनमें इस बात की सैद्धांतिक गारंटी का अभाव है कि उनका हाइपोथीसिस स्पेस लक्षित फलन (target function) के सन्निकटन (approximation) को समाहित करता है। इसके अलावा, क्वांटम सर्किटों पर सामान्य मल्टीवेरिएट बहुपदों (multivariate polynomials) को लागू करने में आमतौर पर घातांकीय संसाधन जटिलता (exponential resource complexity) आती है, जो उन्हें निकट-अवधि के उपकरणों (near-term devices) के लिए अव्यवहार्य बनाती है।

2. कार्यप्रणाली (Methodology)

लेखक PDE के कुशल सॉल्वर बनाने के लिए क्वांटम मशीन लर्निंग (QML) को टेन्सर रैंक अपघटन (Tensor Rank Decomposition) के साथ संयोजित करने वाला एक ढांचा प्रस्तावित करते हैं।

A. गणितीय आधार: टेन्सर-डिकम्पोज्ड पॉलिनोमिअल्स (Tensor-Decomposed Polynomials)

मुख्य नवाचार हाइपोथीसिस स्पेस को टेन्सर-डिकम्पोज्ड (TD) पॉलिनोमिअल्स तक सीमित करना है।

परिभाषा: एक मल्टीवेरिएट बहुपद $p(x)$ को यूनिवेरिएट पॉलिनोमिअल्स के उत्पादों के योग के रूप में व्यक्त किया जाता है:
$p(x) = \sum_{r=1}^{R} \lambda_r \prod_{j=1}^{D} p_{r,j}(x_j)$
जहाँ $R$ टेन्सर रैंक है।
प्रेरणा: कई PDE समाधान (मर्टन HJB समीकरण सहित) ऐसे विभाज्य (separable) संरचनाओं को प्रदर्शित करते हैं जिन्हें लो-रैंक टेन्सर अपघटन द्वारा अच्छी तरह से अनुमानित किया जा सकता है।
संसाधन जटिलता: जबकि सामान्य मल्टीवेरिएट बहुपद घातांकीय सर्किट डेप्थ की आवश्यकता रखते हैं, लेखक सिद्ध करते हैं कि यदि टेन्सर रैंक $R$ मध्यम हो, तो TD पॉलिनोमिअल्स को पॉलीनोमियल जटिलता (सर्किट डेप्थ और पैरामीटर्स के संदर्भ में) के साथ लागू किया जा सकता है।

B. क्वांटम आर्किटेक्चर (Quantum Architecture)

लेखक दो विशिष्ट मॉडल डिज़ाइन करते हैं:

क्वांटम फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (QPINN):
- संरचना: TD पॉलिनोमिअल को लागू करने वाले एक पैरामीटराइज्ड क्वांटम सर्किट (PQC) पर आधारित।
- संवर्द्धन: सर्किट में एक एंटैंगलिंग लेयर (कंट्रोल्ड यूनिटरी $e^{-iH(\lambda)}$ ) जोड़ी गई है। यह लेयर सर्किट में नॉन-सेपरेबल मल्टी-क्यूबिट सहसंबंधों (correlations) को पेश करती है, जिससे हाइपोथीसिस स्पेस सरल टेन्सर उत्पादों से आगे बढ़कर अधिक अभिव्यंजक (expressive) हो जाता है।
- हाइपोथीसिस स्पेस: इसमें एक निश्चित डिग्री और रैंक के सभी TD पॉलिनोमिअल्स, साथ ही अतिरिक्त एंटेंगल्ड स्टेट्स शामिल हैं।
क्वांटम-इंस्पायर्ड PINN (Quantum-Inspired PINN):
- संरचना: QPINN का एक क्लासिकल सिमुलेशन जहाँ एंटैंगलिंग लेयर को हटा दिया गया है (या आइडेंटिटी सेट कर दिया गया है)।
- कार्य: यह सख्ती से TD पॉलिनोमिअल संरचना को लागू करता है।
- महत्व: यह एक क्लासिकल बेसलाइन के रूप में कार्य करता है जो क्वांटम मॉडल के समान ही "इंडक्टिव बायस" (structural assumption) साझा करता है, लेकिन यह चलाने में कंप्यूटेशनल रूप से सस्ता है।

C. सैद्धांतिक गारंटी (Theoretical Guarantees)

सन्निकटन की उपस्थिति: लेखक सिद्ध करते हैं कि उनके QPINN का हाइपोथीसिस स्पेस सभी TD पॉलिनोमिअल्स के सेट को स्पष्ट रूप से समाहित करता है। चूंकि कई PDE समाधान ऐसे अपघटन को स्वीकार करते हैं, इसलिए एक अच्छे सन्निकटन की उपस्थिति की गारंटी है (सामान्य HEA-आधारित QPINNs के विपरीत)।
जटिलता विश्लेषण:
- यूनिवेरिएट: $O(L)$ डेप्थ।
- सामान्य मल्टीवेरिएट: घातांकीय डेप्थ $O(L^D)$ ।
- TD पॉलिनोमिअल: पॉलीनोमियल डेप्थ $O(RDL \log R)$ और पैरामीटर्स $O(RDL)$।

3. प्रमुख योगदान (Key Contributions)

कुशल क्वांटम कार्यान्वयन: शोध पत्र एक विस्तृत संसाधन विश्लेषण प्रदान करता है जो दिखाता है कि टेन्सर अपघटन का उपयोग करके घातांकीय संसाधन स्केलिंग से बचने के लिए क्वांटम संसाधन जटिलता को घातांकीय से पॉलीनोमियल में कैसे कम किया जा सकता है, जिससे यह NISQ उपकरणों के लिए व्यवहार्य हो जाता है।
सैद्धांतिक गारंटी: पिछले QPINN कार्यों के विपरीत, यह मॉडल गारंटी देता है कि हाइपोथीसिस स्पेस में विभाज्य समाधानों वाले PDEs के लिए उपयुक्त सन्निकटन मौजूद है, जो टेन्सर रैंक अपघटन के गुणों पर आधारित है।
दोहरा मॉडल ढांचा: QPINN (एंटैंगलमेंट के साथ) और क्वांटम-इंस्पायर्ड PINN (क्लासिकल रूप से सिमुलेबल) दोनों का परिचय "क्वांटम एडवांटेज" बनाम "इंडक्टिव बायस एडवांटेज" के कठोर विश्लेषण की अनुमति देता है।
वित्त में अनुप्रयोग: इस ढांचे को मर्टन पोर्टफोलियो ऑप्टिमाइज़ेशन समस्या पर सफलतापूर्वक लागू किया गया है, जो एक महत्वपूर्ण वास्तविक दुनिया की वित्तीय PDE है।

4. प्रयोगात्मक परिणाम (Experimental Results)

मॉडलों का परीक्षण मर्टन HJB PDE पर निम्नलिखित मापदंडों के साथ किया गया था: $r=0.02, T=1.0, \gamma=0.95, \mu=0.0219, \sigma=0.2$ ।

तुलना के लिए मॉडल (Comparators):
- QPINN: 7 ट्रेन करने योग्य पैरामीटर्स (6 TD संरचना से + 1 एंटैंगलिंग)।
- क्वांटम-इंस्पायर्ड PINN: 6 ट्रेन करने योग्य पैरामीटर्स (केवल TD संरचना)।
- काउंटरपार्ट PINN: समान TD इंडक्टिव बायस वाला एक क्लासिकल PINN (6 पैरामीटर्स)।
- FC PINN: एक मानक फुली कनेक्टेड PINN जिसमें 5 हिडन लेयर्स हैं (481 पैरामीटर्स, क्वांटम मॉडलों की तुलना में ~80 गुना अधिक)।
प्रदर्शन:
- अभिसरण (Convergence): QPINN और क्वांटम-इंस्पायर्ड PINN दोनों ने FC PINN की तुलना में तेजी से अभिसरण किया और कम लॉस (loss) प्राप्त किया, जबकि उनके पास 80 गुना कम पैरामीटर्स थे।
- सटीकता (Accuracy): QPINN ने उच्चतम सटीकता प्राप्त की, जो क्वांटम-इंस्पायर्ड PINN से बेहतर थी। यह दर्शाता है कि सीमाओं के पास जटिल विशेषताओं को पकड़ने में एंटैंगलमेंट लेयर (क्वांटम अभिव्यंजकता) का लाभ मिलता है।
- इंडक्टिव बायस: क्वांटम-इंस्पायर्ड PINN ने FC PINN को पछाड़ दिया, जिससे यह सिद्ध हुआ कि टेन्सर-डिकम्पोज्ड संरचना (इंडक्टिव बायस) दक्षता का प्राथमिक चालक है, न कि केवल क्वांटम हार्डवेयर।
- विजुअल्स: QPINN की सतह पूरे डोमेन में विश्लेषणात्मक समाधान (analytical solution) के बहुत करीब थी, जबकि FC PINN में महत्वपूर्ण विचलन देखे गए।

5. महत्व और निष्कर्ष (Significance and Conclusion)

संसाधन दक्षता: यह कार्य दर्शाता है कि घातांकीय संसाधन स्केलिंग से बचने के लिए टेन्सर अपघटन का लाभ उठाकर निकट-अवधि के क्वांटम हार्डवेयर पर संरचित PDEs को हल करने का एक व्यवहार्य मार्ग है।
इंडक्टिव बायस बनाम क्वांटम एडवांटेज: यह अध्ययन स्पष्ट करता है कि पोर्टफोलियो ऑप्टिमाइज़ेशन जैसी संरचित समस्याओं के लिए, संरचनात्मक इंडक्टिव बायस (टेन्सर अपघटन) अत्यंत महत्वपूर्ण है। क्वांटम एडवांटेज (एंटैंगलमेंट) अभिव्यंजकता और सटीकता में और अधिक वृद्धि करता है, जिससे मॉडल समान पैरामीटर संख्या के साथ क्लासिकल नेटवर्क से भी बेहतर प्रदर्शन कर पाता है।
व्यावहारिकता: "क्वांटम-इंस्पायर्ड" मॉडल यह सुझाव देता है कि क्वांटम हार्डवेयर के बिना भी, इन विशिष्ट आर्किटेक्चरल बायस को अपनाने से बेहतर क्लासिकल सॉल्वर प्राप्त किए जा सकते हैं। हालाँकि, QPINN दिखाता है कि क्वांटम एंटैंगलमेंट उस प्रदर्शन को भी आगे बढ़ा सकता है जो क्लासिकली उसी पैरामीटर काउंट के साथ प्राप्त करना संभव नहीं है।
भावी कार्य: लेखक नोट करते हैं कि जबकि अभिव्यंजकता में सुधार हुआ है, प्रशिक्षण क्षमता (बैरन प्लेटो/barren plateaus से बचना) और कठोर त्रुटि सीमाएं भविष्य के अनुसंधान के लिए खुले क्षेत्र हैं।

संक्षेप में, यह शोध पत्र टेन्सर-डिकम्पोज्ड आर्किटेक्चर के माध्यम से क्वांटम कंप्यूटिंग की क्षमता और व्यावहारिक निकट-अवधि अनुप्रयोगों के बीच के अंतर को पाटते हुए, वित्तीय PDEs को हल करने के लिए एक सैद्धांतिक रूप से सुदृढ़ और प्रयोगात्मक रूप से सत्यापित दृष्टिकोण प्रस्तुत करता है।