Classical Tensor Network and Quantum Fourier Transform Approaches for Large-Scale Carr-Madan Option Pricing

कल्पना कीजिए कि आप किसी स्टॉक की भविष्य की कीमत का अनुमान लगाने की कोशिश कर रहे हैं, लेकिन केवल एक संख्या देखने के बजाय, आपको एक ही समय में हजारों अलग-अलग संभावित कीमतों के लिए एक वित्तीय अनुबंध (financial contract) का मूल्य निकालना है। यह "ऑप्शन प्राइसिंग" (option pricing) की दुनिया है, जो वित्तीय गणित की एक शाखा है जहाँ वैज्ञानिक यह पता लगाने के लिए जटिल समीकरणों का उपयोग करते हैं कि आज किसी स्टॉक पर लगाए गए दांव की कीमत क्या है। पेचीदा बात यह है कि इस गणित में अक्सर "फूरियर ट्रांसफॉर्म" (Fourier Transform) नामक उपकरण का उपयोग होता है, जो एक जादुई प्रिज्म की तरह है जो एक जटिल संकेत (जैसे स्टॉक की कीमत का उतार-चढ़ाव) को उसके व्यक्तिगत आवृत्ति रंगों (frequency colors) में तोड़ देता है। हालाँकि यह प्रिज्म अविश्वसनीय रूप से उपयोगी है, लेकिन बड़े पैमाने पर इसे क्लासिकल कंप्यूटरों पर चलाने की कोशिश करना एक लाइब्रेरी को अपने बैकपैक में ले जाने जैसा है; मेमोरी की आवश्यकता इतनी तेजी से बढ़ती है कि कंप्यूटर काम पूरा करने से पहले ही जगह खत्म होने की वजह से रुक जाता है।

यहीं से कहानी दिलचस्प होती है। वैज्ञानिक इस मेमोरी समस्या को हल करने के दो बहुत अलग तरीकों की तलाश कर रहे थे। एक रास्ता क्वांटम कंप्यूटरों की अजीब, सुपर-शक्तिशाली दुनिया की ओर ले जाता है, जो विशाल गणनाओं को संभालने के लिए सूक्ष्म कणों के नियमों का उपयोग करते हैं। दूसरा रास्ता हमारे परिचित क्लासिकल कंप्यूटरों पर ही रहता है और "टेंसर नेटवर्क" (tensor network) नामक एक बहुत ही सघन, संकुचित प्रारूप में डेटा को समाहित करने की कोशिश करता है। बड़ा सवाल यह था: क्या हम क्वांटम कंप्यूटरों द्वारा उपयोग किए जाने वाले चतुर तरीकों को वास्तव में एक क्वांटम मशीन की आवश्यकता के बिना हमारे सामान्य लैपटॉप पर चला सकते हैं?

इस शोध पत्र में, साशा एच. हाउक और इविका टुरकलज कहते हैं, "हाँ, हम कर सकते हैं।" उन्होंने एक नई विधि विकसित की जिसे "सुपरफास्ट फूरियर ट्रांसफॉर्म" (SFFT) कहा जाता है। इसे एक "ओरिगामी" तकनीक के रूप में सोचें, जो स्टॉक की कीमतों के एक विशाल, भारी नक्शे को एक छोटे, जेब के आकार के ओरिगामी क्रेन (origami crane) में मोड़ देती है, जिसमें अभी भी सारा महत्वपूर्ण जानकारी सुरक्षित रहती है। इस "ओरिगामी" तकनीक का उपयोग करके, उन्होंने दिखाया कि उनकी विधि यूरोपीय कॉल ऑप्शंस (एक विशिष्ट प्रकार का वित्तीय अनुबंध) को पुराने, भारी तरीकों की तरह ही सटीकता से मूल्यवान बना सकती है, लेकिन बिना किसी सुपरकंप्यूटर की हार्ड ड्राइव की आवश्यकता के। उन्होंने इसे क्लासिकल कंप्यूटरों और क्वांटम सिम्युलेटर दोनों पर परखा, जिससे पता चला कि उनके नए दृष्टिकोण में बहुत कम मेमोरी लगती है और जैसे-जैसे समस्या बड़ी होती जाती है, इसकी जटिलता बहुत धीमी गति से बढ़ती है। हालांकि उन्होंने हर वित्तीय रहस्य को हल नहीं किया है, लेकिन उनका काम यह सिद्ध करता है कि हम अपने वर्तमान कंप्यूटरों को विशाल वित्तीय गणनाओं को संभालने में अधिक कुशल बनाने के लिए क्वांटम भौतिकी के सर्वोत्तम विचारों को उधार ले सकते हैं।

शोध पत्र की मुख्य खोज

लेखक वित्तीय गणित में एक विशिष्ट बाधा का समाधान करते हैं: "मेमोरी वॉल" (memory wall)। कैर-मैदान (Carr–Madan) पद्धति का उपयोग करके ऑप्शंस की कीमत निर्धारित करते समय, जो फूरियर ट्रांसफॉर्म पर निर्भर करती है, डेटा की मात्रा तेजी से बढ़ती जाती है जब आप अधिक स्ट्राइक प्राइसेस के लिए कीमतें निकालने का प्रयास करते हैं। एक क्लासिकल कंप्यूटर जो मानक फास्ट फूरियर ट्रांसफॉर्म (FFT) के साथ ऐसा करने की कोशिश करता है, उसे संख्याओं के एक विशाल, सघन वेक्टर (vector) को स्टोर करना पड़ता है। यदि आप सटीकता को थोड़ा सा भी बढ़ाना चाहते हैं, तो आवश्यक मेमोरी दोगुनी हो जाती है, फिर फिर से दोगुनी हो जाती है, और जल्दी ही इसे संभालना असंभव हो जाता है।

इस दीवार को तोड़ने के लिए, लेखकों ने मूल्य निर्धारण की समस्या को टेंसर नेटवर्क (Tensor Networks) का उपयोग करके पुनर्गठित किया, विशेष रूप से एक संरचना जिसे टेंसर ट्रेन (TT) कहा जाता है। कल्पना कीजिए कि लोगों की एक लंबी श्रृंखला है जो हाथ पकड़े हुए है, जहाँ प्रत्येक व्यक्ति को लाइन में संदेश आगे बढ़ाने के लिए केवल अपने निकटतम पड़ोसियों के बारे में जानने की आवश्यकता होती है। इस उपमा में, "संदेश" वित्तीय डेटा है। पूरी विशाल संख्याओं की सूची (पूरी लाइब्रेरी) को स्टोर करने के बजाय, टेंसर ट्रेन केवल संख्याओं के बीच के छोटे, स्थानीय संबंधों को स्टोर करता है। यह एक कंप्यूटर को एक घातीय रूप से बड़े डेटासेट को बहुत कम मेमोरी का उपयोग करके प्रदर्शित करने की अनुमति देता है।

यह शोध पत्र एक विशिष्ट एल्गोरिदम पेश करता है जिसे सुपरफास्ट फूरियर ट्रांसफॉर्म (SFFT) कहा जाता है। यह क्वांटम फूरियर ट्रांसफॉर्म (QFT) का एक संकुचित संस्करण है। आमतौर पर, QFT एक सर्किट है जिसे क्वांटम कंप्यूटरों के लिए डिज़ाइन किया गया है जो डेटा को अविश्वसनीय रूप से तेज़ी से प्रोसेस कर सकता है लेकिन इसे चलाने के लिए क्वांटम मशीन की आवश्यकता होती है। लेखकों ने महसूस किया कि QFT की गणितीय संरचना इतनी कुशल है कि इसे एक क्लासिकल टेंसर ट्रेन प्रारूप में "अनुवादित" किया जा सकता है। वे इस अनुवाद को SFFT कहते हैं।

यहाँ व्यावहारिक रूप से उनका तरीका कैसे काम करता है:

1. संपीड़न (Compression): वे वित्तीय डेटा (स्टॉक की कीमत का विशेषता फलन/characteristic function) को एक टेंसर ट्रेन के रूप में प्रस्तुत करते हैं।
2. जादुई ऑपरेशन: एक भारी, मेमोरी-हंगरी FFT चलाने के बजाय, वे सीधे संकुचित टेंसर ट्रेन पर SFFT ऑपरेटर लागू करते हैं। यह बिना फोल्ड किए हुए ओरिगामी पर जटिल गणना करने जैसा है।
3. परिणाम: आउटपुट ऑप्शन की कीमत है, जो अभी भी एक संकुचित प्रारूप में है, जिसे फिर पढ़ा जा सकता है।

उन्होंने क्या पाया और क्या खारिज किया

लेखकों ने ब्लैक-स्कोल्स मॉडल (स्टॉक की कीमतों का एक मानक, प्रसिद्ध मॉडल) के तहत यूरोपीय कॉल ऑप्शंस के लिए संख्यात्मक प्रयोग चलाए। उन्होंने तीन दृष्टिकोणों की तुलना की:

1. पारंपरिक FFT (पुराना, भारी तरीका)।
2. नया SFFT (संकुचित, टेंसर नेटवर्क वाला तरीका)।
3. QFT (क्वांटम तरीका, जो कंप्यूटर पर सिम्युलेट किया गया और वास्तविक क्वांटम हार्डवेयर पर चलाया गया)।

परिणाम:

• मेमोरी बचत: SFFT पद्धति ने उच्च मूल्य निर्धारण सटीकता बनाए रखी और मेमोरी के उपयोग को नाटकीय रूप से कम कर दिया। उनके सिमुलेशन में, जैसे-जैसे उन्होंने क्यूबिट्स (जो गणना के ग्रिड आकार के अनुरूप है) की संख्या बढ़ाई, मानक FFT के लिए आवश्यक मेमोरी घातीय रूप से बढ़ी, जो जल्दी ही अनियंत्रित हो गई। इसके विपरीत, SFFT की मेमोरी खपत बहुत धीरे-धीरे बढ़ी, जो बड़े ग्रिडों के लिए भी प्रबंधनीय रही।
• गति और स्केलिंग: SFFT की कम्प्यूटेशनल लागत 'सब-एक्सपोनेंशियल' (sub-exponential) रूप से स्केल करती है। इसका अर्थ है कि जैसे-जैसे समस्या बड़ी होती है, समय और संसाधनों की आवश्यकता पारंपरिक FFT की तरह विस्फोट नहीं करती है।
• क्वांटम तुलना: जब उन्होंने अपने क्लासिकल SFFT की तुलना क्वांटम QFT से की, तो उन्होंने पाया कि दोनों दृष्टिकोण पारंपरिक पद्धति के घातीय स्केलिंग से बचते हैं। SFFT अनिवार्य रूप से क्वांटम दृष्टिकोण की दक्षता को क्लासिकल हार्डवेयर तक लाता है।

उन्होंने क्या खारिज किया:
शोध पत्र स्पष्ट रूप से इस विचार का खंडन करता है कि इन विशिष्ट समस्याओं के लिए इस स्तर की दक्षता प्राप्त करने के लिए हमें एक भौतिक क्वांटम कंप्यूटर का उपयोग करना ही होगा। वे प्रदर्शित करते हैं कि फूरियर ट्रांसफॉर्म की "टेंसर-प्रोडक्ट संरचना", जो QFT को इतना शक्तिशाली बनाती है, को टेंसर नेटवर्क का उपयोग करके क्लासिकल हार्डवेयर पर कुशलतापूर्वक उपयोग किया जा सकता है। वे यह दावा नहीं करते कि SFFT छोटे (small) समस्याओं के लिए FFT से तेज़ है (जहाँ संपीड़न का ओवरहेड शायद सार्थक नहीं है), बल्कि वे दिखाते हैं कि बड़े पैमाने की समस्याओं के लिए, क्लासिकल टेंसर नेटवर्क दृष्टिकोण, ब्रूट-फोर्स FFT का एक बेहतर विकल्प है।

हम कितने आश्वस्त हैं?

लेखक अपने निष्कर्षों के प्रति बहुत आश्वस्त हैं। उन्होंने केवल यह सुझाव नहीं दिया कि यह काम कर सकता है; उन्होंने इसे मापा।

• सटीकता: उन्होंने सत्यापित किया कि SFFT द्वारा दी गई कीमतें ज्ञात विश्लेषणात्मक ब्लैक-स्कोल्स कीमतों से उच्च सटीकता के साथ मेल खाती हैं। उन्होंने 'नॉर्मलाइज्ड रूट मीन स्क्वेर्ड एरर' (NRMSE) नामक मीट्रिक का उपयोग करके यह दिखाया कि ग्रिड का आकार बढ़ने पर भी त्रुटि कम बनी रहती है।
• सिमुलेशन और हार्डवेयर: उन्होंने अपने एल्गोरिदम का परीक्षण क्लासिकल हार्डवेयर (एक कंप्यूटर क्लस्टर) पर किया और क्वांटम समकक्ष को क्वांटम सिम्युलेटर और वास्तविक क्वांटम हार्डवेयर पर भी चलाया। क्लासिकल SFFT और क्वांटम QFT दोनों से प्राप्त परिणाम उनके सैद्धांतिक अनुमानों के अनुरूप थे, जो यह दिखाते हैं कि दोनों ही घातीय मेमोरी बाधा से बचते हैं।
• सीमाएँ: शोध पत्र नोट करता है कि SFFT इस बात पर निर्भर करता है कि इनपुट डेटा में "लो-रैंक स्ट्रक्चर" (low-rank structure) हो (अर्थात, डेटा को अच्छी तरह से संकुचित किया जा सके)। यदि डेटा बहुत अराजक है जिसे संकुचित नहीं किया जा सकता, तो यह विधि उतनी कुशल नहीं होगी। हालाँकि, उनके द्वारा परीक्षण किए गए वित्तीय मॉडलों (जैसे ब्लैक-स्कोल्स और वेरिएंस गामा) के लिए, डेटा बहुत अच्छी तरह से संकुचित हुआ, जिससे "रैंक" (श्रृंखला में कनेक्शन का आकार) छोटा रहा, जो आमतौर पर 10 या उससे कम था।

संक्षेप में, यह शोध पत्र एक एकीकृत ढांचा प्रदान करता है जो क्लासिकल फूरियर प्राइसिंग, टेंसर नेटवर्क एल्गोरिदम और क्वांटम कंप्यूटिंग को जोड़ता है। यह दिखाता है कि टेंसर ट्रेन में गणित को मोड़कर, हम क्लासिक कंप्यूटरों पर बहुत कम मेमोरी के साथ बड़े पैमाने पर ऑप्शन प्राइसिंग कर सकते हैं, जो पूर्ण रूप से परिपक्व होने की प्रतीक्षा किए बिना उच्च-आयामी वित्तीय गणनाओं के लिए एक स्केलेबल विकल्प प्रदान करता है।