Insurance portfolio simulation with a quantum circuit
यह शोध पत्र बीमा पोर्टफोलियो सिमुलेशन के लिए एक क्वांटम सर्किट बॉर्न मशीन (QCBM) दृष्टिकोण प्रस्तावित करता है जो जटिल संयुक्त हानि वितरणों को प्रभावी ढंग से मॉडल करने और क्वांटम हार्डवेयर पर टेल रिस्क (tail risks) को सटीक रूप से कैप्चर करने के लिए टेल-केंद्रित विवेकीकरण (tail-focused discretization), एक मोंटे कार्लो-शैली के उद्देश्य (Monte Carlo-style objective), और एक दो-चरणीय पदानुक्रमित प्रशिक्षण योजना का उपयोग करता 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 लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
बीमा कंपनियाँ एक सरल सिद्धांत पर काम करती हैं: वे कई लोगों से छोटे, निरंतर भुगतान एकत्र करती हैं ताकि उन दुर्लभ, विनाशकारी घटनाओं को कवर किया जा सके जो कुछ ही लोगों के साथ घटित हो सकती हैं। सक्षम बने रहने के लिए, इन फर्मों को यह समझना चाहिए कि विभिन्न जोखिम एक साथ कैसे व्यवहार करते हैं। यदि कोई तूफान आता है, तो यह घरों और कारों को एक साथ नुकसान पहुँचा सकता है, जिससे दावों (claims) में अचानक उछाल आ सकता है। साथ ही, वही तूफान निवेश के रूप में बीमाकर्ता द्वारा रखे गए शेयरों और बॉन्ड के मूल्य को भी गिरा सकता है। यह दोहरा झटका कंपनी की स्थिरता के लिए खतरा पैदा कर सकता है। तैयारी करने के लिए, एक्चुरियल्स (actuaries)—जो जोखिम की गणना करने के विशेषज्ञ होते हैं—ऐसे गणितीय मॉडल बनाने का प्रयास करते हैं जो यह वर्णन कर सकें कि ये विभिन्न नुकसान और संपत्ति के मूल्य एक-दूसरे के संबंध में कैसे चलते हैं। चुनौती यह है कि वास्तविक दुनिया का डेटा अव्यवस्थित होता है। चरम घटनाएँ दुर्लभ होती हैं, जिसका अर्थ है कि अध्ययन करने के लिए बहुत कम डेटा उपलब्ध है, फिर भी ये वे क्षण होते हैं जो सबसे अधिक महत्वपूर्ण होते हैं। पारंपरिक तरीके अक्सर इन दुर्लभ, उच्च-दांव वाले परिदृश्यों को पकड़ने में संघर्ष करते हैं, विशेष रूप से जब डेटा सीमित हो।
शोधकर्ताओं की एक टीम ने अब एक अलग रास्ता खोजा है, जिसमें इन जटिल संबंधों को मॉडल करने के लिए एक क्वांटम कंप्यूटर का उपयोग किया गया है। उन्होंने एक विशिष्ट प्रकार की समस्या पर ध्यान केंद्रित किया: बीमा नुकसान और शेयर बाजार के रिटर्न के मिश्रण के लिए एक 'जॉइंट डिस्ट्रीबション' (joint distribution) को फिट करना। इस संदर्भ में, जॉइंट डिस्ट्रीबション केवल एक मानचित्र है जो यह दिखाता है कि विभिन्न चरों (variables) के लिए एक ही समय में विशिष्ट मान (values) होने की कितनी संभावना है। शोधकर्ता यह देखना चाहते थे कि क्या एक क्वांटम सर्किट—एक क्वांटम प्रोसेसर पर चलने वाला प्रोग्राम—मानक तरीकों की तुलना में इस मानचित्र को अधिक प्रभावी ढंग से सीख सकता है, विशेष रूप से डेटा के "टेल्स" (tails) में, जो सबसे चरम और खतरनाक परिणामों का प्रतिनिधित्व करते हैं। उनका कार्य बताता है कि डेटा को व्यवस्थित करने के एक चतुर तरीके और एक विशेष प्रशिक्षण पद्धति को जोड़कर, क्वांटम मशीनें वास्तव में इन जटिल पैटर्न को सीख सकती हैं, भले ही डेटा विरल (sparse) क्यों न हो।
शोधकर्ताओं ने स्टॉक मार्केट के नुकसान और तीन अलग-अलग प्रकार के बीमा दावों के साप्ताहिक रिकॉर्ड वाले एक डेटासेट के साथ शुरुआत की। वे जानते थे कि इस डेटा को कंप्यूटर में फीड करने के पारंपरिक तरीके सबसे खराब परिदृश्यों को पकड़ने में विफल रहेंगे। यदि आप संख्याओं की एक सीमा को समान आकार के बर्तनों (buckets) में विभाजित करते हैं, तो चरम छोरों को कवर करने वाले बर्तनों का आकार बीच वाले बर्तनों जितना ही चौड़ा होता है। इसका मतलब है कि कंप्यूटर के पास एक मध्यम स्तर के नुकसान और एक वास्तव में विनाशकारी नुकसान के बीच अंतर करने के लिए बहुत कम जगह होती है। इस समस्या को हल करने के लिए, टीम ने एक ऐसी प्रणाली डिजाइन की जिसने चरम छोरों में अधिक विवरण भरा। उन्होंने सभी अवलोकनों (observations) के पहले आधे हिस्से को पहले बकेट में, अगले चौथाई को दूसरे में, अगले आठवें को तीसरे में, और इसी तरह आवंटित किया। इस घातांकीय (exponential) दृष्टिकोण का अर्थ था कि अंतिम बकेट, जिसमें सबसे चरम नुकसान थे, अविश्वसनीय रूप से संकीर्ण था, जिससे मॉडल को सबसे खराब घटनाओं के सूक्ष्म विवरण देखने में मदद मिली।
एक बार डेटा व्यवस्थित हो जाने के बाद, टीम के सामने एक और बाधा आई: क्वांटम कंप्यूटर को पैटर्न पहचानने के लिए कैसे सिखाया जाए। आमतौर पर, एक मशीन लर्निंग मॉडल को उसके अनुमानों की वास्तविक डेटा से तुलना करके और अंतर को कम करने के लिए उसकी सेटिंग्स को समायोजित करके प्रशिक्षित किया जाता है। हालाँकि, बहुत कम डेटा बिंदुओं और कई संभावित परिणामों के साथ, इस अंतर को मापने का मानक तरीका अविश्वसनीय और शोर (noisy) से भरा हो जाता है। शोधकर्ताओं ने इस शोर को कम करने के लिए एक नई विधि विकसित की। हर एक बकेट के डेटा की तुलना एक साथ करने के बजाय, उन्होंने बकेट्स को यादृच्छिक रूप से बड़े, मोटे समूहों में विभाजित किया और उनकी तुलना की। इन रैंडम ग्रुपिंग को कई बार दोहराकर और परिणामों का औसत निकालकर, उन्होंने एक स्थिर संकेत बनाया जिसने कंप्यूटर को यह बताया कि अपने सेटिंग्स को सुधारने के लिए उसे किस दिशा में आगे बढ़ना चाहिए। इसने सीमित डेटा के बावजूद प्रशिक्षण को सुचारू रूप से आगे बढ़ने में मदद की।
प्रशिक्षण प्रक्रिया स्वयं दो चरणों में बनाई गई थी ताकि कंप्यूटर कुशलतापूर्वक सीख सके। सबसे पहले, टीम ने एक क्लासिकल कंप्यूटर सिम्युलेटर पर मॉडल के एक छोटे संस्करण को प्रशिक्षित किया। इस छोटे मॉडल में कम "क्यूबिट्स" (qubits) का उपयोग किया गया था, जो एक क्वांटम कंप्यूटर की सूचना की बुनियादी इकाइयाँ हैं। एक बार जब इस छोटे मॉडल ने जोखिम वितरण के सामान्य आकार को सीख लिया, तो शोधकर्ताओं ने इसका ज्ञान एक बड़े, अधिक विस्तृत मॉडल में स्थानांतरित कर दिया। इसके बाद, उन्होंने केवल बड़े मॉडल के नए हिस्सों को वास्तविक क्वांटम हार्डवेयर पर फाइन-ट्यून किया। 'हाइरार्किकल लर्निंग' (hierarchical learning) के रूप में जानी जाने वाली यह पद्धति एक 'वार्म स्टार्ट' (warm start) की तरह थी, जिसने जटिल मशीन को शून्य से सीखने के बजाय एक शुरुआती बढ़त दी। उन्होंने इसके लिए ट्रैप्ड-आयन (trapped-ion) क्वांटम कंप्यूटर का उपयोग किया, जो गणना करने के लिए विद्युत चुम्बकीय क्षेत्रों द्वारा नियंत्रित व्यक्तिगत परमाणुओं का उपयोग करता है।
परिणामों ने दिखाया कि यह दृष्टिकोण सफल रहा। क्वांटम मॉडल ने विभिन्न प्रकार के जोखिमों के बीच संबंधों को सफलतापूर्वक सीखा। इसने सही ढंग से पहचाना कि बुरे समय के दौरान विभिन्न बीमा लाइनें एक साथ चलती हैं, जबकि शेयर बाजार का रिटर्न बीमा नुकसान से काफी हद तक स्वतंत्र रहता है। जब टीम ने पोर्टफोलियो के कुल संभावित नुकसान को देखा, तो घातांकीय एनकोडिंग (exponential encoding) के साथ प्रशिक्षित मॉडल वास्तविक डेटा में देखे गए चरम मानों तक पहुँचने में सक्षम रहा। इसके विपरीत, मानक, यूनिफॉर्म विधि का उपयोग करने वाला मॉडल अत्यधिक उच्च मान उत्पन्न नहीं कर सका; यह वास्तविकता से बहुत नीचे एक सीमा (ceiling) पर ही रुक गया। हालाँकि, घातांकीय मॉडल सैकड़ों गुना बड़े नुकसान का प्रतिनिधित्व कर सका, जो मध्य मान (median) से कहीं अधिक था, और इसने 'टेल' के वास्तविक खतरे को पकड़ा।
बेशक, कुछ सीमाएँ भी थीं। क्वांटम हार्डवेयर पर प्रशिक्षित मॉडल का प्रदर्शन क्लासिकल कंप्यूटर पर सिम्युलेट किए गए मॉडल की तुलना में थोड़ा कम था। शोधकर्ताओं ने पाया कि यह अंतर मुख्य रूप से क्वांटम मशीन की त्रुटियों के कारण नहीं था, बल्कि इसलिए था क्योंकि वे डेटा एकत्र करने के लिए मशीन को केवल सीमित संख्या में ही चला सकते थे। संभावनाओं की स्पष्ट तस्वीर बनाने के लिए क्वांटम कंप्यूटर को कई बार चलाने की आवश्यकता होती है, और वर्तमान तकनीक के साथ, वे सिमुलेशन की सटीकता से मेल खाने के लिए इसे पर्याप्त बार नहीं चला सके। फिर भी, प्रयोग ने सिद्ध किया कि यह विधि व्यवहार्य है। पदानुक्रमित प्रशिक्षण योजना (hierarchical training scheme) ने शून्य से शुरू करने की तुलना में त्रुटि को आधे से अधिक कम करके बेहतर प्रदर्शन किया।
अध्ययन यह निष्कर्ष निकालता है कि क्वांटम सर्किट को भारी-पूंछ (heavy-tailed) और विरल डेटा को संभालने के लिए अनुकूलित किया जा सकता है, लेकिन केवल तभी जब पूरी प्रक्रिया को इन विशिष्ट चुनौतियों को ध्यान में रखकर डिजाइन किया जाए। स्मूथ और अधिक सामान्य डेटा वितरण के लिए विकसित मानक तरीके सीधे तौर पर काम नहीं करते हैं। इस परियोजना की सफलता तीन प्रमुख नवाचारों पर टिकी थी: डेटा को एनकोड करने का एक तरीका जो चरम सीमाओं पर ध्यान केंद्रित करता है, एक प्रशिक्षण उद्देश्य जो कम नमूनों के साथ भी स्थिर रहता है, और एक दो-चरणीय शिक्षण प्रक्रिया जो जटिलता को धीरे-धीरे विकसित करती है। हालाँकि शोधकर्ताओं ने जोखिम मॉडलिंग की समस्या को पूरी तरह से हल करने का दावा नहीं किया है, लेकिन उन्होंने एक कार्यशील पाइपलाइन प्रदर्शित की है जो डेटा से क्वांटम-जनित जोखिम मॉडल तक जाती है। उन्होंने उल्लेख किया कि इसे उद्योग के लिए एक व्यावहारिक उपकरण बनाने के लिए, भविष्य के कार्यों में हार्डवेयर को चलाने की संख्या को संबोधित करने और इसे और भी बड़े पोर्टफोलिपियो पर परीक्षण करने की आवश्यकता होगी। फिलहाल, यह कार्य इस बात का प्रमाण है कि क्वांटम मशीनें दुर्लभ और खतरनाक वित्तीय घटनाओं के आकार को मैप करना शुरू कर सकती हैं।
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।