A Noise-Aware Quantum Algorithm for Credit Valuation Adjustments on Real Quantum Hardware

Sintesi Tecnica: Un Algoritmo Quantistico Consapevole del Rumore per il Credit Valuation Adjustment su Hardware Quantistico Reale

Definizione del Problema
Il Credit Valuation Adjustment (CVA) è una componente critica della valutazione dei derivati che tiene conto del rischio di credito della controparte. Quantitativamente, il CVA richiede la stima ripetuta di aspettative risk-neutral su portafogli complessi e multi-asset, un compito tradizionalmente gestito tramite simulazione Monte Carlo (MC). Mentre la MC classica scala come $O(N^{-1/2})$, la Quantum Amplitude Estimation (QAE) offre un vantaggio teorico quadratico, scalando come $O(N^{-1})$. Tuttavia, tradurre questo vantaggio asintotico in un workflow finanziario pratico su dispositivi NISQ (Noisy Intermediate-Scale Quantum) attuali rimane una sfida aperta. Proposte precedenti a livello di circuito, come quella di Alcazar et al. (2022), si sono concentrate su istanze semplificate di singolo option e si sono basate su simulazioni ideali, lasciando non affrontata la degradazione dell'informazione quantistica dovuta al rumore dell'hardware, alla discretizzazione finita e alle specifiche complessità delle dinamiche correlate multi-asset.

Metodologia
Gli autori presentano un workflow quantistico end-to-end e consapevole del rumore per il CVA, eseguito su hardware reale IBM Quantum. La metodologia è strutturata in tre componenti primarie:

1. Modellazione Finanziaria e Codifica Quantistica:

   • Modello: Lo studio estende il lavoro precedente da una singola option a un netting set correlato a due asset. Incorpora dinamiche log-normali multi-asset risk-neutral, calibrate sui dati di mercato (chiusure azionarie, superfici di volatilità implicita, spread CDS e fattori di sconto).
   • Discretizzazione: Il dominio temporale-di-mercato continuo viene troncato e discretizzato su una griglia finita compatibile con i registri di qubit.
   • Costruzione del Circuito: Il funzionale CVA viene codificato in un circuito quantistico $A$. Ciò comporta:
     • Preparazione dello Stato: Una Quantum Circuit Born Machine (QCBM) viene addestrata per preparare una distribuzione di probabilità congiunta tempo-mercato che rappresenti le dinamiche degli asset correlati.
     • Codifica del Payoff: Circuiti di rotazione controllata (CRCA) codificano l'esposizione positiva, i fattori di sconto e le probabilità di default in tre qubit ancilla.
     • Target: Il valore CVA viene recuperato dalla probabilità di misurare lo stato "buono" (tutti e tre gli ancilla in $|1\rangle$).

2. Contrast-Aware Bayesian Iterative Quantum Amplitude Estimation (CABIQAE):

   • Riconoscendo che l'amplificazione di Grover perde contrasto (rapporto segnale-rumore) all'aumentare della profondità del circuito su hardware reale, gli autori introducono la CABIQAE.
   • A differenza della standard Bayesian Amplitude Estimation (BAE) o della Iterative QAE (IQAE) che assumono un'oscillazione ideale, la CABIQAE incorpora un modello di decadimento del contrasto calibrato. Essa tratta la perdita di contrasto di Grover osservata sperimentalmente non come un errore, ma come un parametro nel problema di inferenza.
   • L'algoritmo utilizza un modello di verosimiglianza calibrato sull'hardware in cui la probabilità di successo decade esponenzialmente con la potenza di Grover $k$. Seleziona dinamicamente le profondità di Grover che massimizzano il guadagno di informazione entro la "finestra di contrasto" prima che il rumore diventi dominante.

3. Validazione Sperimentale:

   • Il workflow è validato utilizzando una metodologia di "hardware-replay". Gli autori caratterizzano prima la risposta dell'hardware dei circuiti amplificati e poi riproducono le traiettorie di stima adattive (CABIQAE, BIQAE e BAE) utilizzando questi dati empirici. Ciò consente un confronto statistico robusto senza dover eseguire ogni traiettoria adattiva dal vivo sul processore quantistico.
   • I confronti sono effettuati contro il Direct Circuit Sampling (DCS) e le baseline de-noise-agnostic (BIQAE, BAE).

Risultati Chiave

• Performance Algoritmica: Nel regime di hardware-replay, gli algoritmi noise-agnostic (specificamente BIQAE) non riescono a migliorare oltre un certo costo di query, collassando verso un floor di rumore poiché applicano ciecamente iterazioni di Grover profonde. Al contrario, CABIQAE e BAE continuano a ridurre l'errore su un intervallo più ampio.
• Efficienza: CABIQAE raggiunge un errore relativo mediano di $1.82 \times 10^{-3}$ con un costo di query mediano di $4.95 \times 10^4$. Sebbene il suo errore finale sia comparabile a quello di BAE ($1.77 \times 10^{-3}$), CABIQAE opera con circuiti significativamente più superficiali (fattore Grover massimo mediano $K=23$ rispetto a $K=33$ per BAE) e un tempo di post-processing classico drasticamente inferiore (1.25s rispetto a 45.72s).
• Decomposizione dell'Errore: Lo studio decompone l'errore totale del CVA in contributi statistici, di codifica, di discretizzazione e hardware. L'analisi rivela che l'intero oracle CVA è attualmente limitato dalla profondità del circuito e dalla risoluzione della discretizzazione piuttosto che solo dal campionamento statistico.
• Scaling: Nel regime rumoroso, CABIQAE mantiene un esponente di convergenza $\beta \approx -0.69$, che è superiore al DCS di hardware-replay ($\beta \approx -0.30$) e al BIQAE noise-agnostic ($\beta \approx -0.25$), sebbene non raggiunga l'ideale limite di Heisenberg ($\beta = -1$).

Significatività e Claim
Gli autori dichiarano esplicitamente che questo lavoro non rivendica un vantaggio di runtime quantistico end-to-end rispetto al Monte Carlo classico per il calcolo completo del CVA. La significatività risiede invece in:

1. Realismo: Fornire una pipeline completa ed end-to-end che vada oltre i benchmark di singola option verso un netting set multi-asset calibrato su hardware reale.
2. Consapevolezza del Rumore: Dimostrare che l'incorporazione della perdita di contrasto calibrata sperimentalmente nel loop di amplitude estimation (tramite CABIQAE) rende l'estimatore più adatto al regime specifico dei dispositivi NISQ attuali, dove l'amplificazione è utile solo entro una finestra di profondità finita.
3. Scalabilità Pratica: Mostrare che un approccio consapevole del rumore può ottenere un overhead di post-processing classico inferiore e utilizzare circuiti più superficiali rispetto alle baseline Bayesian de-noise-agnostic, migliorando così la scalabilità pratica dei workflow quantistici per il CVA.

L'articolo conclude che, sebbene il pieno vantaggio quantistico sia attualmente limitato dai vincoli dell'hardware e della discretizzazione, il framework proposto consapevole del rumore offre una via percorribile per estrarre informazioni utili da circuiti amplificati in presenza di rumore hardware realistico.