Interpretable Quantum Photonic Generative Models

金融、気象予測、そして複雑なエンジニアリングの世界では、「どれほど多くの異なる事象が同時に変化しているか」を理解することが共通の課題となっています。ある株価が動いたとき、別の株価は上がるのか、それとも下がるのか？気温が変化したとき、湿度はどのように反応するのか？科学者たちは、これらを学習することを「結合分布（joint distribution）」の理解と呼んでいます。これは、多くの動くパーツ間の目に見えないつながりの地図を描く方法です。これを行うために、研究者たちは過去のデータから学習し、新しい現実的なシナリオを生成するコンピュータプログラムを構築することがよくあります。しかし、これらのプログラムはあまりに複雑になりすぎて、一種の「ブラックボックス」として機能してしまうことがあります。つまり、答えは出すものの、そこにどのように到達したのかを誰も簡単に目にすることができないのです。さらに、変数の数が増えるにつれて、これらのデジタルシミュレーションは信じられないほど低速になり、たった一つの新しい例を生成するためだけに膨大な計算能力を必要とするようになります。このため、科学者たちは、標準的なコンピュータよりも速く、かつ透明性の高い方法でデータを生成するために、物理法則を用いてこのタスクを自然に実行できる物理システムを探してきました。

シェフィールド大学の研究チームは、光を用いてこの問題に取り組む新しい方法を提案しました。複雑な関係性のネットワークをコードとして書き込む代わりに、彼らは光子（フォトロン）、すなわち光の基本粒子を用いた物理モデルを構築しました。彼らのシステムは、金融資産の日常的な価格変動のような実世界のデータに見られる統計的パターンを学習し、それらのパターンを模倣する新しいサンプルを生成するように設計されています。核心となるアイデアは、光の波を操作して相関関係を作り出す特定のタイプの光学回路を使用することです。このセットアップでは、研究者は空の光のチャネルから開始し、「スクイージング」と呼ばれるプロセスを用いて光の波のペアを結合させ、それらの動きを互いに依存させます。次に、鏡やビームスプリッターを使用してこれらの波を混合し、システム全体に接続を広げます。最後に、どのようなパターンが現れるかを確認するために光を測定します。光の物理学はよく理解されているため、研究者は機械の各部分が最終的な結果にどのように寄与しているかを正確に追跡することができ、これにより、モデルは謎めいたブラックボックスではなく「解釈可能」なものとなります。

研究者たちは、金融資産の日常的なリターンに見られる複雑な関係を再現することを試みることで、このアイデアをテストしました。彼らは2つの具体的な課題を選びました。一つは、主要なテクノロジー株、ゴールドファンド、政府債券ファンド、および暗号資産を含む5つの異なる資産の小さなグループであり、もう一つはS&P 500指数から選ばれた20の異なる銘柄からなる大きなグループです。目標は、彼らの光ベースのマシンに、これらの資産の「相関行列（correlation matrix）」、つまり各資産がどの程度強く共に動くかを示す地図に一致するように学習させることでした。5資産のテストにおいて、チームは回路のトレーニングに成功し、光ベースのモデルが資産間の関係の正確な強さと方向を再現しました。実世界のデータとモデルの出力との差は非常に小さく、誤差はわずか小数点第5位に現れる程度でした。モデルは、資産が共に動くということだけでなく、それらが同じ方向に動くのか、あるいは逆方向に動くのかについても正しく特定しました。

モデルが単に関係性を一致させているだけでなく、データの一般的な形状も捉えていることを確認するために、研究者は出力に対して単純な数学的調整を適用しました。このステップは、ラジオのチューニングで最もクリアな信号を得るように、生成された数値の平均値と広がりを実データに合わせるものです。光ベースのモデルは自然に標準的なベルカーブ（正規分布）のデータを生み出しますが、実際の金融データにはしばしば「ヘビーテイル（厚い裾）」が存在します。これは、単純な曲線が予測するよりも極端な事象が頻繁に起こることを意味します。研究者たちは、彼らのモデルが核となる接続関係を完璧に捉えている一方で、このモデルは主に線形であるように設計されているため、これらの極端な裾を複製することには少し苦戦したことを発見しました。しかし、データの大部分については、適合性は極めて良好でした。

次に、チームは20資産のテストでシステムを限界まで押し上げました。これには、複雑さを管理するためのより多くの接続を持つ、より大きな回路が必要でした。この規模の拡大にもかかわらず、モデルは効果的であり続けました。モデルは20の銘柄の相関パターンを再現することに成功し、すべての可能なペアの約94パーセントについて、関係の符号（プラスかマイナスか）を正しく特定しました。これらの関係の強さにおける誤差も小さく、その大部分は重大な間違いと見なされる閾値を十分に下回っていました。これは、このアプローチが、基礎となる構造を学習する能力を失うことなく、現実的な数の変数に対処するためにスケールアップできることを示しました。

この研究の重要な部分は、技術的なハードル、すなわち、システムをより強力にするものの計算を困難にする非線形効果を導入する「カーゲート（Kerr gate）」と呼ばれる特定の光の相互作用をどのようにシミュレートするかという点でした。標準的なコンピュータシミュレーションは、数学が非常に重くなるため、これに苦戦します。研究者たちは、この効果をコンピュータが効率的に扱える単純な線形部分の総和に分解することで近似するという新しい手法を開発しました。これにより、スーパーコンピュータを必要とすることなく、より複雑なデータ分布を扱うモデルの可能性をテストすることができました。彼らがテストした弱い非線形性については、この手法はうまく機能し、計算速度を維持しながら不可欠な物理学を捉えることができました。

本研究は、この光ベースのアプローチが、高速かつ理解しやすいデータを生成するための有望な道を提供すると結論付けています。ユーザーが複雑なアルゴリズムを信頼しなければならない従来のコンピュータモデルとは異なり、このフォトニックシステムでは、研究者が相関関係がどのように構築されているかを層ごとに正確に見ることができます。物理的な性質を持つこのシステムは、一度トレーニングされれば、毎秒数十億サイクルで動作する光検出器の速度に限定されるだけで、新しいサンプルをほぼ瞬時に生成できます。現在のバージョンは標準的なパターンに従うデータに最適ですが、研究者たちは、将来のバージョンで非線形成分を強化することで、より複雑で予測不可能な現実世界の現象をもモデル化できるようになると示唆しています。この研究は、光学の法則を活用してデータから学習し、新しい洞察を生み出すための新しいプラットフォームを確立しており、抽象的な統計学習と具体的な物理プロセスとの間の溝を埋めるものです。