⚛️ quantum physics

Large-scale portfolio optimization on a trapped-ion quantum computer

이 논문은 RMT 기반 상관관계 제거와 군집 분할, 그리고 비변분적 BF-DCQO 알고리즘을 결합한 엔드투엔드 파이프라인을 통해 250 개 자산 포트폴리오 최적화 문제를 64 개 큐비트 이온 트랩 양자 컴퓨터에서 성공적으로 실행하고, 실행 가능한 서브문제 크기가 해의 품질을 결정하는 핵심 요소임을 입증했습니다.

원저자: Alejandro Gomez Cadavid, Ananth Kaushik, Pranav Chandarana, Miguel Angel Lopez-Ruiz, Gaurav Dev, Willie Aboumrad, Qi Zhang, Claudio Girotto, Sebastián V. Romero, Martin Roetteler, Enrique Solano, Marc

게시일 2026-03-02

📖 3 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Alejandro Gomez Cadavid, Ananth Kaushik, Pranav Chandarana, Miguel Angel Lopez-Ruiz, Gaurav Dev, Willie Aboumrad, Qi Zhang, Claudio Girotto, Sebastián V. Romero, Martin Roetteler, Enrique Solano, Marco Pistoia, Narendra N. Hegade

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"양자 컴퓨터를 이용해 거대한 주식 포트폴리오를 어떻게 최적화할 것인가?"**에 대한 혁신적인 해결책을 제시합니다.

기존의 컴퓨터로는 너무 많은 주식 (자산) 을 한 번에 분석하기 어렵고, 양자 컴퓨터는 아직 크기가 작아 모든 주식을 다 담을 수 없습니다. 이 연구팀은 **"양자 컴퓨터의 작은 용량을 clever하게 활용하는 방법"**을 개발했습니다.

이 복잡한 내용을 일상적인 비유로 설명해 드리겠습니다.

🏛️ 비유: 거대한 도서관과 작은 독서실

상상해 보세요. 전 세계의 모든 책 (250 개의 주식) 을 한 번에 정리해서 가장 좋은 조합을 찾아야 하는 상황입니다. 하지만 우리 손에 있는 **독서실 (양자 컴퓨터)**은 아주 작아서, 한 번에 책 36 권이나 60 권만 들어갈 수 있습니다.

그렇다고 책 250 권을 다 버릴 수는 없죠. 연구팀은 다음과 같은 4 단계 전략을 세웠습니다.

1. 책들을 '주제별'로 묶기 (분해 및 군집화)

모든 책을 무작위로 섞어두면 혼란스럽습니다. 연구팀은 먼저 **"주제별"**로 책을 분류했습니다.

비유: '경제', '역사', 'SF'처럼 책들이 서로 비슷한 성향 (상관관계) 을 가진 그룹을 찾았습니다.
핵심: 이때 잡음 (노이즈) 을 제거하는 기술을 써서, 진짜 중요한 연결고리만 남겼습니다.

2. 작은 독서실에 딱 맞게 나누기 (하드웨어 인식 분할)

독서실 (양자 컴퓨터) 이 36 권만 들어갈 수 있다면, 100 권이 모인 '경제' 섹션은 어떻게 할까요?

전략: 100 권을 36 권, 36 권, 28 권으로 잘게 쪼개서, 각 그룹이 독서실 문턱을 넘을 수 있게 만들었습니다.
중요한 점: 단순히 잘게 켜는 게 아니라, 가장 관련이 깊은 책들끼리 묶어서 독서실 안에서 최대한 효율적으로 읽을 수 있게 했습니다.

3. 양자 컴퓨터로 '빠르게' 읽기 (BF-DCQO 알고리즘)

이제 작은 그룹 (36 권) 을 양자 컴퓨터에 넣습니다.

비유: 일반적인 컴퓨터가 "이 책이 좋을까? 저 책이 좋을까?"라고 하나씩 고민하며 시간을 낭비한다면, 양자 컴퓨터는 마법처럼 여러 가능성을 동시에 탐색합니다.
기술: 연구팀은 'Bias-field DCQO'라는 특수한 방법을 썼는데, 이는 고전적인 '학습' 과정 없이 양자 컴퓨터가 바로 최적의 답을 찾아내도록 유도하는 기술입니다. 마치 미로에서 헤매지 않고 바로 출구로 가는 나침반을 켠 것과 같습니다.

4. 다시 하나로 합치고 다듬기 (재결합 및 수정)

각 독서실에서 나온 '최고의 책 조합'들을 다시 하나로 합칩니다. 하지만 합치면 책의 총 개수가 너무 많거나 적을 수 있습니다.

수리 작업: "책이 125 권이 되어야 한다"는 규칙을 맞추기 위해, 가장 덜 중요한 책은 빼고 가장 좋은 책을 추가하는 자동 수리 프로그램을 돌렸습니다.
마무리: 마지막으로 "이 책과 저 책을 바꿔보면 더 나을까?"라고 아주 짧은 시간 동안만 국소적으로 검토하여 최종 완성품을 만듭니다.

🚀 실험 결과: 무엇이 달라졌나요?

연구팀은 실제 S&P 500 지수에 포함된 250 개 주식으로 이 방법을 테스트했습니다.

양자 컴퓨터가 클수록 더 좋다:
- 작은 독서실 (36 개 양자 비트) 을 썼을 때보다, 더 큰 독서실 (64 개 양자 비트) 을 썼을 때 결과가 훨씬 더 좋아졌습니다.
- 이유: 책을 더 크게 묶을수록, 책들 사이의 중요한 연결고리를 끊지 않고 분석할 수 있기 때문입니다. (분해 오차가 줄어듦)
기존 방법보다 낫다:
- 단순히 무작위로 고르거나, 고전적인 컴퓨터만 쓴 경우보다 위험은 줄이고 수익은 높이는 더 나은 포트폴리오를 만들었습니다.
실제 양자 컴퓨터에서 성공:
- 이론만 이야기한 게 아니라, IonQ(아이온큐) 라는 회사의 실제 이온 트랩 양자 컴퓨터에서 실험을 성공적으로 마쳤습니다.

💡 결론: 왜 이것이 중요한가요?

이 논문은 **"양자 컴퓨터가 아직 작아도, clever하게 나누고 합치면 거대한 금융 문제를 풀 수 있다"**는 것을 증명했습니다.

미래의 전망: 양자 컴퓨터의 성능이 조금만 더 좋아지면 (비유하자면 독서실이 조금만 더 커지면), 우리는 지금 상상도 못 할 정도로 복잡한 투자 전략을 실시간으로 최적화할 수 있게 될 것입니다.
핵심 메시지: 완벽한 도구가 없어도, **도구의 한계를 잘 이해하고 그 안에서 최선의 방법을 찾는 것 (하드웨어 인식 최적화)**이 바로 현실적인 해결책입니다.

이 연구는 양자 컴퓨터가 단순히 '이론'을 넘어, 실제 금융 시장의 의사결정을 돕는 실용적인 도구로 자리 잡을 수 있는 길을 연 중요한 이정표입니다.

논문 개요

이 논문은 제한된 양자 하드웨어 자원 (큐비트 수, 연결성, 결맞음 시간) 을 고려하여 대규모 포트폴리오 선택 문제를 해결하기 위한 엔드 - 투 - 엔드 (end-to-end) 파이프라인을 제안하고, 이를 이온 트랩 (trapped-ion) 양자 프로세서에서 실험적으로 검증했습니다. 연구팀은 250 개의 자산을 대상으로 하는 포트폴리오 최적화 문제를 해결하기 위해, 상관관계 기반 분해 기법과 비변분적 (non-variational) 양자 최적화 알고리즘인 BF-DCQO 를 결합한 새로운 접근법을 제시했습니다.

1. 문제 정의 (Problem Definition)

목표: 마코위츠 (Markowitz) 의 평균 - 분산 프레임워크를 기반으로, 기대 수익과 위험 (변동성) 사이의 균형을 맞추는 최적의 자산 집합을 선택하는 것.
제약 조건:
- 카디널리티 제약 (Cardinality Constraint): 포트폴리오에 포함될 자산의 수를 정확히 $K$ 개로 고정해야 함 (본 논문에서는 $K=125$ , 전체 250 개 자산 중 절반).
- 이산적 선택: 각 자산은 포함 ( $x_i=1$ ) 또는 제외 ( $x_i=0$ ) 되는 이진 결정 문제.
난이도: 이 문제는 NP-hard 문제이며, 자산 간 상관관계로 인해 많은 쌍별 결합 (pairwise couplings) 이 발생하여 기존 양자 하드웨어에서 직접 해결하기 어렵습니다.

2. 방법론 (Methodology)

연구팀은 하드웨어 제약을 명시적으로 고려한 4 단계 파이프라인을 구축했습니다.

가. 하드웨어 인식 분해 (Hardware-Aware Decomposition)

노이즈 제거 및 군집화: 랜덤 행렬 이론 (RMT) 기반의 상관 행렬 노이즈 제거를 통해 유의미한 상관 구조 ( $C^*$ ) 만을 추출합니다.
커뮤니티 탐지: Louvain 알고리즘 등을 사용하여 자산 군집을 식별합니다.
크기 제한 분할 (Greedy Splitting): 하드웨어가 처리할 수 있는 최대 큐비트 수 ( $Q_{max}$ $Q_{ma x}$ ) 를 초과하는 군집은 상관관계가 높은 노드들을 기반으로 재귀적으로 분할하여, 각 클러스터가 실행 가능한 큐비트 예산 내에 들어오도록 조정합니다.
- 결과: 250 개 자산이 36 큐비트 시스템에서는 14 개 클러스터로, 64 큐비트 시스템에서는 11 개 클러스터로 분할됨.

나. 양자 최적화 (Quantum Optimization)

알고리즘: BF-DCQO (Bias-Field Digitized Counterdiabatic Quantum Optimization) 사용.
- 변분 양자 고전 루프 (VQE/QAOA 등) 를 사용하지 않는 비변분적 (non-variational) 방법입니다.
- 초기 해밀토니안에서 목표 해밀토니안으로의 단열 경로를 역단열 (counterdiabatic) 항을 추가하여 가속화하고, 이를 디지털 회로 (Trotterization) 로 구현합니다.
- Bias-Field: 측정된 스핀 방향을 기반으로 편향 필드를 업데이트하여 수렴을 돕습니다.
하드웨어: IonQ 의 이온 트랩 프로세서 (Forte, Forte Enterprise, 64 큐비트 Barium 개발 시스템) 사용. 이온 트랩의 높은 연결성과 긴 결맞음 시간을 활용하여 밀집된 Ising 모델 문제를 직접 해결합니다.

다. 후처리 (Post-Processing)

양자 회로가 카디널리티 제약을 완벽하게 유지하지 못하므로 두 단계의 고전적 후처리를 수행합니다.

경사 기반 카디널리티 복구 (Gradient-based Repair): 해밀토니안의 기울기를 이용해 자산의 수 ( $K$ ) 를 만족하도록 비트를 반전시킵니다.
스왑 기반 지역 탐색 (Swap Local Search): 카디널리티를 유지하면서 ( $x_i=0, x_j=1$ 인 쌍을 교환) 목적 함수 값을 개선하는 지역 탐색을 수행합니다.

라. 글로벌 포트폴리오 재구성

각 클러스터에서 얻은 저에너지 후보들을 결합하여 글로벌 포트폴리오를 생성하고, 전역 지역 탐색을 통해 최종 해를 도출합니다.

3. 주요 실험 결과 (Key Results)

실험 설정: S&P 500 에서 선정한 250 개 자산 데이터 (2020-2025 일별 데이터) 를 사용.
하드웨어 비교:
- 36 큐비트 (IonQ Forte): 최대 36 개 자산의 서브문제를 해결.
- 64 큐비트 (Barium 개발 시스템): 최대 60 개 자산의 서브문제를 해결.
성능 분석:
- 큐비트 수 증가의 효과: 실행 가능한 서브문제 크기가 커질수록 (36 $\to$ 64 큐비트), 분해로 인한 오차가 감소하여 최종 포트폴리오의 목적 함수 값이 개선되고 위험 - 수익 트레이드오프가 향상되었습니다.
- 프루닝 (Pruning) 효과: 회로 깊이를 줄이기 위해 게이트를 제거 (프루닝) 하는 경우, 36 큐비트 시스템에서는 고/중간 프루닝 간 성능 차이가 미미했으나, 64 큐비트 시스템에서는 중간 프루닝이 효율적인 것으로 나타났습니다. 이는 노이즈가 있는 하드웨어에서 회로 복잡도 감소가 모델 정확도 손실보다 더 유리할 수 있음을 시사합니다.
- 후처리 중요성: 양자 알고리즘만으로는 전역 최적점에 도달하지 못했으나, 지역 탐색 (Local Search) 후처리를 거친 결과, 무작위 초기화나 단순 재결합 기준선보다 훨씬 우수한 포트폴리오를 생성했습니다. 특히, 개별 최적 해를 단순히 합친 것보다 전역 지역 탐색을 통해 더 낮은 에너지를 가진 해를 찾았습니다.

4. 주요 기여 및 의의 (Contributions & Significance)

실증적 파이프라인: 대규모 금융 최적화 문제를 양자 하드웨어에서 실행 가능한 규모로 분해하고, 이를 이온 트랩 장치에서 성공적으로 실행한 최초의 엔드 - 투 - 엔드 사례 중 하나입니다.
하드웨어 인식 설계: 양자 알고리즘 설계 단계부터 하드웨어의 큐비트 예산을 제약 조건으로 명시적으로 포함시켜, 실제 장치에서 실행 가능한 솔루션을 제공합니다.
비변분적 접근법의 유효성: 변분 루프가 필요한 QAOA 와 달리, BF-DCQO 를 사용하여 파라미터 학습 오버헤드를 제거하고 하드웨어에서 직접 최적화를 수행할 수 있음을 입증했습니다.
확장성 입증: 큐비트 수 증가가 분해 오차를 줄이고 최종 솔루션 품질을 선형적으로 개선한다는 것을 보여주어, 향후 더 큰 규모의 양자 컴퓨터가 등장할 때 금융 최적화 문제가 어떻게 확장될 수 있는지에 대한 청사진을 제시했습니다.

결론

이 연구는 현재의 제한된 양자 하드웨어 (NISQ 시대) 에서도 하드웨어 인식 분해 기법과 비변분적 양자 최적화 알고리즘을 결합하면, 대규모 포트폴리오 최적화와 같은 복잡한 금융 문제를 해결할 수 있음을 입증했습니다. 특히, 실행 가능한 서브문제 크기와 회로 비용 사이의 트레이드오프를 분석함으로써, 향후 양자 컴퓨팅이 실제 금융 의사결정에 적용되기 위한 실용적인 경로를 제시했습니다.