Toward Interpretable Quantum Generators for Financial Returns through Problem-Informed Circuit Design

기술 요약: 해석 가능한 양자 생성기 (Interpretable Quantum Generators for Financial Returns)

문제 정의
함수 근사기로서 사용되는 양자 회로는 해석 가능성의 결여와 표현력(expressivity) 및 학습 가능성(trainability) 사이의 근본적인 트레이드오프 문제를 겪는 경우가 많다. 비트코인 수익률과 같은 금융 시계열 생성에 있어서는, 복잡한 통계적 특징(두터운 꼬리를 가진 주변 분포, 약한 단기 시차 선형 자기상관, 지속적인 변동성 군집화(절대 수익 의존성), 그리고 비대칭적 레버리지 효과)을 재현해야 한다는 점 때문에 문제가 더욱 심화된다. 표준적인 양자 생성 방식은 종종 하드웨어 효율적 안사츠(hardware-efficient ansätze)나 일반적인 회로 템플릿에 의존하며, 이는 타겟 데이터의 구조적 특성이나 대칭성을 명시적으로 인코딩하지 못한다. 그 결과, 개별 파라미터의 역할이 해석하기 어렵고, 복잡성을 높이는 것이 반드시 성능 향상이나 최적화 지형(optimization landscapes)의 개선으로 이어지지는 않는다.

방법론
저자들은 양자 생성기를 구축하기 위한 **문제 기반 프레임워크(problem-informed framework)**를 제안한다. 일반적인 템플릿 대신, 회로 아키텍처는 다음 세 가지 설계 원칙에 의해 유도된다:

1. 문제 기반 구조 (Problem-Informed Structure): 회로 항(term)들은 잠재적 조건, 국소적 상호작용, 그리고 비대칭적 시간적 변조에 대한 명시적인 가설을 나타낸다.
2. 대칭 기반 계수 공유 (Symmetry-Inspired Coefficient Sharing): 계수들은 단거리 상호작용 전반에 걸쳐 공유되어 근사적인 균질성을 인코딩하며, 이는 아키텍처 측면의 귀납적 편향(inductive bias) 역할을 한다.
3. 효율적인 얕은 구조 (Efficient Shallow Construction): 이 접근법은 레이어 반복보다는 더 풍부한 연산자 집합을 선호하며, 한두 개의 레이어를 가진 생성기를 우선시하여 표현력을 높인다.

본 연구는 **하이브리드 와서스타인 양자 생성적 적대 신경망 (Hybrid Wasserstein Quantum Generative Adversarial Network, WGAN)**을 구현한다.

• 생성기 (Generator): 16차원 잠재 벡터(균등 분포에서 샘플링됨)를 16단계 수익률 윈도우로 매핑하는 8-큐비트 매개변수화 양자 회로(PQC)이다. 출력은 단일 큐비트 파울리 기댓값($\langle X \rangle$ 및 $\langle Z \rangle$)으로부터 도출된다.
• 판별기 (Critic): 윈도우의 4채널 표현(원시 수익률, 절대 수익률, 제곱 수익률, 5단계 추적 표준편차)을 처리하는 고전적 합성곱 신경망(CNN)이다.
• 학습 목표: 모델은 리프시츠 연속성(Lipschitz constraint)을 강제하기 위해 그래디언트 페널티를 활용하여, 경험적 분포와 생성된 분포 사이의 Wasserstein-1 거리를 최소화한다.

세 가지 특정 생성기 아키텍처가 설계 및 평가되었다:

1. ZZ: 최근접 이웃 $ZZ$ 쌍 결합(nearest-neighbor $ZZ$ pair couplings)과 $RX$ 회전을 통한 잠재 인코딩에 기반한 구조.
2. ZZ–CRX: ZZ의 확장형으로, 상태 의존적 비대칭성(레버리지 효과를 모델링한다고 가설을 세운)을 도입하기 위해 방향성 제어 회전 블록($CRX$ 및 $CRZ$)을 삽입하였다.
3. 구조적 시간 진화 (Structured Time Evolution): 단일 잠재 인코딩을 따르는 반복적인 구조적 쌍 상호작용 블록의 시퀀스.

주요 기여

1. 설계 프로토콜: 모델링 가정(예: 국소 상호작용, 시간적 균질성)을 특정 회로 연산자와 파라미터 공유 규칙에 명시적으로 연결하는 프로토콜을 정립하였다.
2. 구현: 매우 제한된 파라미터 예산(14개 레이어 전체에 걸쳐 총 18개의 학습 가능한 계수)을 가진 세 가지 8-큐비트 생성기에 이 프로토콜을 적용하고, 구현 수준의 자원을 보고하였다.
3. 평가: 하드웨어 효율적 양자(HEA) 및 고전적(TCNN, 2-파라미터 제어) 참조 모델에 대해 주변 및 시간적 충실도(fidelity)를 종합적으로 평가하였다.
4. 지형 분석 (Landscape Analysis): 학습 기록과 고정 잠재 목적 함수 지형을 조사하여, 주변적 목표와 시간적 목표 사이의 트레이드오프 및 레이어 반복의 효과를 규명하였다.

결과

• 주변 충실도 (Marginal Fidelity): 세 가지 문제 기반 생성기 모두 집중된 중심 질량을 성공적으로 회복하였으며 관측된 수익률 범위의 상당 부분을 포괄하였다. 시간 진화(Time Evolution) 아키텍처(4 레이어)는 가장 가까운 주변 일치도($W_1 = 0.00176$)를 달성하여, 이 특정 지표에서 ZZ 및 ZZ–CRX 변형보다 우수한 성능을 보였다. 그러나 단일 레이어 구성들도 경쟁력 있는 성능을 유지했다.
• 시간적 구조:
  • 절대 수익 의러성: ZZ 및 ZZ–CRX 아키텍처는 여러 벤치마크(TCNN 포함)보다 lag-1 양의 의존성을 더 일관되게 포착했으나, 후속 시차에서의 의존성은 과소평가했다.
  • 레버리지 비대칭성: 독립적으로 훈련된 ZZ–CRX 구성은 동일한 깊이의 ZZ 구성에 비해 주로 하향된 중앙값 레버리지를 보였다. 이러한 이동은 제어 회전 구조의 의도된 방향적 역할을 반영하지만, 데이터 자체의 신호가 약해 균일하게 더 나은 일치도를 보장하지는 못했다.
• 파라미터 효율성: 문제 기반 생성기는 HEA(48–120)나 TCNN(29–257) 참조 모델보다 훨씬 적은 총 1~8개의 학습 가능한 계수만으로도 유의미한 성능을 달성했다.
• 깊이 vs 성능: 레이어를 추가하는 것이 성능을 일관되게 개선하지는 않았다. ZZ–CRX의 경우, 깊이를 1에서 4 레이어로 늘리는 것이 오히려 주변 $W_1$을 악화시켰다. 단일 레이어 구성이 경쟁력 있는 시작점으로 확인되었다.
• 손실 지형 (Loss Landscapes): 손실 지형 분석 결과, 주변적 목표와 시간적 목표 사이에서 상충하는 파라미터 선호도가 드러났다. 최적의 주변 성능을 위해 선택된 체크포인트가 시간적 진단에 가장 유리한 영역에 일관되게 위치하지는 않았으며, 이는 두 목표 간의 공동 타협을 찾는 것이 어려움을 보여준다.

의의 및 주장
본 논문은 구조적 가정이 컴팩트한 양자 생성기 설계를 가이드할 수 있음을 입증하고, 회로 아키텍처와 관찰 가능한 통계적 행동 사이의 연결 고리를 형성하는 초기 데모를 제공한다고 주장한다. 주요 기여는 유연한 고전 모델(TCNN 등)이 주변 충실도에서 우위를 점하는 상황에서 최고 수준의 생성 성능을 달리는 것이 아니라, 회로 구축과 통계적 반응 사이의 추적 가능한 연결을 확립하는 것이다.

문제 기반 설계를 통해 탐색 공간을 제한함으로써 저자들은 다음을 가능하게 한다:

• 해석 가능성: 관찰된 통계적 반응(예: ZZ–CRX의 레버리지 이동)에 대해 테스트할 수 있는 명시적인 연산자 역할 가설.
• 직접적인 지형 검사: 저차원 파라미터 지형을 시각화하여 주변적 목표와 시간적 목표가 충돌하는 지점을 파악할 수 있음.
• 파라미터 효율성: 복잡한 금융 생성 작업에 대해 얕은 회로의 생존 가능성.

저자들은 현재의 연산자 풀이 불완전할 수 있으나, 이 설계 철학이 "블랙박스"식 변분 모델에서 벗어나 해석 가능하고 가설 중심적인 아키텍처로 나아가는 체계적이고 파라미터 효율적인 양자 회로 구축의 유망한 경로를 제공한다고 결론짓는다.