⚛️ quantum physics

Learning PDEs for Portfolio Optimization with Quantum Physics-Informed Neural Networks

Deze studie introduceert een Quantum Physics-Informed Neural Network (QPINN) dat gebruikmaakt van geparametriseerde quantumkringen en tensorrang-decompositie om partiële differentiaalvergelijkingen voor portefeuilleoptimalisatie efficiënter en nauwkeuriger op te lossen dan klassieke methoden, zelfs met aanzienlijk minder parameters.

Oorspronkelijke auteurs: Letao Wang, Abdel Lisser, Sreejith Sreekumar, Zeno Toffano

Gepubliceerd 2026-04-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Letao Wang, Abdel Lisser, Sreejith Sreekumar, Zeno Toffano

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een zeer slimme, maar ook zeer complexe financiële voorspeller bent. Je taak is om te bepalen hoeveel geld je in een risicovolle aandelenmarkt moet stoppen en hoeveel je veilig op de bank moet houden, zodat je op de lange termijn het meeste winst maakt.

In de wiskunde van de financiële wereld wordt dit probleem beschreven door een soort "recept" dat Partiële Differentiaalvergelijkingen (PDE's) heet. Het is als een ingewikkelde formule die zegt: "Als de markt vandaag stijgt, doe dan dit; als hij morgen daalt, doe dan dat."

Het probleem? Deze formules zijn zo moeilijk dat zelfs de snelste klassieke supercomputers er jaren over doen om ze op te lossen, of ze maken fouten omdat de berekeningen te groot worden.

Dit artikel introduceert een nieuwe, revolutionaire manier om deze problemen op te lossen, met behulp van kwantumcomputers (of in ieder geval ideeën daaruit). Hier is de uitleg in simpele taal:

1. Het Probleem: De Onmogelijke Puzzel

Stel je voor dat je een enorme muur van legoblokken moet bouwen. Een klassieke computer doet dit blok voor blok, één voor één. Als de muur heel groot is (zoals bij complexe financiële markten), duurt het eeuwen.

De auteurs zeggen: "Wacht even, wat als we de blokken niet één voor één stapelen, maar ze in pakketjes doen?"

2. De Oplossing: De "Kwantum-Lego" Methode

De onderzoekers hebben een nieuwe manier bedacht om deze formules op te lossen. Ze gebruiken een techniek die ze Tensor Rank Decomposition noemen. Dat klinkt eng, maar het is eigenlijk heel simpel:

De Oude Manier: Je probeert een complexe vorm (zoals een kasteel) te bouwen door elke steen individueel te plaatsen. Dat kost enorm veel tijd en energie.
De Nieuwe Manier (Tensor Decomposition): Je merkt dat het kasteel eigenlijk bestaat uit drie aparte torens die je los van elkaar kunt bouwen en daarna gewoon op elkaar zet. Je bouwt dus drie kleine, simpele torens (elk met weinig blokken) en plakt ze samen.

In de taal van dit artikel: in plaats van één gigantische, ondoordringbare berekening te doen, breken ze het probleem op in kleine, onafhankelijke stukjes die ze polynomen noemen. Ze zeggen: "We hoeven niet de hele muur tegelijk te zien; we kunnen de muur zien als een som van drie simpele lijnen."

3. De Kwantum-Magie: De "Spook-Computer"

Nu komt het kwantumgedeelte. Normaal gesproken zou een computer deze losse stukjes nog steeds één voor één moeten berekenen. Maar met een kwantumcircuit (een soort computer die werkt met de wetten van de quantumwereld, waar deeltjes op meerdere plekken tegelijk kunnen zijn), kunnen ze deze losse stukjes gelijktijdig verwerken.

De Analogie: Stel je voor dat je een zware doos met 1000 puzzelstukken hebt. Een klassieke computer zoekt stukje voor stukje naar de juiste plek. Een kwantumcomputer gooit de hele doos in de lucht, en door de "magie" van quantummechanica, landen de stukjes direct in de juiste vorm op de grond.

De onderzoekers hebben een circuit ontworpen dat precies deze "pakketjes-methode" (tensor decomposition) gebruikt. Hierdoor hebben ze 80 keer minder rekenkracht nodig dan een klassieke computer om hetzelfde resultaat te krijgen.

4. Twee Soorten Computers: De "Echte" en de "Geest"

De auteurs presenteren twee versies van hun nieuwe computer:

De Quantum-inspired PINN (De "Geest"): Dit is een computer die eruitziet als een kwantumcomputer, maar die we nu al op een gewone laptop kunnen draaien. Het is alsof je een "geest" van een kwantumcomputer hebt. Hij is al veel sneller en nauwkeuriger dan de oude klassieke methoden, zelfs zonder een echte kwantumcomputer.
De Echte QPINN (De "Echte Kwantum"): Dit is de versie die draait op een echte kwantumcomputer. Hierdoor kunnen ze nog complexere dingen doen (zoals "verstrengeling" of entanglement), wat betekent dat de losse stukjes nog beter met elkaar kunnen communiceren. Dit maakt de oplossing nog krachtiger.

5. Het Resultaat: Sneller, Beter en Goedkoper

In hun experimenten hebben ze getest hoe goed deze methoden werken voor het Merton-portefeuilleprobleem (het bepalen van de beste beleggingsstrategie).

Het resultaat: Hun nieuwe methode (met slechts een handjevol parameters) was nauwkeuriger en sneller dan een klassieke computer die 80 keer zo groot was.
De les: Het gaat niet om hoe groot je computer is (hoeveel "hersenen" hij heeft), maar om hoe slim je de puzzel opbreekt. Door de juiste structuur te kiezen (de "pakketjes-methode"), kun je met een heel klein systeem enorme problemen oplossen.

Samenvatting in één zin

De onderzoekers hebben een slimme nieuwe manier bedacht om complexe financiële formules op te lossen door ze op te splitsen in simpele stukjes; dit maakt het mogelijk om met veel minder rekenkracht (en zelfs met toekomstige kwantumcomputers) veel sneller en nauwkeuriger te voorspellen hoe je je geld het beste kunt beleggen.

Het is alsof ze een sleutel hebben gevonden die een zware deur opent zonder er met een hamer op te slaan, maar door hem gewoon op het juiste moment een zachte duw te geven.

Titel: Leren van PDE's voor Portefeuille-Optimalisatie met Quantum Physics-Informed Neural Networks

Auteurs: Letao Wang, Abdel Lisser, Sreejith Sreekumar, Zeno Toffano (CentraleSupélec, CNRS, Paris-Saclay University).

1. Probleemstelling

In de financiële wiskunde spelen partiële differentiaalvergelijkingen (PDE's) een cruciale rol, met name bij het modelleren van derivaten, risicomanagement en optimale portefeuillestrategieën. Een fundamenteel probleem is de Merton-portefeuille-optimalisatie, waarbij een investeerder een strategie moet vinden om de verwachte nuttigheid van het eindvermogen te maximaliseren onder stochastische marktdynamiek. Dit wordt vaak omgezet in een Hamilton-Jacobi-Bellman (HJB) PDE.

De uitdagingen bij het oplossen van deze PDE's zijn:

Klassieke numerieke methoden (zoals eindige-differentiemethoden) vereisen hoge rekenkosten voor hoge nauwkeurigheid.
Klassieke Physics-Informed Neural Networks (PINNs) zijn mesh-vrij en veelbelovend, maar kampen met trage convergentie, moeite met het vastleggen van hoge-frequentie kenmerken en schaalproblemen in hoge dimensies.
Bestaande Quantum Machine Learning (QML) benaderingen voor PDE's (zoals Quantum Fourier Modellen) hebben vaak een exponentiële complexiteit in quantum resources (diepte en parameters) afhankelijk van de graad van de polynoom, wat ze onpraktisch maakt voor huidige "Noisy Intermediate-Scale Quantum" (NISQ) hardware.

2. Methodologie

De auteurs introduceren een nieuwe architectuur die Tensor Rank Decomposition combineert met Parameterized Quantum Circuits (PQC) om de complexiteit van het oplossen van PDE's drastisch te verminderen.

A. Tensor-Gedecomponeerde Polynomen

In plaats van een algemene multivariate polynoom te benaderen (wat exponentiële resources vereist), benutten de auteurs de structuur van veel PDE-oplossingen (zoals de warmtevergelijking en de Merton-oplossing), die vaak kunnen worden geschreven als een som van producten van univariate functies.

Een polynoom $p(x)$ wordt benaderd als een Tensor-Gedecomponeerde (TD) polynoom:
$p(x) = \sum_{r=1}^{R} \lambda_r \prod_{j=1}^{D} p_{r,j}(x_j)$
waarbij $R$ de tensorrank is. Als $R$ klein is (gematigd), daalt de complexiteit van exponentieel naar polynomiaal.

B. Quantum Circuit Implementatie

De auteurs ontwikkelen een PQC die deze TD-polynomen efficiënt implementeert:

Univariate componenten: Elke univariate polynoom $p_{r,j}(x_j)$ wordt geïmplementeerd via een Quantum Signal Processing (QSP) circuit met een diepte van $O(L)$ .
Tensorstructuur: De circuitarchitectuur gebruikt een gecontroleerde eenheid om de som van producten te realiseren.
Resource Complexiteit: Voor een TD-polynoom met $D$ variabelen, graad $L$ en tensorrank $R$ , is de circuitdiepte $O(RDL \log R)$ en het aantal parameters $O(RDL)$. Dit is een polynomiële complexiteit in plaats van exponentieel, mits $R$ niet te groot is.

C. QPINN en Quantum-Inspired PINN

Op basis van deze circuits worden twee modellen ontwikkeld:

Quantum Physics-Informed Neural Network (QPINN): Een model dat de TD-structuur behoudt maar een extra verstrengelingslaag (entanglement layer) toevoegt. Dit vergroot de hypothesruimte (expressiviteit) boven de puur gescheiden structuren uit, waardoor complexere PDE-oplossingen kunnen worden benaderd. Het is niet klassiek simuleerbaar.
Quantum-Inspired PINN: Een variant waarbij de verstrengelingslaag wordt verwijderd (of als identiteit wordt behandeld). Dit model behoudt de inductieve bias van de TD-structuur maar kan efficiënt op klassieke hardware worden gesimuleerd.

De loss-functie is gebaseerd op de standaard PINN-formulering, waarbij de residuen van de PDE en de randvoorwaarden worden geminimaliseerd.

3. Belangrijkste Bijdragen

Theoretische Complexiteitsreductie: Bewijs dat het implementeren van TD-polynomen in quantum circuits de resourcekosten verlaagt van exponentieel naar polynomiaal (voor gematigde tensorrank), wat haalbaar maakt voor NISQ-hardware.
Garantie voor Benadering: De hypothesruimte van het voorgestelde model bevat per definitie de volledige familie van TD-polynomen. Dit garandeert theoretisch dat er een benadering van de PDE-oplossing bestaat binnen het model, mits de oplossing een geschikte decompositie toelaat.
Nieuwe Architecturen: Introductie van zowel een QPINN (met verstrengeling) als een Quantum-Inspired PINN (klassiek simuleerbaar), beide met een sterke inductieve bias voor gescheiden PDE-structuren.
Experimentele Validatie: Toepassing op het Merton-portefeuilleprobleem, waarbij de modellen worden vergeleken met klassieke PINNs.

4. Resultaten

De auteurs voeren numerieke simulaties uit voor de HJB-PDE van het Merton-probleem met de volgende parameters: risicovrije rente $r=0.02$ , horizon $T=1.0$ , risicoparameter $\gamma=0.95$ , en volatiliteit $\sigma=0.2$ .

Vergelijking met Klassieke PINNs:
- De QPINN en de Quantum-Inspired PINN convergeren sneller en bereiken een hogere nauwkeurigheid dan een klassieke Fully Connected (FC) PINN.
- De FC-PINN had 80 keer meer parameters dan de quantum-modellen, maar presteerde slechter.
- Zelfs een "Counterpart PINN" (een klassiek model dat dezelfde TD-structuur en inductieve bias deelt als de quantum-modellen) presteerde slechter dan de quantum-versies, wat wijst op een quantum-geïnduceerd voordeel (waarschijnlijk door de rijkere hypothesruimte of het optimalisatielandschap).
Nauwkeurigheid: De QPINN benadert de analytische oplossing (de maximale verwachte nuttigheid) zeer nauwkeurig, zowel in het domein als bij de randen, terwijl de klassieke modellen grotere afwijkingen vertonen.
Efficiëntie: De quantum-modellen gebruiken aanzienlijk minder parameters (7 trainbare parameters voor de QPINN vs. 481 voor de FC-PINN) om superieure resultaten te behalen.

5. Betekenis en Conclusie

Dit werk biedt een veelbelovende route voor het oplossen van gestructureerde PDE's in de financiële wiskunde, zowel voor toekomstige quantumcomputers als voor huidige klassieke hardware.

Resource-efficiëntie: Door gebruik te maken van de inherente structuur van PDE-oplossingen (tensor decompositie), worden de eisen aan quantum hardware (qubits, diepte) drastisch verlaagd.
Inductieve Bias: Het artikel benadrukt dat het inbouwen van de juiste inductieve bias (de TD-structuur) belangrijker is dan het simpelweg verhogen van het aantal parameters in een netwerk.
Dualiteit: Het feit dat de "Quantum-Inspired PINN" (klassiek simuleerbaar) al superieur presteert aan standaard PINNs, suggereert dat de kracht van deze methode ligt in de wiskundige structuur van het model, niet alleen in de quantum hardware zelf.
Toekomstperspectief: Hoewel de huidige resultaten veelbelovend zijn, blijft de vraag naar trainbaarheid (bijv. vermijden van "barren plateaus") en de kwantificering van exacte foutgrenzen een belangrijk onderwerp voor verder onderzoek.

Samenvattend tonen de auteurs aan dat quantum-geïnspireerde methoden, gebaseerd op tensor-decompositie, een krachtig en efficient alternatief bieden voor traditionele methoden bij het oplossen van complexe financiële optimalisatieproblemen.