Interpretable Quantum Photonic Generative Models

In de wereld van de financiën, weersvoorspelling en complexe techniek is er een veelvoorkomende uitdaging: begrijpen hoeveel verschillende dingen tegelijkertijd veranderen. Wanneer de prijs van één aandeel beweegt, stijgt of daalt een ander dan? Wanneer de temperatuur verschuift, hoe reageert de luchtvochtigheid dan? Wetenschappers noemen het leren van deze "gezamenlijke verdeling" van variabelen een manier om de onzichtbare web van verbindingen tussen vele bewegende delen in kaart te brengen. Om dit te doen, bouwen onderzoekers vaak computerprogramma's die leren van gegevens uit het verleden en vervolgens nieuwe, realistische scenario's genereren. Deze programma's kunnen echter zo complex worden dat ze fungeren als 'black boxes': ze produceren antwoorden, maar niemand kan gemakkelijk zien hoe ze tot die antwoorden zijn gekomen. Bovendien, naarmate het aantal variabelen groeit, worden deze digitale simulaties ongelooflijk traag, waarbij enorme rekenkracht nodig is om slechts één nieuw voorbeeld te produceren. Dit heeft geleid ertoe dat wetenschappers op zoek gaan naar fysieke systemen die deze taak van nature kunnen uitvoeren, waarbij ze de wetten van de natuurkunde gebruiken om sneller en transparanter data te genereren dan een standaardcomputer dat kan.

Een team onderzoekers aan de University of Sheffield heeft een nieuwe manier voorgesteld om dit probleem aan te pakken met behulp van licht. In plaats van code te schrijven om een complex web van relaties te simuleren, bouwden zij een fysiek model met fotonen, de fundamentele deeltjes van licht. Hun systeem is ontworpen om de statistische patronen te leren die aanwezig zijn in real-world data, zoals de dagelijkse koersschommelingen van financiële activa, en vervolgens nieuwe monsters te produceren die die patronen nabootsen. De kern van het idee is het gebruik van een specifiek type optisch circuit waar lichtgolven worden gemanipuleerd om correlaties te creëren. In deze opstelling beginnen de onderzoekers met lege lichtkanalen en gebruiken ze een proces genaamd 'squeezing' om paren lichtgolven aan elkaar te koppelen, waardoor hun bewegingen van elkaar afhankelijk worden. Vervolgens gebruiken ze spiegels en beam splitters om deze golven te mengen, waardoor de verbindingen over het hele systeem worden verspreid. Ten slotte meten ze het licht om te zien welke patronen ontstaan. Omdat de fysica van het licht goed begrepen wordt, kunnen de onderzoekers precies traceren hoe elk onderdeel van de machine bijdraagt aan het uiteindelijke resultaat, wat het model "interpreteerbaar" maakt in plaats van een mysterieuze black box.

De onderzoekers testten hun idee door te proberen de complexe relaties in de dagelijkse rendementen van financiële activa te recreëren. Ze kozen twee specifieke uitdagingen: een kleine groep van vijf verschillende activa, waaronder grote technologieaandelen, een goudfonds, een staatsobligatiefonds en een cryptovaluta, en een grotere groep van twintig verschillende aandelen uit de S&P 500-index. Het doel was om hun op licht gebaseerde machine te trainen om de correlatiematrix van deze activa te matchen, wat een kaart is die laat zien hoe sterk elk paar activa samen beweegt. In de test met vijf activa slaagde het team erin om het circuit te trainen zodat het lichtgebaseerde model de exacte sterkte en richting van de relaties tussen de activa reproduceerde. Het verschil tussen de real-world data en de output van het model was zo klein dat het nauwelijks meetbaar was, waarbij fouten pas zichtbaar werden in de vijfde decimaal. Het model identificeerde correct niet alleen dat activa samen bewogen, maar ook of ze in dezelfde of de tegenovergestelde richting bewogen.

Om er zeker van te zijn dat het model niet alleen de relaties matche, maar ook de algemene vorm van de data, pasten de onderzoekers een eenvoudige wiskundige aanpassing toe op de output. Deze stap stemde de gemiddelde waarden en de spreiding van de gegenereerde getallen af op de werkelijke data, vergelijkbaar met het afstemmen van een radio om het duidelijkste signaal te krijgen. Hoewel het lichtgebaseerde model van nature data produceert die lijkt op een standaard klokvormige curve (bell curve), hebben echte financiële data vaak "zwaardere staarten" (heavier tails), wat betekent dat extreme gebeurtenissen vaker voorkomen dan een simpele curve zou voorspellen. De onderzoekers ontdekten dat hoewel hun model de kernverbindingen perfect vastlegde, het moeite had om deze extreme staarten volledig te repliceren, wat te verwachten is aangezien het lichtsysteem grotendeels lineair is ontworpen. Echter, voor het overgrote deel van de data was de fit uitstekend.

Het team pushte het systeem vervolgens naar zijn grenzen met de test van twintig activa. Dit vereiste een veel groter circuit met veel meer verbindingen om de complexiteit te beheren. Zelfs met deze toename in omvang bleef het model effectief. Het reproduceerde succesvol de correlatiepatronen voor de twintig aandelen en identificeerde correct het teken van de relatie — of deze positief of negatief was — voor ongeveer 94 procent van alle mogelijke paren. De fouten in de sterkte van deze relaties bleven klein, waarbij het overgrote deel ruim onder een drempel lag die als een significante fout zou worden beschouwd. Dit toonde aan dat de aanpak kon opschalen om een realistisch aantal variabelen te verwerken zonder het vermogen te verliezen om de onderliggende structuur van de data te leren.

Een essentieel onderdeel van dit werk betrof een technische hindernis: hoe een specifiek type lichtinteractie te simuleren, namelijk een Kerr-gate, die een niet-lineair effect introduceert dat het systeem krachtiger maar ook moeilijker te berekenen maakt. Standaard computersimulaties worstelen hiermee omdat de wiskunde extreem zwaar wordt. De onderzoekers ontwikkelden een nieuwe methode om dit effect te benaderen door het af te breken in een som van eenvoudigere, lineaire delen die een computer efficiënt kan verwerken. Dit stelde hen in staat om het potentieel van het model voor het verwerken van complexere datadistributies te testen zonder een supercomputer nodig te hebben. Ze ontdekten dat voor de zwakke niet-lineariteiten die ze testten, deze methode goed werkte, waardoor de simulatie snel bleef terwijl de essentiële fysica behouden bleef.

De studie concludeert dat deze op licht gebaseerde aanpak een veelbelovende weg biedt voor het genereren van data die zowel snel als begrijpelijk is. In tegenstelling tot traditionele computermodellen die van de gebruiker vereisen dat hij een complex algoritme vertrouwt, stelt dit fotonische systeem onderzoekers in staat om precies te zien hoe de correlaties laag voor laag worden opgebouwd. Het fysieke karakter van het systeem betekent dat het, eenmaal getraind, nieuwe monsters bijna onmiddellijk kan produceren, beperkt door enkel de snelheid van de lichtdetectoren, die op miljarden cycli per seconde kunnen werken. Hoewel de huidige versie het beste werkt voor data die standaard patronen volgen, suggereren de onderzoekers dat door de niet-lineaire componenten in toekomstige versies te versterken, het systeem uiteindelijk zelfs complexere en onvoorspelbaardere real-world fenomenen zou kunnen modelleren. Dit werk vestigt een nieuw platform waar de wetten van de optica kunnen worden ingezet om te leren van data en nieuwe inzichten te genereren, waarmee de kloof tussen abstract statistisch leren en tastbare fysieke processen wordt overbrugd.