A Noise-Aware Quantum Algorithm for Credit Valuation Adjustments on Real Quantum Hardware

Resumo Técnico: Um Algoritmo Quântico Consciente de Ruído para Ajuste de Valor de Crédito em Hardware Quântico Real

Definição do Problema
O Ajuste de Valor de Crédito (CVA) é um componente crítico na precificação de derivativos que contabiliza o risco de crédito da contraparte. Quantitativamente, o CVA requer a estimativa repetida de expectativas sob medida neutra ao risco sobre portfólios complexos de múltiplos ativos, uma tarefa tradicionalmente tratada por simulação de Monte Carlo (MC). Enquanto o MC clássico escala como $O(N^{-1/2})$, a Estimativa de Amplitude Quântica (QAE) oferece uma vantagem teórica quadrática, escalando como $O(N^{-1})$. No entanto, traduzir essa vantagem assintótica em um fluxo de trabalho financeiro prático em dispositivos NISQ (Noisy Intermediate-Scale Quantum) atuais permanece um desafio em aberto. Propostas anteriores de nível de circuito, como a de Alcazar et al. (2022), focaram em instâncias simplificadas de opção única e dependeram de simulações ideais, deixando sem resposta a degradação da informação quântica devido ao ruído do hardware, discretização finita e as complexidades específicas da dinâmica correlacionada de múltiplos ativos.

Metodologia
Os autores apresentam um fluxo de trabalho quântico de ponta a ponta e consciente de ruído para CVA, executado em hardware real da IBM Quantum. A metodologia é estruturada em três componentes primários:

1. Modelagem Financeira e Codificação Quântica:

   • Modelo: O estudo estende o trabalho anterior de uma única opção para um conjunto de compensação (netting set) correlacionado de dois ativos. Incorpora dinâmica log-normal de múltiplos ativos sob medida neutra ao risco, calibrada com dados de mercado (fechamentos de ações, superfícies de volatilidade implícita, spreads de CDS e fatores de desconto).
   • Discretização: O domínio de tempo-mercado contínuo é truncado e discretizado em uma grade finita compatível com registradores de qubits.
   • Construção do Circuito: O funcional de CVA é codificado em um circuito quântico $A$. Isso envolve:
     • Preparação de Estado: Uma Máquina de Boltzmann de Circuito Quântico (QCBM) é treinada para preparar uma distribuição de probabilidade conjunta tempo–mercado que represente a dinâmica correlacionada dos ativos.
     • Codificação de Payoff: Circuitos de rotação controlada (CRCA) codificam a exposição positiva, os fatores de desconto e as probabilidades de default em três qubits ancila.
     • Alvo: O valor do CVA é recuperado da probabilidade de medir o estado "bom" (todos os três ancilas em $|1\rangle$).

2. Estimativa de Amplitude Quântica Bayesiana de Contraste-Consciente (CABIQAE):

   • Reconhecendo que a amplificação de Grover perde contraste (relação sinal-ruído) conforme a profundidade do circuito aumenta em hardware real, os autores introduzem o CABIQAE.
   • Diferente da Estimativa de Amplitude Bayesiana (BAE) ou da QAE Iterativa (IQAE) padrão, que assumem oscilação ideal, o CABIQAE incorpora um modelo de decaimento de contraste calibrado. Ele trata a perda de contraste de Grover observada experimentalmente não como um erro, mas como um parâmetro no problema de inferência.
   • O algoritmo utiliza um modelo de verossimilhança calibrado pelo hardware onde a probabilidade de sucesso decai exponencialmente com o poder de Grover $k$. Ele seleciona dinamicamente profundidades de Grover que maximizam o ganho de informação dentro da "janela de contraste" antes que o ruído domine.

3. Validação Experimental:

   • O fluxo de trabalho é validado usando uma metodologia de "reprodução de hardware" (hardware-replay). Os autores primeiro caracterizam a resposta do hardware dos circuitos amplificados e, em seguida, reproduzem trajetórias de estimativa adaptativas (CABIQAE, BIQAE e BAE) usando esses dados empíricos. Isso permite uma comparação estatística robusta sem a necessidade de executar cada trajetória adaptativa ao vivo no processador quântico.
   • Comparações são feitas contra o Amostragem Direta de Circuito (DCS) e baselines que ignoram o ruído (BIQAE, BAE).

Resultos Principais

• Desempenho Algorítmico: No regime de reprodução de hardware, algoritmos que ignoram o ruído (especificamente o BIQAE) falham em melhorar além de um certo custo de consulta, colapsando para um piso de ruído conforme aplicam cegamente iterações de Grover profundas. Em contraste, o CABIQAE e o BAE continuam a reduzir o erro ao longo de uma gama mais ampla.
• Eficiência: O CABIQAE atinge um erro relativo mediano de $1,82 \times 10^{-3}$ com um custo de consulta mediano de $4,95 \times 10^4$. Embora seu erro final seja comparável ao do BAE ($1,77 \times 10^{-3}$), o CABIQAE opera com circuitos significativamente mais rasos (fator de Grover máximo mediano $K=23$ vs. $K=33$ para o BAE) e um tempo de pós-processamento clássico drasticamente menor (1,25s vs. 45,72s).
• Decomposição de Erro: O estudo decompõe o erro total de CVA em contribuições estatísticas, de codificação, de discretização e de hardware. A análise revela que o oráculo completo de CVA é atualmente limitado pela profundidade do circuito e pela resolução de discretização, em vez de apenas amostragem estatística.
• Escalabilidade: No regime ruidoso, o CABIQAE mantém um expoente de convergência de $\beta \approx -0,69$, que é superior ao DCS de reprodução de hardware ($\beta \approx -0,30$) e ao BIQAE que ignora o ruído ($\beta \approx -0,25$), embora não atinja o limite de Heisenberg ideal ($\beta = -1$).

Significância e Alegações
Os autores declaram explicitamente que este trabalho não reivindica uma vantagem de tempo de execução quântico de ponta a ponta sobre o Monte Carlo clássico para o cálculo completo do CVA. Em vez disso, a significância reside em:

1. Realismo: Fornecer um pipeline completo de ponta a ponta que vai além de benchmarks de opção única para um conjunto de compensação de múltiplos ativos calibrado em hardware real.
2. Consciência de Ruído: Demonstrar que incorporar a perda de contraste experimentalmente calibrada no loop de estimativa de amplitude (via CABIQAE) torna o estimador melhor adaptado ao regime específico dos atuais dispositivos NISQ, onde a amplificação é útil apenas dentro de uma janela de profundidade finita.
3. Escalabilidade Prática: Mostrar que uma abordagem consciente do ruído pode alcançar um overhead de pós-processamento clássico menor e utilizar circuitos mais rasos em comparação com as baselines Bayesianas que ignoram o ruído, melhorando assim a escalabilidade prática dos fluxos de trabalho de CVA quântico.

O artigo conclui que, embora a vantagem quântica total seja atualmente limitada pelas restrições de hardware e discretização, o framework proposto consciente do ruído oferece um caminho viável para extrair informações úteis de circuitos amplificados na presença de ruído realista de hardware.