⚛️ quantum physics

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

该论文提出了一种基于张量秩分解的量子物理信息神经网络（QPINN），在求解 Merton 投资组合优化偏微分方程时，仅需比经典全连接 PINN 少 80 倍的参数即可实现更高的精度和更快的收敛速度，从而证明了量子模型在资源高效解决金融 PDE 问题上的优势。

原作者： Letao Wang, Abdel Lisser, Sreejith Sreekumar, Zeno Toffano

发布于 2026-04-07

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Letao Wang, Abdel Lisser, Sreejith Sreekumar, Zeno Toffano

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个非常有趣的故事：如何用“量子物理”的思维方式，帮投资者在复杂的金融市场中找到最佳的投资策略。

为了让你轻松理解，我们可以把这篇论文拆解成几个生动的比喻：

1. 核心难题：在暴风雨中找路（什么是 PDE 和 Merton 问题？）

想象你是一位船长（投资者），你要驾驶一艘船（你的财富）穿过一片充满风暴和暗礁的大海（金融市场）。

目标：你要决定多少力气划船（投资无风险资产，如银行存款），多少力气去追风帆（投资风险资产，如股票），以便在到达终点时，你的财富最多且最安全。
挑战：大海的风向（市场波动）是随机的，随时在变。要算出完美的策略，你需要解一个极其复杂的数学方程，叫做偏微分方程 (PDE)。
现状：传统的计算机（经典计算机）就像是用笨重的算盘或老式计算器来解这个方程。它们要么算得太慢，要么为了算得准，需要消耗巨大的能量（计算资源），甚至算不出来。

2. 新武器：量子神经网络 (QPINN)

为了解决这个难题，作者们发明了一种新工具，叫**“量子物理信息神经网络” (QPINN)**。

传统 AI (PINN)：就像是一个勤奋但有点死板的学徒。它试图通过死记硬背大量的数据来猜出答案。虽然它很努力，但有时候会“钻牛角尖”，学得很慢，或者在数据太复杂时直接“迷路”（收敛慢、精度低）。
量子 AI (QPINN)：这就像是一个拥有“透视眼”和“分身术”的天才。它利用量子力学的特性（比如叠加态和纠缠），能够同时探索无数种可能性。它不是死记硬背，而是直接理解海洋的“物理规律”。

3. 核心创新：把“大积木”拆成“小积木” (张量分解)

这是这篇论文最厉害的地方。

以前的量子方法：想要用量子计算机解这个方程，就像是要用乐高积木搭一座摩天大楼。如果大楼太高（方程太复杂），需要的积木数量是指数级爆炸的。哪怕你有再多的积木，也搭不起来，因为积木不够用（量子资源有限）。
作者的方法（张量分解）：作者发现，很多复杂的金融方程，其实可以拆解成几个简单的“小积木”相乘再相加。
- 比喻：想象你要描述一个巨大的、复杂的图案。以前，你需要给图案里的每一个像素点都画一笔（这需要无数笔）。
- 现在：作者发现，这个图案其实是由几条简单的线条（单变量函数）交织而成的。你只需要画出这几条线条，然后把它们“编织”在一起，就能还原出整个图案。
- 结果：原本需要指数级的积木（量子资源），现在只需要多项式级（很少的积木）就够了。这让在现有的、还不完美的量子计算机上运行成为可能。

4. 实验结果：小个子也能打败大巨人

作者拿这个新方法和传统的“大胖子”方法（经典全连接神经网络）做了一场比赛，题目是解决那个“船长找路”的问题。

对手：
1. 经典大胖子：拥有 481 个参数（就像有 481 个大脑在同时思考），非常庞大。
2. 经典模仿者：拥有 6 个参数，但试图模仿新方法的思路。
3. 我们的量子选手：只有 7 个参数（非常精简！）。
比赛结果：
- 速度：量子选手跑得飞快，很快就找到了答案。
- 精度：量子选手画出的路线图，比那个拥有 481 个大脑的“大胖子”还要精准。
- 惊喜：即使把量子选手的“量子部分”去掉，只保留它的“小积木”思路（变成量子启发的经典模型），它依然比那个笨重的经典大胖子表现得好得多。

5. 总结与意义

这篇论文告诉我们：

少即是多：在解决复杂的金融数学问题时，不需要堆砌海量的参数。只要找到问题的内在结构（就像把大积木拆成小积木），用很少的资源就能达到惊人的效果。
量子优势：量子计算不仅仅是“算得快”，它提供了一种全新的思维方式（归纳偏置）。这种思维方式能更自然地捕捉金融市场的规律。
未来可期：即使现在的量子计算机还不够完美，但作者提出的这种“量子启发”的方法，已经可以在普通电脑上运行，并且效果显著。这为未来真正使用量子计算机解决金融难题铺平了道路。

一句话总结：
作者们发现，用一种巧妙的“拆解法”（张量分解）结合量子思维，可以用极少的资源（7 个参数）精准地算出最佳投资策略，轻松击败了那些笨重且耗资巨大的传统计算方法。这就像是用一把精巧的瑞士军刀，切开了一个需要用大斧头才能劈开的难题。

这是一份关于论文《Learning PDEs for Portfolio Optimization with Quantum Physics-Informed Neural Networks》（利用量子物理信息神经网络学习偏微分方程进行投资组合优化）的详细技术总结。

1. 研究背景与问题 (Problem)

核心挑战：在金融数学中，偏微分方程（PDEs）对于衍生品定价、风险管理和最优投资组合策略至关重要。特别是Merton 投资组合优化问题，旨在确定在风险资产和无风险资产之间的最优投资比例，通常转化为求解 Hamilton-Jacobi-Bellman (HJB) PDE。
现有方法的局限性：
- 传统数值方法（如有限差分法 FDM、有限元法 FEM）：在高维问题中计算成本高昂，难以达到高精度。
- 经典物理信息神经网络 (PINN)：虽然是一种无网格的替代方案，但面临收敛慢、难以捕捉高频特征以及在处理高维问题时可扩展性差的问题。
- 现有量子方法 (QPINN)：早期的量子物理信息神经网络通常基于傅里叶模型或硬件高效 Ansatz (HEA)，缺乏理论保证（即无法确保假设空间包含目标函数的良好近似），且实现通用多项式所需的量子资源（深度、参数量）随变量维度呈指数级增长，难以在近期量子硬件上运行。

2. 方法论 (Methodology)

本文提出了一种基于张量秩分解 (Tensor Rank Decomposition) 的新型量子模型架构，旨在解决上述资源复杂度和理论保证问题。

2.1 核心创新：张量分解多项式 (Tensor-Decomposed Polynomials)

理论洞察：许多 PDE 的解析解（如热方程、Merton 问题解）具有可分离结构，即可以表示为单变量函数的乘积之和。
模型设计：
- 将多元多项式系数进行张量秩分解，将多元多项式表示为单变量多项式乘积的加权和：
  $p(x) = \sum_{r=1}^{R} \lambda_r \prod_{j=1}^{D} p_{r,j}(x_j)$
  其中 $R$ 是张量秩， $D$ 是变量维度。
- 利用量子信号处理 (QSP) 框架，设计参数化量子电路 (PQC) 来高效实现这些单变量多项式。
资源复杂度突破：
- 传统通用多元多项式实现需要指数级深度的电路。
- 本文提出的张量分解模型，当张量秩 $R$ 适中时，将量子资源复杂度（电路深度、参数量）从指数级降低到多项式级。

2.2 模型架构

论文提出了两种模型：

量子物理信息神经网络 (QPINN)：
- 基于张量分解模型，并额外添加了一个纠缠层 (Entangling Layer)。
- 通过引入受控的幺正演化 $e^{-iH(\lambda)}$ ，扩展了假设空间，使其包含非可分离的多量子比特关联，从而增强了模型的表达能力（Expressivity），使其能够逼近更复杂的 PDE 解。
- 由于纠缠层的存在，该模型无法在经典计算机上高效模拟，必须运行在量子硬件上。
量子启发式 PINN (Quantum-inspired PINN)：
- 是 QPINN 的变体，去除了纠缠层（或设参数 $\lambda=0$ ）。
- 其假设函数严格保持张量分解结构，可以完全在经典计算机上高效模拟。
- 尽管是经典模拟，但它继承了张量分解的归纳偏置（Inductive Bias）。

2.3 训练框架

遵循标准的 PINN 框架：定义损失函数，包含 PDE 残差项和边界条件项。
利用参数移位规则 (Parameter Shift Rule) 计算量子电路输出的导数。
通过梯度下降优化电路参数，最小化损失函数。

3. 主要贡献 (Key Contributions)

量子资源复杂度的理论分析：
- 详细分析了实现单变量、多变量及张量分解多项式所需的量子资源（宽度、深度、参数量）。
- 证明了在张量秩 $R$ 不大的情况下，张量分解模型将实现成本从指数级降低到多项式级，使其在近期含噪声中等规模量子 (NISQ) 设备上可行。
理论保证与假设空间刻画：
- 证明了 QPINN 和量子启发式 PINN 的假设空间包含所有具有固定张量秩的张量分解多项式。
- 这保证了只要目标 PDE 解具有此类结构（或可被其良好近似），模型就存在理论上的近似解，解决了以往 QPINN 缺乏理论保证的问题。
实验验证与性能提升：
- 在 Merton 投资组合优化 HJB PDE 问题上进行了数值模拟。
- 对比对象：
  - FC PINN：经典全连接 PINN，参数量是量子模型的 80 倍。
  - Counterpart PINN：具有相同张量分解归纳偏置的经典 PINN（参数量与量子模型相当）。
- 结果：
  - 量子模型（QPINN 和量子启发式 PINN）在收敛速度和最终精度上均优于 FC PINN 和 Counterpart PINN。
  - 即使参数量极少（仅 7 个参数），量子模型也能达到极高的精度，证明了归纳偏置和量子表达能力的重要性。
  - QPINN 比量子启发式 PINN 表现更好，验证了纠缠层带来的额外表达能力。

4. 实验结果 (Results)

任务：求解 Merton 投资组合优化问题的 HJB PDE，参数设定为 $r=0.02, T=1.0, \gamma=0.95, \mu=0.0219, \sigma=0.2$ 。
性能指标：
- 损失值：QPINN 和量子启发式 PINN 的损失下降更快，且最终损失值更低。
- 逼近精度：在 3D 表面图和 2D 截面图中，量子模型生成的解与解析解高度吻合，特别是在边界和内部区域。相比之下，FC PINN 即使参数多得多，也出现了较大偏差。
- 参数量对比：QPINN 仅使用 7 个可训练参数，而 FC PINN 使用了 481 个参数。
结论：实验表明，针对特定结构（如可分离结构）设计的模型架构（归纳偏置）比单纯增加参数量更有效。量子纠缠进一步提升了模型处理复杂映射的能力。

5. 意义与展望 (Significance)

理论意义：
- 为量子机器学习解决 PDE 提供了新的理论视角，通过张量分解将量子电路的表达能力与 PDE 解的结构特性（可分离性）联系起来。
- 证明了在假设空间中包含特定结构（张量分解多项式）可以带来理论上的近似保证。
实际应用价值：
- 资源高效：提出的模型显著降低了量子资源需求，使得在当前的 NISQ 设备上解决金融 PDE 问题成为可能。
- 量子启发式算法：即使在没有量子硬件的情况下，提出的“量子启发式 PINN"也能在经典计算机上实现高性能，为传统金融计算提供了新的优化思路。
未来方向：
- 研究更复杂的纠缠哈密顿量以进一步提升表达能力。
- 深入探讨训练过程中的“ barren plateau"（ barren 高原）现象及可训练性问题。
- 将方法推广到更复杂的、无解析解的高维金融 PDE 问题。

总结：该论文通过引入张量秩分解结构，成功设计了一种资源高效且具有理论保证的量子物理信息神经网络。实验表明，该方法在解决 Merton 投资组合优化问题时，以极少的参数量实现了比传统深度学习和经典 PINN 更高的精度和收敛速度，展示了量子计算在金融数学领域解决结构化 PDE 问题的巨大潜力。