Solving 2D Black Scholes Equation via Hermitian Block Embedding and… — 通俗解释

这是一篇使用简单语言和日常类比对该论文进行的解释。

大局观：为“一篮子”期权定价

想象你是一名金融交易员，正试图计算一种特殊“一篮子”期权的价格。这不仅仅是对单一股票（如苹果公司）的赌注，而是对两只不同股票（如苹果和微软）如何共同运动的赌注。

在现实世界中，计算这种一篮子期权的公平价格就像是在解一个巨大的、复杂的迷宫。你必须从赌注结束的那天（到期日）开始，向后倒推，计算价格在每一个步骤中是如何变化的。

长期以来，计算机一直使用一种称为“有限差分”的方法来完成这项工作。你可以把它想象成将股票价格平滑、连续的运动转化为一个巨大的点阵网格。为了计算今天的价格，计算机必须解一个巨大的数学谜题：它需要反转一个巨大的矩阵（一组数字网格），以便在时间轴上向后回溯。

问题所在：“非对称”谜题

计算机面临的数学谜题非常棘手。它需要反转的数字网格（矩阵）是“非埃尔米特”（non-Hermitian）的。用通俗的话说，这个网格是歪斜的，没有整齐、对称的结构。

在更简单的单股票场景中，科学家们发现了一个聪明的技巧，可以将这种歪斜的网格变为对称的（埃尔米特），从而可以使用一种强大的新工具——广义量子信号处理（GQSP）。GQSP 就像一台超高效的量子机器，可以非常快速地解决特定类型的数学谜题，但它仅适用于对称且表现良好的网格。

然而，当你加入第二只股票时，网格就变成了一个复杂的二维方块。旧的使其对称的技巧失效了，因为两只股票以一种复杂的方式纠缠在一起，产生了一些无法通过简单调整来修复的数学“环路”。

解决方案：“埃尔米特块嵌入”

该论文的作者想出了一个新方法，来诱骗量子机器去解决这个二维问题。他们使用了一种名为**埃尔米特块嵌入（Hermitian Block Embedding）**的技术。

类比：镜像盒
想象你有一个歪斜、混乱的对象（二维时间步矩阵），你无法将其放入特殊的“对称机器”（GQSP）中。

技巧： 与其尝试修复对象本身，不如在它周围建造一个特殊的盒子。
构造： 你将这个混乱的对象放在盒子的右上角，并将它的“镜像”（转置）放在左下角。左上角和右下角则是空的（零）。
结果： 尽管内部很混乱，但整个盒子现在是完美对称的。它现在是“埃尔米特”的。

现在，量子机器可以观察这个大盒子。当机器执行其魔力（多项式变换）作用于这个盒子时，它会产生一个结果，其中“混乱”的部分（原矩阵的逆）会出现在盒子的特定角落。

他们是如何做到的：“奇”多项式

为了从这个盒子里提取答案，作者使用了一种特殊类型的数学函数，称为奇多项式（odd polynomial）。

将“偶函数”想象成关于一条线对称的图像（比如一个笑脸）。
将“奇函数”想象成一种旋转（比如一个跷跷板）。

由于他们构建盒子的这种方式（将混乱的部分放在角落里），他们需要一种“跷跷板”类型的数学函数。如果他们使用“笑脸”函数，答案就会丢失。通过使用“奇”函数，数学逻辑会自然地抵消掉空的角落，并将正确的答案（逆矩阵）留在结果的左下角。

测试：奏效了吗？

团队运行了模拟实验，以观察这种新方法是否真的适用于两只股票的“一篮子”期权。

设置： 他们模拟了一个包含两种资产的篮子期权，使用了 32x32 个点的网格（共 1,024 个点）。
对比： 他们将他们的量子风格解决方案（使用这种新的嵌入方法）与标准的、受信任的经典计算机方法（后向欧拉法/Backward Euler）进行了对比。
结果： 两种方法高度一致。这种“量子”解决方案看起来几乎与“经典”解决方案完全相同。

这证明了他们的“镜像盒”技巧成功捕捉到了复杂二维问题的动态特性。该方法准确地重现了期权价格的向后时间演化。

缺陷：离散化误差

论文指出了一项主要的局限性。由于他们是在计算机上进行模拟，因此必须在时间上采取“步长”。在他们的模拟中，由于复杂性，他们不得不采取一个非常大的步长（一次大跳跃）。

问题： 在数学模拟中采取巨大的步长会引入“离散化误差”（大致相当于尝试只用几块巨大的乐高积木来绘制一条平滑的曲线）。
发现： 他们结果中的误差主要源于这种巨大的步长，而不是量子方法的缺陷。事实上，这种误差与运行具有相同巨大步长的经典方法所产生的误差相似。

总结

该论文展示了一种利用量子算法解决复杂二维金融定价问题的新方法。

他们无法使用旧的技巧使数学结构对称。
他们构建了一个“镜像盒”（埃尔米特块嵌入）来强制使数学结构呈现对称形状。
他们使用了一种特殊的“奇多项式”从盒子中提取答案。
他们的模拟表明，这种方法是有效的，并且产生的结果与标准经典计算机相匹配，为未来解决更复杂的、多资产的问题铺平了道路。

技术摘要：通过厄米特分块嵌入与广义量子信号处理求解二维 Black–Scholes 方程

1. 问题陈述

定价欧洲金融衍生品（如期权）在根本上是由 Black–Scholes 偏微分方程（PDE）进行建模的。对于多资产期权（例如依赖于两种底层资产的篮子期权），该问题演变为一个二维 PDE。在标准的无套利框架下，定价需要向后演化终端收益函数。

在使用有限差分法和隐式时间步进方案（特别是后向欧拉法）进行离散化后，连续的 PDE 被转化为一系列线性代数问题。核心计算任务是应用时间步矩阵 $\tilde{M}$ 的逆 $\tilde{M}^{-1}$ 到代表期权价值的向量上。

挑战： 在二维情况下，离散化矩阵 $\tilde{M}$ 是实数的，但由于漂移项、混合导数和边界条件的存在，它通常是非厄米特（non-Hermitian）且非幺正的。
量子背景： 虽然量子线性代数算法（如量子信号处理 QSP 和广义量子信号处理 GQSP）提供了通过多项式变换实现矩阵函数（如求逆）的强大方法，但这些方法通常要求输入算符是幺正或厄米特的。处理非厄米特矩阵的标准方法通常依赖于“分块编码”（block-encoding），但这会引入显著的开销，包括辅助寄存器、电路深度和状态准备。此前的工作 [13] 通过使用对角相似变换将三对角时间步矩阵转换为厄米特形式，成功地将 Hermitian-GQSP 方法应用于一维 Black–Scholes 方程。然而，该方法在二维情况下失效了，因为二维矩阵的块结构（源于张量积离散化和混合导数）阻止了能够保持厄米特性的对角相似变换的存在。

2. 方法论

作者提出了一种**厄米特分块嵌入（Hermitian block embedding）**策略，旨在无需对角相似变换或常规分块编码开销的情况下，将 GQSP 框架扩展到二维 Black–Scholes 方程。

A. 厄米特分块嵌入
作者并未尝试直接对非厄米特矩阵 $\tilde{M}$ 进行对称化，而是将其嵌入到一个维度为 $2N \times 2N$ 的更大厄米特矩阵 $H$ 中（其中 $N$ 是离散网格的维度）：
$H = \begin{pmatrix} 0 & \tilde{M} \\ \tilde{M}^T & 0 \end{pmatrix}$
由于 $\tilde{M}$ 是实数，因此 $H$ 是实对称矩阵，从而也是厄米特的。该嵌入矩阵的逆为：
$H^{-1} = \begin{pmatrix} 0 & \tilde{M}^{-T} \\ \tilde{M}^{-1} & 0 \end{pmatrix}$
至关重要的是，所需的逆时间步算符 $\tilde{M}^{-1}$ 出现在 $H^{-1}$ 的左下角非对角块中。

B. 奇多项式逼近
$H$ 的结构决定了其幂次的奇偶性： $H$ 的偶次幂是分块对角的，而奇次幂是分块非对角的。

作者构造了一个奇多项式 $p(x) = \sum c_{2m+1} x^{2m+1}$ ，用以在 $H$ 的谱上逼近逆函数 $f(x) = 1/(\gamma x)$ 。
由于 $p(x)$ 是奇函数，因此 $p(H)$ 保持分块非对角结构。因此， $p(H)$ 的左下角块近似于 $\tilde{M}^{-1}$ 。
这使得通过对嵌入的输入态 $\begin{pmatrix} V^n \\ 0 \end{pmatrix}$ 应用多项式变换并提取结果向量的下半部分，即可实现向后时间演化步。

C. 谱缩放与 GQSP 实现

缩放： 矩阵 $H$ 被缩放因子 $\gamma = \max |\lambda_i(H)|$ 进行缩放，定义为 $A = H/\gamma$ ，以确保其谱落在 $[-1, 1]$ 内。其谱关于零对称，位于 $[-1, -\delta] \cup [\delta, 1]$ 之间，其中 $\delta$ 由 $\tilde{M}$ 的条件数决定。
GQSP： 缩放后的厄米特矩阵 $A$ 被嵌入到幺正算符 $U = A + i\sqrt{I-A^2}$ 中。随后使用 GQSP 算法对 $U$ 实现奇多项式变换 $p(A)$ 。
输出： 量子电路输出一个状态，其中下层寄存器包含近似解 $V^{n+1} = \tilde{M}^{-1}V^n$ 。

3. 主要贡献

向二维扩展： 本文将 Hermitian-GQSP 框架从一维扩展到二维 Black–Scholes 方程，克服了阻碍使用对角相似变换的高维结构障碍。
无分块编码方法： 作者展示了一种利用特定厄米特扩张和奇多项式结构，在不使用沉重的标准分块编码技术的情况下，利用 GQSP 求解非厄米特矩阵逆问题的方法。
原理验证： 该工作为如何将现代量子线性代数技术应用于多资产期权定价提供了原理验证。

4. 数值结果

作者使用 Python 和 PennyLane 对两种资产的欧洲篮子看涨期权进行了数值模拟。

设置： 进行了两组具有不同金融参数（波动率、相关性、行权价等）和网格大小（ $32 \times 32$ 网格点，嵌入为 $2048$ 维）的模拟。
对比： 将 GQSP 解与以下方法进行了基准测试：
1. 经典的后向欧拉有限差分法。
2. 直接应用于厄米特化矩阵的经典多项式逼近法。
发现：
- GQSP 解与经典多项式逼近以及后向欧拉基准显示出高度一致性。
- 结果证实，厄米特分块嵌入能够准确捕捉原始非厄米特算符的动力学特性。
- 误差来源： 分析确定了两个主要的误差来源：
  1. 多项式逼近误差： 取决于谱间隙 $\delta$ 。在第二次模拟中，较大的谱间隙导致了较低的逼近误差。
  2. 离散化误差： 由于必须使用单个大时间步（因为该方法被实现为单步求解器），离散化误差较为显著（在第一次模拟中约为 $\approx \$ 0.09 $，在第二次模拟中高出约$ 60%$）。这种误差在经典基准中同样存在。
- 噪声： 量子模拟表现出了噪声底限（在第二次模拟中观察到约为 $10^{-2}$ ），这在经典多项式逼近中并不存在。

5. 意义与主张

论文声称所提方法证明了结合厄米特分块嵌入与 GQSP 来求解多维 Black–Scholes 方程的可行性。

范围有限： 作者明确指出当前的实现是一个“单步逆求解器”。他们尚未声称实现量子优势，并指出该方法受限于当谱间隙较小时需要更高阶多项式，以及大时间步带来的离散化误差。
未来潜力： 其意义在于为解决经典计算机面临“维度灾难”的多资产衍生品量子算法提供了一条路径。作者认为，真正的量子优势可能出现在 3 维及以上的情况，届时经典有限差分法将变得在计算上难以承受。
局限性： 论文承认，未来的工作需要开发高效的多步时间演化方案，降低噪声底限，并通过更好的网格策略或多步 GQSP 实现来最小化离散化误差。

总之，本文通过引入一种绕过对角相似变换的厄米特分块嵌入方法，为应用 GQSP 处理二维期权定价建立了理论和数值基础，为求解高维金融衍生品的量子算法提供了一条可行的途径。

Solving 2D Black Scholes Equation via Hermitian Block Embedding and Generalised Quantum Signal Processing