The Signal
Un modello quantistico fotonico riproduce correlazioni multivariate
Un preprint descrive un circuito fotonico a variabili continue addestrato a riprodurre le correlazioni nei dati finanziari, con un’elaborazione affine per adattare le singole distribuzioni marginali. Gli autori riportano anche risultati su 20 variabili e un metodo distinto per simulare deboli non linearità di Kerr.

Dat Chi Le e Oleksandr Kyriienko propongono un modello fotonico a variabili continue per apprendere dati multivariati correlati. Il loro preprint, presentato ad arXiv il 3 novembre 2026, utilizza la rilevazione omodina su un circuito fotonico e addestra il circuito a riprodurre le correlazioni misurate nei dati. Lo studio presenta l’approccio come un modo per generare campioni da distribuzioni le cui variabili hanno relazioni strutturate.
Come il circuito modella le correlazioni
Il modello utilizza un circuito fotonico a N modi, ciascuno dei quali contribuisce con una variabile all’output. Lo squeezing a due modi crea correlazioni tra i modi. Gli sfasamenti locali regolano l’intensità e il segno di tali correlazioni, mentre un interferometro programmabile le ridistribuisce tra le coppie di modi. Gli autori descrivono il ruolo di questi componenti del circuito in termini dei loro effetti sulla matrice di correlazione dell’output.
L’addestramento usa come obiettivo la matrice di correlazione di Pearson ricavata dai dati. Invece di confrontare i campioni, il circuito viene addestrato con metodi classici facendo corrispondere la covarianza dello stato simulato alla struttura di correlazione empirica. Secondo lo studio, questo consente di effettuare l’addestramento usando solo la covarianza dello stato. La rilevazione omodina del circuito addestrato fornisce poi campioni a valori continui.
Dopo aver adattato le correlazioni, gli autori applicano un post-processing affine per modificare indipendentemente le distribuzioni marginali, mantenendo intatte le relazioni. In questo modo si separa l’adattamento delle distribuzioni marginali delle singole variabili dal compito del circuito di rappresentare le correlazioni. Il modello viene quindi valutato sia sulla struttura che lega le variabili sia sulla sua capacità di adattarsi a diverse distribuzioni marginali.
Test sui rendimenti finanziari
Le e Kyriienko testano l’architettura sulla distribuzione multivariata dei rendimenti logaritmici standardizzati di attività finanziarie. Esaminano circuiti con un massimo di venti modi. Lo studio riporta che, per cinque variabili, il modello riproduce le correlazioni empiriche con residui inferiori a 10−4.
Per venti variabili, gli autori riportano che vengono ricostruiti i segni corretti per il 94% ± 1% delle 190 coppie di correlazioni, con l’86% dei residui inferiore a 0,1. Il risultato sui segni e i dati sui residui misurano aspetti diversi dell’adattamento: se il modello individua correttamente la direzione di ogni correlazione tra coppie e quanto le sue correlazioni si avvicinano ai valori empirici. L’abstract li presenta come risultati relativi alla distribuzione dei rendimenti finanziari, non come una garanzia per altri dataset.
Uno studio distinto sui gate di Kerr
Il preprint sviluppa anche un approccio per simulare gate di Kerr con una piccola non linearità. Ne rappresenta l’azione a debole intensità attraverso un’espansione di Hubbard-Stratonovich, che secondo gli autori rende i gate adatti ai simulatori basati su variabili continue. Si tratta di un contributo tecnico che affianca il modello di apprendimento delle correlazioni ed è distinto dalla valutazione sui rendimenti finanziari.
Lo studio colloca il modello tra gli approcci generativi che utilizzano sistemi fisici per produrre campioni. Il circuito proposto usa operazioni gaussiane per formare e distribuire le correlazioni e misure omodine per ottenere output continui. Gli autori includono anche una non linearità di Kerr per andare oltre la famiglia gaussiana, rappresentandone al contempo l’azione a debole intensità in modo che possa essere trattata con metodi gaussiani nello spazio delle fasi. Presentano i circuiti risultanti come una piattaforma per l’apprendimento generativo interpretabile e per la rappresentazione e il campionamento rapido di distribuzioni in diversi ambiti applicativi.
Fonte
Notizie correlate
- Un processore fotonico classifica gli stati quantistici in base al rango stellare
- Un modello quantistico ibrido segue la diffusione dei fermioni vicino alla risonanza
- Qluster raccoglie 4,7 milioni di euro per la computazione quantistica fotonica
- Secondo uno studio, i dati di ORCA PT-2 producono maggiori miglioramenti nel perfezionamento di un modello per il rilevamento di malware
- Quandela sceglie Quang Trung University per il primo computer quantistico del Vietnam