Q-PhotoMarket: un framework per esplorare lo spazio di progettazione delle reti neurali quantistiche ibride fotoniche nella previsione dei mercati finanziari

Abstract degli autori

La computazione quantistica fotonica è emersa di recente come una piattaforma promettente per l’apprendimento automatico quantistico ibrido, grazie alla realizzazione nativa di circuiti ottici lineari e alla complessità computazionale del boson sampling. Tuttavia, nonostante il crescente interesse per i metodi quantistici applicati alla finanza, l’influenza delle scelte progettuali dei circuiti fotonici sulle prestazioni predittive resta in gran parte inesplorata. Gli studi esistenti valutano in genere una singola architettura, lasciando inesplorato il più ampio spazio di progettazione fotonica. In questo lavoro presentiamo Q-PhotoMarket, un framework sistematico di esplorazione dello spazio di progettazione (DSE) per reti neurali quantistiche ibride fotoniche (HQNN), applicate alla previsione dei mercati finanziari. Esploriamo oltre 5.000 configurazioni fotoniche valide, che comprendono stati dei fotoni in ingresso, architetture di circuito, modelli di entanglement e strategie di misurazione, nei rispettivi spazi di calcolo compatibili, per i mercati statunitense e indiano e per quelli delle criptovalute. Per migliorare l’efficienza della ricerca, all’esplorazione esaustiva affianchiamo l’ottimizzazione bayesiana. Includiamo inoltre la calibrazione delle soglie e strumenti diagnostici per il collasso delle previsioni, così da consentire valutazioni affidabili in presenza di soglie dei rendimenti sempre più sbilanciate. I risultati sperimentali mostrano che l’esplorazione sistematica di oltre 5.000 configurazioni di HQNN fotoniche rivela schemi architetturali coerenti nei diversi mercati finanziari, individua progetti robusti e dalle prestazioni elevate e dimostra prestazioni competitive rispetto ai modelli di riferimento di machine learning classico.