Kvanttilaskenta on viime vuosina noussut kiinnostavaksi teemaksi eräänä lupaavimmista tulevaisuuden teknologioista. OP Lab‍, eli OP Ryhmän innovaatiotoimintaa kiihdyttävä yksikkö on jo pitkään tutkinut kvanttiteknologioita, ja tehnyt muutamia kokeiluja sen soveltuvuudesta finanssialan kontekstiin.  

Kvanttiannelointi (quantum annealing, kvanttihehkutus) on suhteellisen uusi lähestymistapa optimointiongelmien ratkaisemiseen. Tämänhetkisen tiedon perusteella se vaikuttaa lupaavimmalta kvanttilaskennan toteutustavalta, joka voisi tuottaa todellista arvoa liiketoiminnalle lähitulevaisuudessa. Toimialoilla, joiden ytimessä ovat monimutkaiset matemaattiset laskentamallit, kuten esimerkiksi rahoitus, lääketieteellinen kemia ja logistiikka, kvanttianneloinnin potentiaali tulevaisuuden toiminnan tehostamisessa voi olla merkittävä. Joitakin näiden toimialojen keskeisimmistä laskutoimituksista on mahdotonta ratkaista klassisten tietokoneiden avulla, ja siten kvanttiannelointi saattaa tarjota merkittävää kilpailuetua erityisesti teknologian varhaisille hyödyntäjille. 

Eräs alue, jolla kvanttiannelointi voisi olla erityisen hyödyllistä, on tilastollisten mallien rakentaminen, joissa optimaalisen parametrijoukon valinta on keskeisen tärkeää. Tällaisiin malleihin perustuu myös luottopisteytys, jossa tavoitteena on ennustaa lainanottajan lainan laiminlyönnin todennäköisyys. Kokeilimme OP Lab teknologiakokeilujen tiimin kanssa kvanttiannelointia laatimalla optimaalisen luottopisteytysmallin mallimuuttujien valintatehtävän ja suorittamalla sen kvanttitietokoneella. 

Luottopisteytys on numeerinen esitys lainanottajan luottokelpoisuudesta. Se lasketaan useiden tekijöiden, kuten luottohistorian, maksamattomien velkojen ja maksuhistorian perusteella. Lainanantajat käyttävät luottopisteytystä määrittääkseen todennäköisyyden lainanottajan lainan laiminlyönnille, ja sen perusteella joko hyväksyvät tai hylkäävät lainahakemuksen. 

Eräs luottopisteytyksen laskennallisista haasteista on tärkeimpien muuttujien tai tekijöiden valinta. Näitä mahdollisia mallimuuttujia voi olla satoja, esimerkiksi lainan suuruus, laina-aika, käyttökohde ja asuinpaikka vain muutamia mainitakseni. Itsenäisten ja merkityksellisten muuttujien valitseminen on tärkeää pyrkiessämme mahdollisimman tarkkaan malliin. Kun mahdollisia muuttujia on paljon, optimaalisen muuttujajoukon löytäminen on haastavaa valtavasta hakuavaruudesta, joka sisältää kaikki valintayhdistelmät muuttujille.  

Kvanttianneloinnin avulla voidaan ratkaista tietynlaisia optimointiongelmia nopeasti ja tehokkaasti. Tällä menetelmällä voidaan ratkaista mm. neliöllisiä rajoittamattomia binäärioptimointiongelmia (QUBO). QUBO on matemaattinen optimointitehtävä, jossa tavoitteena on löytää binääriarvot muuttujajoukolle, joka minimoi neliöllisen tavoitefunktion. Menetelmä soveltuu myös mallimuuttujien valintaan keskinäisten vaikuttavuuksien perustella. 

Tehokkaan luottopisteytysmallin kannalta on valittava optimaalinen joukko mallimuuttujia, jotka maksimoivat luottopisteiden tarkkuuden ja minimoivat käytettävien ominaisuuksien määrän. Muotoilimme ~130 muuttujan korrelaatiokertoimet QUBO:ksi nähdäksemme, pystyisikö kvanttianneloinnilla löytämään joukon muuttujia, jotka toimivat paremmin kuin perinteisillä menetelmillä valittu joukko. 

QUBO:n ratkaisemiseksi kvanttianneloinnin avulla suoritettiin seuraavat vaiheet: 

On syytä huomata, että kvanttiannelointiprosessin ei voida taata löytävän QUBO:n globaalia minimiä. Sen sijaan se löytää lokaalin minimin, joka on jollain todennäköisyydellä lähellä globaalia minimiä. Siksi on tärkeää toistaa kvanttiannelointiprosessi useita kertoja erilaisilla parametreilla ja alkutiloilla globaalin minimin löytämisen todennäköisyyden lisäämiseksi.  

Suoritimme tämän optimointitehtävän D-Wave-kvanttianneloijalla, Atos-simuloidulla kvanttianneloijalla (SQA/QML, CSC Kvasi) ja D-Wave-simuloidulla anneloinnilla. Tulokset olivat melko samanlaisia ​​eri järjestelmien välillä. Optimointiongelman ratkaisuiksi saaduista muuttujajoukoista löydettiin yhtäläisyyksiä todellisissa luottoriskimalleissa käytettävien muuttujien kanssa.  

Esittelimme kvanttianneloinnin avulla löydettyjä muuttujajoukkoja luottopisteytysmallin asiantuntijoille ja tulokset olivat rohkaisevia. Alustava asiantuntija-analyysi osoittaa, että kvanttiannelointia voidaan käyttää optimaalisten mallimuuttujien löytämiseen. Meillä ei kuitenkaan vielä toistaiseksi ole ollut mahdollisuutta rakentaa löytämiimme muuttujiin perustuvaa luottopisteytysmallia – ja ennen kuin tämä on tehty, on mahdotonta varmuudella todeta, olisiko uusi ratkaisu parempi kuin nykyiset menetelmät. 

Joka tapauksessa kokeilujen tuloksena voidaan jo nyt nähdä, että kvanttiannelointi on lupaava lähestymistapa optimointiongelmien nopeaan ja tehokkaaseen ratkaisemiseen. Muotoilemalla luottopisteytysominaisuuden valintatehtävän pystyimme demonstroimaan kvanttianneloijan ohjelmointiprosessia ja sen mahdollista käyttöä rahoitusalalla. Jäämme mielenkiinnolla seuraamaan, mitä muita ongelmia kvanttianneloinnilla voi ratkaista tulevaisuudessa.  

OP Lab teknologiakokeilujen tiimiin, joka teki kvanttiannelointia tutkivan kokeen, kuuluvat lisäkseni Petri Liimatta, Kimmo Kyyhkynen ja Henri Behm. Kokeilun toteuttamisessa avustivat Julien Mellaerts Atosilta ja Mikael Johansson CSC:ltä.  

Mikä OP Lab? Lue lisää‍.

Alaviite: Kokeilu perustui aiempaan tutkimukseen 'Optimaalisen ominaisuuden valintaan luottopisteytyksen ja luokituksen avulla kvanttianneloijan avulla‍'