論文の概要: Structure-Aware Variational State Preparation for Quantum Basket Option Pricing

• arxiv url: http://arxiv.org/abs/2607.14518v1
• Date: Thu, 16 Jul 2026 03:14:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.963593
• Title: Structure-Aware Variational State Preparation for Quantum Basket Option Pricing
• Title（参考訳）: 構造を考慮した量子バスケットオプション価格の変動状態作成
• Authors: Dongwoo Kim, Zhenyu Cui, Daniel K. Park, Chihoon Lee,
• Abstract要約: 本稿ではQAEベースのバスケットオプション価格設定のための構造対応量子状態準備フレームワークを提案する。 このフレームワークは、浅い変分状態準備回路を設計するために、テンソルトレイン(TT)ランク情報を使用する。 数値実験により, 精度の高い振幅負荷の指数的状態-準備深さスケーリングを線形スケーリングに置き換えた。
• 参考スコア（独自算出の注目度）: 9.783723857951113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Basket option pricing often relies on Monte Carlo estimation, for which quantum amplitude estimation (QAE) provides a quadratic speed-up. However, the practical benefit of QAE can be limited by the depth of the state-preparation circuit. We propose a structure-aware quantum state-preparation framework for QAE-based basket option pricing. The framework uses tensor-train (TT) rank information to design shallow variational state-preparation circuits. In the independent regime, TT ranks remove unnecessary entangling links from a hardware-efficient ansatz. In correlated basket settings, we instead prepare asset-wise marginals locally and train a compact latent block to match the basket cumulative distribution function. The Basket-CDF objective targets the basket pushforward distribution rather than the full joint state, directly aligning state preparation with basket-dependent payoffs. Numerical experiments show that the proposed circuits replace the exponential state-preparation depth scaling of exact amplitude loading with linear scaling, while maintaining low-percent basket-pricing errors. Additional sampling-based training experiments and an end-to-end QAE integration study support compatibility with sample-estimated training and standard QAE-based pricing workflows.
• Abstract（参考訳）: バスケットオプションの価格設定はしばしばモンテカルロ推定に依存し、量子振幅推定(QAE)は二次的なスピードアップを提供する。 しかし、QAEの実用的利益は状態準備回路の深さによって制限される。 本稿ではQAEベースのバスケットオプション価格設定のための構造対応量子状態準備フレームワークを提案する。 このフレームワークは、浅い変分状態準備回路を設計するために、テンソルトレイン(TT)ランク情報を使用する。 独立政権では、TTはハードウェア効率の良いアンサッツから不要な絡み合いリンクを取り除いた。 相関したバスケット設定では,局所的にアセット・ワイド・ラウンサルを作成し,バスケット累積分布関数に一致するようにコンパクトな潜在ブロックを訓練する。 Basket-CDFの目的は、完全なジョイント状態ではなく、バスケットプッシュフォワード分布を目標とし、状態準備とバスケット依存のペイオフを直接整列することである。 数値実験により, 精度の高い振幅負荷の指数的状態-準備深さスケーリングを線形スケーリングに置き換えるとともに, バスケット価格誤差を低く抑えることができた。 追加のサンプリングベースのトレーニング実験とエンドツーエンドのQAE統合研究は、サンプル推定トレーニングと標準QAEベースの価格ワークフローとの互換性をサポートする。

関連論文リスト

• Towards Fair Benchmarking of Quantum Transfer Learning for Visual Classification [2.417944170423441]
  Quantum Transfer Learningは、短期的制約下でのビジュアル量子機械学習に有望なアプローチを提供する。 既存のQTL結果を比較するのは難しいのは、データセット、前処理、バックボーン設定、キュービット予算、回路設計、最適化の選択、レポートプロトコルが異なるためである。 本研究は,一貫したトランスファーラーニングパイプラインの下で,代表的QTL手法を評価するための,制御されたベンチマーク手法を提案する。
  論文  参考訳（メタデータ） (2026-05-19T06:10:32Z)
• Towards Joint Quantization and Token Pruning of Vision-Language Models [53.978753457744055]
  トークンプルーニングと低ビット量子化は、推論コストの削減を補完する。 我々は、低ビット推論と決定論的視覚トーケンプルーニングを統一する協調量子化&プルーニングフレームワークを提案する。 標準VLMベンチマークの実験では、同じ低ビット状態下でのステージワイドベースラインよりもロバスト性が改善された。
  論文  参考訳（メタデータ） (2026-04-19T08:18:29Z)
• AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
  我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。 我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
  論文  参考訳（メタデータ） (2026-02-02T14:39:42Z)
• Quantum computing for multidimensional option pricing: End-to-end pipeline [0.0]
  この作業では、マルチアセットオプションの価格設定のためのエンドツーエンドフレームワークを導入している。 これは、市場一貫性のあるリスクニュートラル密度回復と量子加速数値積分を組み合わせたものである。
  論文  参考訳（メタデータ） (2026-01-07T16:07:19Z)
• End-to-End On-Device Quantization-Aware Training for LLMs at Inference Cost [53.25965863436039]
  量子化対応トレーニング(QAT)は、より原則化されたソリューションを提供するが、バックプロパゲーションに依存しているため、メモリコストは禁じられている。 重み付けとアクティベーション量子化の両方をサポートするゼロオーダー最適化ベースのQATフレームワークであるZeroQATを提案する。 実験の結果、ZeroQATはPTQとQATのベースラインを一貫して上回り、メモリは大幅に削減された。
  論文  参考訳（メタデータ） (2025-08-21T01:18:27Z)
• Bayesian Quantum Amplitude Estimation [46.03321798937855]
  量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。 耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。 本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
  論文  参考訳（メタデータ） (2024-12-05T18:09:41Z)
• QSpec: Speculative Decoding with Complementary Quantization Schemes [53.960146187821685]
  大規模言語モデル(LLM)における推論の高速化とメモリ消費削減のために量子化が広く採用されている 品質から効率を分離する新しい量子化パラダイムであるQSpecを提案する。 QSpecは重みとKVキャッシュの両方を段階的に再利用し、再トレーニングや補助モデルなしでほぼゼロコストで切り替えることができる。
  論文  参考訳（メタデータ） (2024-10-15T05:57:51Z)
• Trainability and Expressivity of Hamming-Weight Preserving Quantum Circuits for Machine Learning [2.2301710048942103]
  可変量子回路(VQC)のトレーニング性と制御性の解析 まず、新しいデータローダの実現可能性を示し、$n$-qubit量子回路をトレーニングすることにより、$binomnk$-dimensionalベクトルの量子振幅符号化を行う。 最後に、ハミング重み保存回路のトレーニング可能性を分析し、サブ空間の$binomnk$の分散がサブ空間の$binomnk$に応じて有界であることを示す。
  論文  参考訳（メタデータ） (2023-09-27T10:11:07Z)
• Gradient $\ell_1$ Regularization for Quantization Robustness [70.39776106458858]
  トレーニング後の量子化に対するロバスト性を改善するための単純な正規化スキームを導出する。 量子化対応ネットワークをトレーニングすることにより、異なるビット幅にオンデマンドで量子化できる1組の重みを格納できる。
  論文  参考訳（メタデータ） (2020-02-18T12:31:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。