Métodos clásicos de inspiración cuántica

Hace cinco lecciones llegasteis esperando que los ordenadores cuánticos volatilizaran vuestra rejilla de valoración de opciones. Luego este curso os fue guiando por el mapa sobrio: una aceleración cuadrática limpia (estimación de amplitud), un desvío de optimización que podría importar para restricciones discretas, una historia de aprendizaje automático que casi nunca cumple, y un muro de ruido, recuento de cúbits y problemas de carga de datos que mantiene casi todo aparcado en el “algún día”.

Así que aquí está la pregunta que de verdad paga vuestro alquiler: ¿qué podéis ejecutar el lunes por la mañana?

La respuesta es deliciosa y un poco subversiva. Las victorias “cuánticas” más fiables en finanzas hoy no requieren ningún cúbit en absoluto. Son algoritmos clásicos — ejecutándose en las mismas CPU y GPU que ya tenéis— que tomaron prestada su estructura central de la teoría de la información cuántica. Sin decoherencia. Sin muro de preparación de estados. Sin cola de tres horas para una máquina de 127 cúbits que pierde la coherencia antes de que vuestro circuito termine. Solo álgebra lineal ingeniosa que la investigación cuántica inspiró, desplegada en hardware corriente.

Esta es la lección de la recompensa. Tras todos los baños de realidad, aquí está la parte del campo que de verdad llega a producción.

Qué significa de verdad “de inspiración cuántica”

Analogía. El vuelo de las aves inspiró el avión, pero un Boeing 747 no tiene plumas y nunca aletea. Los ingenieros robaron el principio —una superficie curva que genera sustentación— y lo implementaron en aluminio y queroseno. Los algoritmos de inspiración cuántica son el 747: tomaron un principio de la mecánica cuántica (cómo representar de forma compacta estados enormes y muy correlacionados) y lo construyeron con aritmética de coma flotante corriente.

Definición. Un algoritmo clásico de inspiración cuántica es un algoritmo clásico cuyo diseño toma prestada estructura matemática de la teoría de la información cuántica —con más frecuencia la representación compacta de estados y correlaciones de alta dimensión— pero que se ejecuta por completo en hardware convencional sin ningún procesador cuántico en el bucle.

La estructura que más merece la pena robar es esta: un estado cuántico de $n$ cúbits vive en un espacio de dimensión $2^n$, y sin embargo los estados físicamente relevantes (los de bajo entrelazamiento) pueden describirse con muchos menos números. Los físicos cuánticos construyeron décadas de maquinaria para explotar eso. Resulta que muchos problemas clásicos tienen la misma estructura de bajo rango, así que la misma maquinaria también los comprime —en un portátil.

Ejemplo resuelto — el tamaño del premio. Supongamos que queréis representar un estado conjunto o estructura de correlación sobre $n = 40$ activos, con dos estados cada uno (“arriba/abajo”). La representación ingenua necesita $2^{40} \approx 1.1 \times 10^{12}$ números —más de un billón. A 8 bytes cada uno eso son unos 8 terabytes; ni siquiera podéis mantenerlo en memoria. Una representación de inspiración cuántica (una red tensorial, siguiente sección) con un parámetro de compresión modesto puede describir el mismo objeto en alrededor de $10^5$ números —menos de un megabyte. El truco, siempre, es cuándo esa compresión es fiel.

Cuándo usarlo

Echad mano de la caja de herramientas de inspiración cuántica primero siempre que un problema parezca cuántico (espacios de estados enormes, estructura de correlación, optimización sobre muchas elecciones binarias) pero necesitéis una respuesta este trimestre, no esta década. Es el lugar de mayor valor esperado por el que empezar porque llega a producción hoy y el inconveniente está acotado: en el peor caso, se reduce a un método clásico que ya entendéis.

Redes tensoriales — la técnica estrella

Analogía. Ya sabéis que una matriz grande a menudo puede escribirse como el producto de dos delgadas —eso es una factorización de bajo rango (una SVD truncada a sus componentes principales). Una red tensorial es el mismo truco generalizado a objetos con muchos índices a la vez. Si una matriz de bajo rango es una hamaca tensada entre dos postes, una red tensorial es todo un puente colgante: una cadena de tensores pequeños, cada uno conectado a sus vecinos, que juntos reconstruyen un objeto demasiado grande para escribirlo directamente.

Definición. Una red tensorial representa un tensor de alta dimensión (una matriz con muchos índices) como un conjunto de tensores más pequeños contraídos entre sí. La forma más común para una cadena unidimensional de $n$ sitios es un estado producto de matrices (MPS, Matrix Product State), conocido en matemática aplicada como tren tensorial (tensor train). Cada sitio aloja un tensor pequeño, y los tensores adyacentes están enlazados por un enlace (bond) cuya anchura $D$ —la dimensión de enlace (bond dimension)— controla cuánta correlación (en términos físicos, entrelazamiento) puede capturar la representación.

El coste de almacenamiento cuenta toda la historia. Un tensor denso sobre $n$ sitios de dimensión local $d$ cuesta $d^{\,n}$ números. Un MPS con dimensión de enlace $D$ cuesta aproximadamente

$\text{coste}_{\text{MPS}} \approx n \cdot d \cdot D^2,$

que es lineal en $n$ en lugar de exponencial. El muro exponencial se convierte en una pendiente suave —si y solo si el objeto verdadero tiene una dimensión de enlace lo bastante baja como para capturarse con un $D$ modesto.

Ejemplo resuelto — el factor de compresión. Tomad $n = 40$ activos, dimensión local $d = 2$ y una dimensión de enlace $D = 50$.

• Coste denso: $d^{\,n} = 2^{40} \approx 1.1 \times 10^{12}$ números.
• Coste MPS: $n \cdot d \cdot D^2 = 40 \times 2 \times 50^2 = 40 \times 2 \times 2500 = 200{,}000$ números.

El factor de compresión es de unos $1.1 \times 10^{12} / 2.0 \times 10^5 \approx 5.5 \times 10^6$ —aproximadamente cinco millones a uno. Un objeto de un billón de números exprimido en un par de cientos de miles. Esa es la cabecera, y es aritmética real, no una metáfora.

Cuándo usarlo

Las redes tensoriales se ganan el sueldo cuando vuestro objeto es enorme y sus correlaciones son locales o decaen rápidamente —de modo que una dimensión de enlace pequeña lo reconstruye dentro de la tolerancia. Antes de desplegar una, medid: truncad con varias dimensiones de enlace y observad cómo cae el error de reconstrucción. Si se estabiliza bajo con un $D$ modesto, tenéis una victoria genuina. Si el error se mantiene terco hasta que $D$ explota, vuestro problema es de alto entrelazamiento y una red tensorial es la herramienta equivocada —ninguna cantidad de ingenio comprime correlación incompresible.

Redes tensoriales en finanzas — aplicaciones sobrias

Analogía. Las redes tensoriales en finanzas son como un códec de compresión muy bueno. Un códec no inventará detalle que no esté en la fuente, pero sobre el tipo correcto de contenido encoge el archivo drásticamente con poca pérdida visible. Apuntadlo a estática aleatoria y no ayuda en nada. El arte está en emparejar el códec con contenido que tenga redundancia explotable.

Definición / dónde aparece la estructura. Varios problemas de finanzas llevan el tipo de estructura de correlación de bajo rango para el que se construyeron las redes tensoriales:

Ejemplo resuelto — batir la maldición de la dimensionalidad en una opción sobre cesta. Valorad una opción sobre cesta de $n = 30$ subyacentes en una rejilla con $m = 50$ puntos por dimensión. Una rejilla ingenua tiene $m^{\,n} = 50^{30}$ celdas —un número con 51 dígitos, absolutamente inútil. Si el tensor de la solución tiene dimensión de enlace $D = 30$, una representación en tren tensorial cuesta unas $n \cdot m \cdot D^2 = 30 \times 50 \times 900 = 1{,}350{,}000$ celdas —alrededor de un millón, que cabe cómodamente en memoria. La EDP de alta dimensión se vuelve resoluble en un portátil, precisamente porque la solución suave, movida por factores, es de bajo rango. (Comparad: el Monte Carlo clásico también doma esta dimensión, con error $1/\sqrt{N}$ —así que la comparación honesta es la precisión y el tiempo de ejecución del tren tensorial frente a vuestra mejor implementación de MC, no frente a la rejilla densa imposible.)

Cuándo usarlo

Usad métodos de redes tensoriales en un problema de finanzas cuando (1) la representación ingenua es exponencialmente grande, (2) tenéis evidencia de estructura de factores/bajo rango (un gráfico de sedimentación, unas pocas componentes principales dominantes, pagos suaves) y (3) un benchmark cuidadoso muestra que el enfoque tensorial bate a vuestro mejor baseline clásico en precisión por segundo a la precisión que de verdad necesitáis. Saltadlos cuando un puñado de factores o un simple Monte Carlo ya resuelva el problema —añadir maquinaria tensorial entonces es complejidad por la complejidad.

Otras vías de inspiración cuántica

Las redes tensoriales son la estrella, pero otras dos vías de inspiración cuántica importan para el profesional de finanzas.

Recocido simulado y digital para QUBO. Recordad de QUBO y optimización de carteras que podemos reformular la selección de cartera —con restricciones de cardinalidad y de lote— como un problema de optimización binaria (un QUBO). Los recocedores cuánticos (estilo D-Wave) prometen resolverlos. Pero la respuesta clásica de inspiración cuántica es el recocedor digital: un chip clásico de propósito específico (Fujitsu construyó uno famoso) que ejecuta búsqueda estilo recocido a una velocidad enorme en silicio corriente. Hoy estos recocedores clásicos con frecuencia igualan o baten a sus primos cuánticos en instancias QUBO reales, sin ninguno de los límites de recuento de cúbits, conectividad o ruido. La metáfora del recocido —enfriar lentamente un sistema hacia su estado de menor energía— vino de la física; la implementación ganadora es clásica.

La historia de la descuantización de Tang. En 2018, una entonces estudiante de grado llamada Ewin Tang hizo algo que debería tatuarse en cada presentación de finanzas cuánticas. Un algoritmo cuántico de recomendación había sido celebrado como una aceleración exponencial sobre el mejor método clásico conocido —un ejemplo emblemático de ventaja cuántica. Tang produjo un algoritmo clásico, inspirado en la estructura de muestreo del cuántico, que se ejecutaba también en tiempo polinómico —igualando la aceleración cuántica en un ordenador clásico. La ventaja exponencial reclamada simplemente se evaporó. Una ola de resultados de “descuantización” similares siguió para otras aceleraciones de álgebra lineal.

Definición. La descuantización es el descubrimiento de un algoritmo clásico cuyo tiempo de ejecución iguala a una aceleración cuántica reclamada previamente, eliminando la necesidad de hardware cuántico. Es el patrón más humillante del campo: una “ventaja” puede desvanecerse en el momento en que un investigador clásico ingenioso estudia la estructura del algoritmo cuántico lo bastante de cerca.

Cuándo usarlo

Echad mano de un recocedor clásico o digital antes de haceros cola para un recocedor cuántico en cualquier QUBO —es más rápido de acceder, no tiene límites de conectividad y en el hardware de hoy normalmente gana. Y tratad toda afirmación de “ventaja cuántica exponencial” como provisional hasta que la hayáis comprobado frente al actual mejor algoritmo clásico (tras la descuantización), no el que el artículo original resultó comparar.

La disciplina culminante — batir al mejor baseline clásico

Este es el credo hacia el que ha estado construyendo todo el curso, así que digámoslo claramente: una aceleración teórica no es una ventaja en PnL hasta que el pipeline completo de extremo a extremo bate al mejor baseline clásico en el mismo problema a la misma precisión.

Analogía. Un velocista que corre los 50 metros centrales más rápido que nadie vivo aun así pierde la carrera de 100 metros si los tacos de salida se atascan y la cámara de meta tarda una hora en leer el resultado. La carrera se cronometra de extremo a extremo. Como todo algoritmo que quiere vuestro capital. El circuito cuántico podría ser los rápidos 50 metros centrales —pero la carga de datos son los tacos atascados (el muro de preparación de estados de la lección 5), y la lectura más las repeticiones son la cámara lenta.

La contabilidad de extremo a extremo. El coste total de cualquier método candidato, clásico o cuántico, es la suma de todas las etapas, no la cabecera de una:

$\text{Coste}_{\text{total}} = \text{Coste}_{\text{carga}} + \text{Coste}_{\text{cómputo}} + \text{Coste}_{\text{lectura}} \times \text{repeticiones} + \text{Coste}_{\text{acceso}}.$

Una aceleración cuadrática en $\text{Coste}_{\text{cómputo}}$ no vale nada si $\text{Coste}_{\text{carga}}$ es exponencial (el muro de carga de datos), o si debéis repetir la ejecución miles de veces para una estimación estable, o si los costes de acceso al hardware empequeñecen el ahorro. La comparación honesta mantiene fija la precisión y compara la suma completa frente al mejor método clásico.

Ejemplo resuelto — cuándo pierde una aceleración cuadrática. La estimación de amplitud promete convertir las $N$ muestras del Monte Carlo en alrededor de $\sqrt{N}$ —para un objetivo donde el MC clásico necesita $N = 10^6$ muestras, el núcleo cuántico necesita del orden de $10^3$ llamadas al oráculo. Parece una victoria de mil veces. Ahora añadid el resto de la carrera:

La aceleración de mil veces del núcleo es genuina —y puede ser devorada por completo por un paso de preparación de estados que cuesta tanto como las muestras que intentabais evitar. Por eso la lección 5 llamó a la carga de datos el muro que silenciosamente cancela la mayoría de las ventajas. La disciplina es sumar la tabla entera antes de creerse la cabecera.

La lista de comprobación de decisión. Antes de comprometer capital o tiempo de ingeniería con cualquier método “avanzado” —cuántico, de inspiración cuántica o clásico exótico— pasad esta puerta:

1. Definid el problema exacto y la precisión objetivo. Los benchmarks vagos esconden pérdidas.
2. Construid el baseline clásico más fuerte que podáis. No un hombre de paja —el método realmente mejor, bien ajustado. (Recordad la descuantización: el baseline no para de mejorar.)
3. Contabilizad el pipeline completo. Carga, cómputo, lectura, repeticiones, coste de acceso —cada etapa, sumada.
4. Igualad la precisión en ambos lados. Una respuesta equivocada más rápida no es una victoria.
5. Comparad el coste de extremo a extremo a esa precisión. Solo cuenta una victoria de coste total.
6. Tensad el supuesto que lo hizo parecer bueno. ¿Es la estructura realmente de bajo rango? ¿Es la carga realmente barata? ¿Sigue ahí la aceleración frente al actual mejor algoritmo clásico?

Si un método sobrevive a las seis, tenéis algo real. La mayoría no lo hace —y saber cuáles fallan y dónde es la pericia que este curso se construyó para daros.

El mapa de tres vías — qué usar hoy

La síntesis sobria de todo el curso. La computación cuántica en finanzas se divide limpiamente en dos cronologías. Con el tiempo —cuando exista hardware tolerante a fallos y corregido de errores y se resuelva el problema de carga de datos para vuestro caso de uso concreto— la estimación de amplitud cuántica (QAE) es la apuesta genuina a largo plazo: una aceleración cuadrática demostrable para la valoración de opciones y el riesgo VaR/CVaR, la única victoria limpia que este curso avaló. Hoy, lo que paga el alquiler es el par poco glamuroso: los métodos clásicos de inspiración cuántica (redes tensoriales para estructura de bajo rango, recocedores digitales para QUBO) y los buenos métodos clásicos de siempre (Monte Carlo, modelos de factores, optimización convexa) que, bien ejecutados, siguen batiendo a casi todo. La postura del experto es sostener ambas verdades a la vez —invertir curiosidad en el algún día, desplegar capital en el hoy, y juzgar a cada candidato con la misma puerta de extremo a extremo.

Cuándo usarlo

Aplicad la lista de seis pasos a todo método que reclame una ventaja, no solo a los cuánticos —es igual de letal para el ML clásico sobrevalorado, los proveedores de datos exóticos y el “alfa” que nunca superó un baseline fuerte. En el momento en que os saltáis el paso 2 (construir el baseline clásico más fuerte) habéis perdido la capacidad de saber si vuestro método elegante hace algo en absoluto.

Resumen

Llegasteis a este curso preparados para el bombo o el desdén, y os marcháis con un mapa. Las victorias fiables en finanzas cuánticas hoy no llevan cúbits: los métodos clásicos de inspiración cuántica —redes tensoriales que comprimen la estructura de correlación de bajo rango por millones a uno, y recocedores digitales que a menudo corren más que sus primos cuánticos en QUBO— ejecutándose en el hardware que ya poseéis. La columna vertebral de advertencia es la descuantización: una ventaja cuántica reclamada es siempre solo una conjetura sobre el mejor algoritmo clásico, y ese baseline no para de mejorar. Y la disciplina que sobrevive a cada generación de hardware es la puerta de extremo a extremo: una aceleración no es una ventaja hasta que el pipeline entero bate al mejor baseline clásico a precisión igualada. Algún día, la QAE tolerante a fallos puede ganarse su lugar en valoración y riesgo. Hasta entonces, lo que paga el alquiler es el trabajo clásico de inspiración cuántica y los métodos clásicos, sencillos y bien ejecutados.