量子计算机上基于张量网络的期权定价时间序列生成
内容提要
本文综述张量网络在机器学习与量子计算中的应用，包括矩阵乘积态用于经典及量子数据分类、生成模型、光子芯片期权定价、树张量网络图像建模、表达能力分析、量子核密度估计及条件量子生成对抗网络，体现其高效性与广泛适用性。
延伸解读
张量网络在金融期权定价中的量子优势
文章提到，2017年的一项研究提出了一种光子芯片，利用一元法计算欧式期权定价，并结合量子振幅估计算法，与经典蒙特卡罗方法相比具有二次加速。该芯片包含三个模块：加载资产价格分布、计算预期收益和执行量子振幅估计算法。其中，资产价格分布模块嵌入了生成对抗网络，以高效学习和加载资产分布，准确捕捉市场趋势。这显示了张量网络和量子计算在金融领域的潜在应用价值。
张量网络在机器学习中的多样化应用
文章综述了张量网络在机器学习中的多种应用，包括使用矩阵乘积态对经典和量子数据进行分类、生成模型、图像建模等。例如，2019年的一项工作将矩阵乘积态用于Iris数据集的二元分类，并探索了不同参数对准确率的影响；另一项研究提出了基于概率解释的生成模型，可进行直接采样和动态调整张量尺寸。这些案例表明张量网络在处理不同数据类型和任务时具有灵活性和高效性。
量子生成对抗网络与条件生成
文章介绍了条件量子生成对抗网络（C-qGAN）框架，该框架严格在量子电路内学习多模态分布，并应用于亚式期权衍生品定价。相比传统方法，C-qGAN显示出更有效的状态准备程序，为研究其他路径依赖期权奠定了基础。此外，2023年的一项研究将张量网络用于量子机器学习，通过手写识别模型的数值实验验证了其可行性，表明经典与量子计算可共享理论和算法基础。
Q&A
张量网络在量子机器学习中有什么应用？
张量网络在量子机器学习中用于分类经典和量子数据、生成建模、量子核密度估计以及条件量子生成对抗网络等。例如，矩阵乘积态可用于一维数据分类，树张量网络用于图像生成，条件量子生成对抗网络用于学习多模态分布。
光子芯片如何用于期权定价？
光子芯片利用一元法计算欧式期权定价，并结合量子振幅估计算法，相比经典蒙特卡罗方法具有二次加速度。芯片由三个模块组成：加载资产价格分布、计算预期收益和执行量子振幅估计算法。其中资产价格分布模块嵌入了生成对抗网络以高效学习和加载资产分布。
条件量子生成对抗网络（C-qGAN）有什么特点和应用？
C-qGAN是一种学习多模态分布的框架，其神经网络结构严格在量子电路内，因此显示出比当前方法更有效的状态准备程序。它被应用于定价亚式期权衍生品，为进一步研究其他路径依赖期权打下了基础。
张量网络在离散多元概率分布建模中的表达能力如何？
研究发现，局部纯净态表示法的表达能力优于其他表示法。该论文严格分析了使用不同类型张量时参数数量和效率的变化。
基于张量网络的量子计算方法如何解决量子机器学习挑战？
该方法使经典计算和量子计算共享同样的理论和算法基础，且张量网络电路在量子计算机模型的训练中具有高效节省的优势。通过对手写识别模型的数值实验验证了其可行性。
张量网络在图像生成和分类任务中有哪些应用？
树张量网络（TTN）被应用于基于生成式建模的自然图像数据集以提高可解释性，在MNIST数据集上获得更好的对数似然度得分。此外，以基础张量网络操作为特征的训练模型算法在MNIST数据集上具有生成新图像和分类任务的能力。
