Le Crédit agricole teste avec succès le quantique pour doper ses modèles prédictifs

C’est un projet qui a fait trépigner d’impatience Pasqal. Le 22 mars, la start-up française de hardware quantique dévoilait, à la fois dans les colonnes d’Industrie & Technologies et à l’EuroHPC summit week, la nature de sa collaboration avec Crédit agricole Corporate and Investment Bank (CA CIB) pour explorer le calcul quantique dans la finance. Pourtant, les deux entreprises n’en étaient même pas aux deux tiers du projet, qui prend fin en ce mois de septembre.

L’empressement de la start-up se comprend. « C’est la toute première fois au monde que la résolution quantique d’un problème est démontrée en impliquant toute la chaîne de valeur, du cas d’usage détaillé par l’utilisateur à son implémentation sur un ordinateur quantique, en passant par l’exploitation de données réelles, la formalisation de l’algorithme et la mise en forme de l’architecture hardware nécessaire », se félicite Georges-Olivier Reymond, le PDG de Pasqal.

Prédire la chute du score de crédit des clients de la banque

Les résultats sont impressionnants. En seulement quinze mois, le projet Feynman, comme il est appelé en interne, a permis « d’obtenir des résultats comparables aux modèles d’apprentissage automatique (machine learning) les plus performants en optimisant, grâce à l’algorithme quantique QAOA [Quantum approximate optimization algorithm (QAOA), un algorithme hybride capable d'apporter une accélération polynomiale sur les machines bruitées, ndlr], un modèle sur l’ordinateur quantique à base d’atomes neutres de Pasqal », décrit Sam Mugel, le directeur technique de Multiverse Computing, une start-up espagnole spécialisée dans l’algorithmie quantique, notamment dans la finance, qui a également participé au projet.

L’objectif : prédire la chute de la note (le score de crédit) des clients de la banque, « mais aussi faire en sorte que celle-ci soit plus interprétable », précise-t-il. Ce cas d’usage de gestion des risques, poétiquement appelé « problème des anges déchus » dans le monde financier, « implique des effets de leviers gigantesques. Une prédiction améliorée de seulement quelques pourcents crée une valeur considérable », complète Georges-Olivier Reymond.

Collaboration avec les start-up Pasqal et Multiverse

C’est un sujet qu’Ali El Hamidi, « sponsor » du projet au sein de CA CIB, connaît également bien, lui qui a longtemps été le responsable de la modélisation des risques avant de devenir le directeur adjoint des solutions de financement. « J’avais suivi une formation du Massachusetts Institute of Technology sur l’informatique quantique », se souvient-il. D’autres employés de CA CIB se sont formés de leur côté, comme Loïc Chauvet, le responsable de l’innovation, qui raconte s’être aidé « de ressources sur YouTube ou Coursera », pour monter en compétences. Certains « ont même participé à l’IBM Quantum Challenge sur leur temps libre », ajoute-t-il.

Fin 2019, ces expériences éparses se consolident au sein d’un groupe de travail, constitué d’analystes quantitatifs, d’informaticiens et du service innovation. Ils approchent des experts comme le cabinet BCG et IBM, puis valident une feuille de route avec la direction pour explorer le quantique. Dans le même temps, le comité exécutif de CA CIB assiste à une présentation de Pasqal, puis son directeur général, Jacques Ripoll, est invité à observer la machine sur le plateau de Saclay. La start-up s’associe à Multiverse, sa voisine à Palaiseau (Essonne) et propose à CA CIB, par l’intermédiaire de Christophe Jurczac, à la fois président de Pasqal et investisseur dans les deux start-up via son fonds Quantonation, de lancer un projet commun.

Aller plus loin que le deep hedging avec le projet Grossmann

En juin 2021, les trois sociétés signent, non pas un, mais deux contrats : le projet Feynman entre CA CIB et Pasqal, « qui nous sous-traite la partie algorithmique », précise Enrique Lizaso Olmos, le PDG de Multiverse, et le projet Grossmann, une expérimentation d’un an entre CA CIB et Multiverse. Celle-ci vise à utiliser un modèle inspiré du calcul quantique, un réseau de tenseurs, pour accélérer des modèles de machine learning chargés d’« associer le meilleur prix à des portefeuilles d’actions complexes sur le marché des produits dérivés, de sorte que CA CIB maximise ses gains en cas d’envolée et minimise ses pertes en cas de chute desdites options », décrit Sam Muger.

Alors que la majorité des banques et des hedge funds utilisent encore la méthode probabiliste dite de Monte-Carlo, avec « un coût de calcul énorme », rappelle Sam Muger, un nouveau champ émerge depuis 2018, le deep hedging. Il s’agit « d’exploiter des réseaux de neurones afin de faire évoluer les prédictions sans avoir à ré-entraîner tout le modèle, comme avec Monte-Carlo », poursuit-il. Le projet Grossmann ambitionne d’aller encore plus loin. « En remplaçant quelques couches du réseau de neurones par notre réseau de tenseurs pour le simplifier, nous atteignons la même précision dans les prédictions, mais avec 60% de nœuds en moins », se félicite Sam Muger. « On obtient donc les mêmes résultats, mais en utilisant moins de mémoire vive, en moins de temps et en consommant moins d’énergie », renchérit Enrique Lizaso Olmos.

Un modèle d'IA entraîné sur un processeur quantique

Le tout, en utilisant des GPU classiques, et les services d’AWS. Pour le projet Feynman, l’introduction d’un processeur quantique a rendu la tâche plus complexe. « C’est un travail en plusieurs étapes, explique Georges-Olivier Reymond. D’abord, Multiverse met en forme le problème en trouvant l’algorithme adéquat. Nous implémentons ensuite ce problème à petite échelle sur un émulateur de notre machine, en trouvant l’architecture d’atomes la plus simple afin de générer le moins d’erreurs possible – un processus fait de multiples allers-retours entre Multiverse et Pasqal. Une fois qu’on connaît toutes les séquences d’opération, on peut passer au processeur quantique, d’abord avec un petit nombre de qubits, puis en l’augmentant progressivement. » À préciser que l’idée est d’entraîner le modèle sur un processeur quantique, mais de pouvoir l’exploiter sur un ordinateur classique.

Là encore, les résultats semblent être au rendez- vous. « Même avec 70 qubits seulement, on obtient une proportion de faux négatifs – d’anges déchus – comparable à ce que nous donne un algorithme de type « forêt aléatoire » (random forest), à 1200 arbres, soit assez conséquent », a calculé Sam Muger avant l’été. « Dans deux ans, quand le processeur de Pasqal atteindra les 1000 qubits, un partenaire comme CA CIB pourra certainement revendiquer l’avantage quantique pour un tel cas d’usage, et commencer à penser à son retour sur investissement », avance enfin Georges-Olivier Reymond. Si le talent de communicant du PDG ne fait pas de doute, on ne peut nier qu’il l’accompagne de démonstrations des plus convaincantes.