Kvantberegning kommer tættere på porteføljeoptimering

Kvantberegning beskrives ofte som en helt ny form for beregning, der kan løse problemer, som ellers er uoverkommelige med traditionel binær, siliciumbaseret beregning.

Indtil videre har kvantberegning været en lovende teknologi, men den står fortsat over for en grundlæggende ingeniørmæssig udfordring. Den ekstremt skrøbelige tilstand af materie, der skal opretholdes for at kvantberegning kan fungere, betyder, at den både er dyr og ikke særlig skalerbar.

Det betyder også, at de opnåede resultater er “støjende”, med regelmæssige fejl, forsinkelser og upålidelige resultater.

Flere innovationer kunne betyde, at enten et netværk af mindre kvantecomputere eller en ny hardwaredesignarkitektur, der bruger en ny tilstand af materie kaldet topokonduktorer, som muliggør skalerbarhed, kan løse problemet.

Men dette kan også være et konceptuelt problem. De fleste kvantberegningsprojekter søger at erstatte traditionelle beregningsløsninger fuldstændigt med kvantebaserede. Men i praksis kan mere snævre problemstillinger potentielt give funktionelle anvendelsestilfælde for kvantberegning hurtigere.

En nylig undersøgelse af forskere ved Chungbuk National University (Sydkorea) og Duy Tan University (Vietnam) har sammenlignet tre forskellige metoder til at udnytte kvantberegning. Den fandt, at én, kvanteannealing, “viser betydelig kortsigtet operationel parathed” for optimering af finansielle porteføljer.

Dette kan indikere, at de iterative gate‑baserede metoder, som foretrækkes af de fleste kvantberegningsforskning og som kræver et enormt antal qubits, måske er den forkerte retning for branchen, i hvert fald på kort sigt.

De offentliggjorde deres resultater i ICT Express¹, under titlen “En omfattende undersøgelse af kvantberegningsmetoder til porteføljeoptimering i FinTech”.

Kvantberegning til porteføljeoptimering

Problemer, der er for komplekse til at løse

Portfolio optimization is a central and computationally intensive problem in modern finance and a cornerstone of the FinTech industry. When realistic constraints are introduced

(valget af et fast antal aktiver, transaktionsomkostninger eller inddragelse af ikke‑finansielle målinger som ESG‑score) bliver det hurtigt et stadig vanskeligere kombinatorisk problem, der kan gøre præcis optimering upraktisk, efterhånden som antallet af aktiver og begrænsninger vokser.

Dette er især sandt, når antallet af tilgængelige aktiver vokser; løsningsrummet udvides eksponentielt.

Så i praksis er dette ikke noget, der kan beregnes direkte for store porteføljer, der administreres af institutionelle fonde, hedgefonde og automatiserede robo‑rådgivere, hvor mange empiriske regler og manuelle beslutninger anvendes i stedet for matematiske modeller.

De mange måder at udføre kvantberegning på

Kernen i kvantberegning er qubitten, som kan eksistere i en superposition af tilstande. Kvantalgoritmer manipulerer superpositioner af tilstande, så interferens øger sandsynligheden for at måle nyttige løsninger. Dette betyder ikke, at hvert muligt svar blot kan beregnes og hentes samtidigt.

Tre hovedmetoder er opstået for at udnytte denne kvanteegenskab til at udføre beregninger, der er nyttige i den virkelige verden, især for porteføljeoptimering:

Den første er Kvanteannealing (QA), et specialiseret kvantberegningsparadigme designet specifikt til at tackle komplekse optimeringsproblemer. Dens kernefunktion er at finde den minimale energikonfiguration, eller grundtilstand, i et fysisk system.

Denne specificitet gør QA mere effektiv og skaber en genvej til lavere‑energikonfigurationer. For at anvende QA i praksis skal et finansielt problem kortlægges til en kompatibel matematisk struktur, typisk QUBO‑modellen.

“I modsætning til gate‑baserede modeller, der kan kræve fin‑granulær pulsstyring, tillader QA en indsend‑og‑hent‑arbejdsgang, hvor hele problemdefinitionen (matrix) uploades én gang.”

Variationskvantalgoritmer (VQAs) er en hybrid kvant‑klassisk optimeringsløkke, der itererer mellem en kvanteprocessor og en klassisk optimizer.

Som sådan bestemmes den samlede eksekveringstid ikke kun af qubit‑koherenstider, men også af netværkslatens, der akkumuleres over tusinder af iterationer. Denne latenspenalty udgør en betydelig arkitektonisk flaskehals for højfrekvente handelsapplikationer.

Det bør også bemærkes, at en fremvoksende tilgang er den synergistiske kombination af gate‑baserede VQAs og kvanteannealing.

“I et sådant rammeværk kan en kvanteannealer bruges til at finde en høj‑kvalitets starttilstand eller til at forbehandle et svært optimeringslandskab, hvilket giver et stærkt udgangspunkt for en efterfølgende VQA‑optimeringsløkke på en gate‑baseret maskine.”

Kvantmaskinlæring (QML) er en metode med et særskilt arkitektonisk paradigme centreret om datrepræsentation. Dette flytter den beregningsmæssige flaskehals fra at finde en grundtilstand til træningsfasen, hvor høj‑dimensionelle finansielle data skal kodes ind i kvantetilstande via feature‑maps.

Den kan bruges i situationer, hvor afdækning af komplekse, ikke‑lineære relationer i finansielle data er en betydelig fordel. Den gør den til et kraftfuldt værktøj til risikaanalyse og scenariegenerering (med en undermetode kaldet Quantum Circuit Born Machine – QCBM), samt til at forudsige markedsbevægelser eller klassificere aktiver baseret på risikoprofiler (med en undermetode kaldet Quantum Support Vector Machine (QSVM).

Kilde: ICT Express

Find det bedste kvantværktøj

Optimering af kvantberegning

Ud af i alt 423 udvalgte forskeren 30 forskellige studier til analyse og for at hjælpe dem med at sammenligne forskellige kvanteberegningsmetoder.

Den første konklusion var, at da en nøglebegrænsning er effektiv kortlægning af finansielle regler til kvantehardware, bevæger forskningen sig fra ineffektive straf‑baserede modeller til arkitektonisk håndhævelse, som maksimerer den effektive brug af begrænsede qubits. Dette gøres generelt ved at indlejre operationelle grænser direkte i hardware‑software‑stakken eller circuit ansatz.

For at tackle skalerbarhedsgrænserne for NISQ‑enheder foreslår nyere forskning heterogene distribuerede arkitekturer, der udnytter forskellige typer kvanteprocessorer til forskellige faser af optimeringspipeline.

Dette kan antage mange former, for eksempel en annealer‑gate hybridmodel eller orkestrerings‑ og synkroniseringsprotokoller til at styre arbejdsbyrden mellem en annealer og en gate‑baseret QPU.

Måling af ydeevne

For at rangere de forskellige kvantberegningsløsninger til porteføljeoptimering brugte forskerne både den i litteraturen citerede benchmark og de absolut mest avancerede klassiske løsnere.

De fandt, at samlet set kan de første kommercielt nyttige finansielle anvendelser opstå fra kvanteannealing.

Dette skyldes, at kvanteannealing understøtter indfødte ulighedsbegrænsninger og one‑shot cloud‑indsendelsesmodeller, som minimerer kommunikationslatens.

I kontrast ser andre metoder, at netværksoverhead ofte vejer tungere end kvanteeksekveringstid eller er begrænset af den høje latens ved tilstandspræparation.

Kvant‑klassisk hybride beregninger

Det, der også fremkommer, er at hybride tilgange, der blander kvantberegning med klassisk beregning, fungerer bedst af flere årsager:

• Afhjælpning af netværkslatens, hvor forskerne foreslår QPU‑placerede klassiske optimerere eller one‑shot indsendelsesmodeller.
• Ressourceeffektiv håndtering af begrænsninger: i stedet for omhyggeligt at justere strafvægte, som kan skjule de mest optimale løsninger, tillader indfødt håndtering af begrænsninger optimering af institutionelle porteføljer i større løsningsnøjagtighed.
• Opgave‑hardware kortlægning: i stedet for at forsøge at løse alt med én hardwaretype, udfører annealeren beregningsintensiv global dekomposition, og den gate‑baserede processor håndterer fin‑granulær lokal aggregation.

Så den ideelle proces til at udvikle kvantberegningsløsninger kan være først at identificere den ideelle metode for et givet problem og derefter udvikle en model, der samler disse kvantberegningsværktøjer med klassiske beregningsværktøjer til en hybridløsning.

Så arkitektur, latens og håndtering af begrænsninger kan være lige så vigtige, om ikke vigtigere, end ydeevnen af den anvendte kvantehardware.

Kilde: ICT Express

Dette vil sandsynligvis forblive sandt, så længe den primære hindring i kvantberegning er hardware‑begrænsninger og støj: begrænsede antal qubits, som begrænser problemstørrelsen, mens støj forringer løsningskvaliteten.

Det stemmer også overens med praktisk erfaring, hvor stort set alle moderne, stor‑skala anvendelser af enten QUBO eller CQM udføres på hybride kvant‑klassiske systemer.

Så konkluderer forskeren, at denne synergistiske tilgang er essentiel for at tackle branche‑relevante problemer med den nuværende kvanteberegningshardware.

Er kvantoverhovedet nødvendigt?

Et sidste interessant datapunkt i denne undersøgelse er sammenligningen af kvantberegning med andre innovative beregningsmetoder.

For eksempel ser den på massivt paralleliserede GPU‑accelererede arkitekturer, der kan radikalt overgå normale beregningsværktøjer. Denne metode kan også omgå netværkslatensflaskehalsen i cloud‑baserede kvantesystemer.

“GPU‑baserede første‑ordens løsnere kan opnå køretidshastighedsforbedringer på op til 12,9× i enkelt‑periode og 48× i fler‑periode indstillinger i forhold til høj‑ydeevne klassiske eksakte løsnere som MOSEK 11.0”

GPU’er kan endda bruges til at simulere resultater, der normalt opnås med kvantecomputere. Især kan GPU‑accelereret Parallel Simulated Annealing (PSA) og Particle Swarm Optimization (PSO) udnytte tusinder af kerner for at opnå næsten real‑time konvergens. For eksempel opnåede optimerede GPU‑PSO‑kerner en 150‑fold hastighedsforbedring sammenlignet med en CPU‑baseline.

Efterhånden som GPU’er og lignende hardware, der kan udføre massive mængder parallelle beregninger, udvikles til AI‑beregninger, kan dette udgøre en seriøs konkurrence for den spirende kvantberegningsindustri.

“Derfor skal kvantefordelen måles mod disse under‑sekund‑lange, hardware‑optimerede klassiske pipelines, som definerer den nuværende tærskel for produktionsklarhed i høj‑frekvent FinTech.”

Alligevel er GPU’er en mere moden teknologi end QPU’er, så på meget lang sigt vil de sværest løselige problemer sandsynligvis drage fordel af kvantberegning, især da andre begrænsninger som energiforbrug til tider kan forsinke implementeringen af store GPU‑klynger.

For investorer indsnævrer denne sammenligning feltet betydeligt. Undersøgelsen antyder ikke, at hver kvantearkitektur er lige tæt på at generere kommerciel værdi i finans. I stedet identificerer den kvanteannealing som særligt velegnet til begrænset optimering, mens den understreger, at ethvert levedygtigt system stadig skal konkurrere med stadig kraftigere GPU‑baserede alternativer. Det gør D‑Wave særligt relevant: den tilbyder børsnoteret eksponering mod den arkitektur, som forskerne betragter som en af de mest operationelt klar, samtidig med at den allerede forfølger kommercielle anvendelser i finans og andre optimeringsintensive industrier.

Investering i kvanteannealing

D-Wave Quantum Inc.

D‑Wave er et kvantberegningsfirma, der har fokuseret ikke på at bygge det største antal superledende qubits i fremtiden, men på de mest anvendelige til reelle brugssager i dag.

Allerede er halvdelen af D‑Waves kunder kommercielle virksomheder, med 65 % af indtægterne fra kommercielle kunder, hvoraf 45 % af indtægterne stammer fra Forbes Global 2000‑kunder.

Kilde: D-Wave

For eksempel bruges D‑Wave‑værktøjer allerede af AT&T til at reducere behandlingstiden for en netværksoptimeringsopgave fra cirka en time til under 15 sekunder.

“Fremtidigt planlagt arbejde vil udforske et bredere sæt af anvendelser, såsom strømafbrydelsesdetektion og -respons, tekniker‑routing, netværksopbygningsplanlægning og trafikstyring”

D‑Wave har også demonstreret direkte finansielle anvendelser af kvanteannealing, herunder porteføljeoptimering med S&P 100 og S&P 500‑aktiver. For eksempel brugte et samarbejde med CaixaBank, en førende bank i Spanien, D‑Wave til netop den type finansiel anvendelse, der diskuteres i denne undersøgelse. Det, der normalt tog banken flere timers beregningstid, blev reduceret til blot minutter via kvanteberegningsteknologi.

“De kvante‑hybride anvendelser har signifikant reduceret beregningstiden for at løse komplekse finansielle problemer, forbedret investeringsporteføljeoptimering, øget en obligationsporteføljes interne afkast (IRR) og minimeret den kapital, der er nødvendig for hedge‑operationer som et resultat af deres samarbejde.”

Ved at fokusere på kvanteannealing ser virksomheden sig selv som at tage den midterste vej mellem trapped‑ion‑teknologi (“effektiv, men langsom”) og superledende qubits (“hurtig, men kompliceret og mindre pålidelig”). Virksomheden skalerer hurtigt sin hardware og håber at multiplicere antallet af qubits i sit system med 4‑fold inden 2029 og 20‑fold inden 2031.

Kilde: D-Wave

Ud over annealing, som den begyndte at udvikle i 2011, har D‑Wave også udvidet sig til gate‑model kvanteberegning siden 2020. Samlet set bør de to teknologier supplere hinanden, hvor hver specialiserer sig i specifikke anvendelser.

Kilde: D-Wave

“Mens annealing‑kvanteberegning udmærker sig i optimering, materialesimulering og visse AI‑arbejdsbelastninger, forventes gate‑model kvanteberegning at fremme anvendelser som kvantekemi, molekylær design og næste generations energilagring.”

Investorer i D‑Wave bør dog være opmærksomme på, at kvantberegning er et fremvoksende og meget konkurrencepræget felt. Praktisk talt hver kvantevirksomhed vil se sig selv som at have valgt den rigtige teknologiske vej, enten fordi den er mere robust (ion‑fanget), mere markedsklar (annealing) eller har større potentiale for skalerbarhed (superledende).

Alligevel er det en imponerende præstation, at deres kvanteberegning bliver implementeret i stigende skala for allerede at løse virkelige problemer inden for biotek, telekommunikation eller bankvæsen, og D‑Wave kan blive en overraskende vinder i feltet, mens diskussionerne ofte fokuserer på andre virksomheder, der bruger forskellige kvanteberegningsteknologier.

Seneste D-Wave Quantum Inc (QBTS) aktienyheder og udviklinger

Studie refereret

^{1. Kimchhor Chiv, Anand Nayyar, and Tae-Kyung Kim. En omfattende undersøgelse af kvantberegningsmetoder til porteføljeoptimering i FinTech. ICT Express. 5 august 2026.}