Kvanttilaskenta lähestyy portfolion optimointia

Kvanttilaskentaa kuvataan usein täysin uudeksi laskentamuodoksi, joka voisi ratkaista ongelmia, jotka ovat perinteisellä binaarisella, piisirulla laskennalla muuten ratkaisemattomia.

Toistaiseksi kvanttilaskenta on ollut lupaava teknologia, mutta se kohtaa edelleen perustavanlaatuisen insinööriteknisen haasteen. Erittäin hauras aineen tila, joka on ylläpidettävä kvanttilaskennan toimimiseksi, tekee siitä sekä kallista että huonosti skaalautuvaa.

Se tarkoittaa myös, että saadut tulokset ovat “kohinaa” sisältäviä, säännöllisiä virheitä, viiveitä ja epäluotettavia tuloksia.

Useat innovaatiot voivat tarkoittaa, että joko pienempien kvanttitietokoneiden verkko tai uusi laitteistosuunnittelun arkkitehtuuri, joka käyttää uutta aineen tilaa nimeltä topojohteet, mahdollistaen skaalautuvuuden, voisi ratkaista ongelman.

Mutta tämä saattaa olla myös käsitteellinen ongelma. Useimmat kvanttilaskentaprojektit pyrkivät korvaamaan perinteiset laskentaratkaisut kokonaan kvanttipohjaisilla. Käytännössä kuitenkin kapeammat ongelmanratkaisumenetelmät voivat mahdollisesti tuottaa toimivia käyttötapauksia kvanttilaskennalle nopeammin.

Äskettäinen tutkimus, jonka tekivät Chungbuk National University (Etelä-Korea) ja Duy Tan University (Vietnam) -tutkijat, vertaili kolmea erilaista kvanttilaskennan hyödyntämistapaa. He havaitsivat, että yksi, kvanttiannealing, “osoittaa merkittävää lyhyen aikavälin operatiivista valmiutta” rahoitusportfolion optimointiin.

Tämä voi viitata siihen, että useimpien kvanttilaskentatutkimusten suosimat iteratiiviset porttipohjaiset menetelmät, jotka vaativat valtavan määrän kubitteja, saattavat olla väärä suunta teollisuudelle, ainakin lyhyellä aikavälillä.

He julkaisi löydöksensä ICT Express¹-lehdessä otsikolla “Kattava katsaus kvanttilaskentamenetelmiin portfolion optimoinnissa FinTech-alalla”.

Kvanttilaskenta portfolion optimointiin

Liian monimutkaiset ongelmat ratkaistavaksi

Portfolion optimointi on keskeinen ja laskennallisesti intensiivinen ongelma nykyaikaisessa rahoituksessa ja FinTech-alan kulmakivi. Kun otetaan käyttöön realistisia rajoitteita

(valitsemalla kiinteä määrä omaisuuseriä, transaktiokustannuksia tai sisällyttämällä ei-taloudellisia mittareita, kuten ESG-pisteitä) siitä tulee nopeasti yhä vaikeampi kombinatorinen ongelma, joka voi tehdä tarkasta optimoinnista epäkäytännöllistä omaisuuserien ja rajoitteiden määrän kasvaessa.

Tämä pätee erityisesti, kun käytettävissä olevien omaisuuserien määrä kasvaa; ratkaisutila laajenee eksponentiaalisesti.

Käytännössä tämä ei siis ole jotain, mitä voitaisiin laskea suoraan suurten salkkujen osalta, joita hallinnoivat institutionaaliset rahastot, hedge-rahastot ja automatisoidut robo-neuvojat, ja joissa käytetään monia empiirisiä sääntöjä ja manuaalisia päätöksiä matemaattisten mallien sijaan.

Monet tavat suorittaa kvanttilaskentaa

Kvanttilaskennan ydin on kubitti, joka voi olla superpositiossa useita tiloja. Kvantti-algoritmit manipuloivat tilojen superpositioita siten, että interferenssi lisää hyödyllisten ratkaisujen mittausmahdollisuutta. Tämä ei tarkoita, että jokainen mahdollinen vastaus voitaisiin yksinkertaisesti laskea ja hakea samanaikaisesti.

Kolme päämenetelmää on noussut esiin tämän kvanttinen ominaisuuden hyödyntämiseksi laskelmissa, jotka ovat hyödyllisiä todellisessa maailmassa, erityisesti portfolion optimoinnissa:

Ensimmäinen on Quantum Annealing (QA), erikoistunut kvanttilaskentaparadigma, joka on suunniteltu erityisesti monimutkaisten optimointiongelmien ratkaisemiseen. Sen ydinfunktio on löytää vähimmäisenergiaasento, eli perustila, fyysisestä järjestelmästä.

Tämä erityispiirre tekee QA:sta tehokkaamman ja luo oikotien matalampien energiakonfiguraatioiden saavuttamiseen. Käytännön soveltamiseksi QA:ta rahoitusongelma on muunnettava yhteensopivaan matemaattiseen rakenteeseen, yleisimmin QUBO-malliin.

“Toisin kuin porttipohjaiset mallit, jotka saattavat vaatia hienojakoista pulssinohjausta, QA mahdollistaa lähetys‑ ja hakutyönkulun, jossa koko ongelman määritelmä (matriisi) ladataan kerralla.”

Variational Quantum Algorithms (VQAs) ovat hybridinen kvantti‑klassinen optimointisilmukka, joka iteroi kvanttiprosessorin ja klassisen optimoinnin välillä.

Täten kokonaissuoritusaika ei riipu pelkästään kubittien koherenssiaikojen pituudesta, vaan myös verkon viiveestä, joka kertyy tuhansien iterointien aikana. Tämä viiveen rangaistus muodostaa merkittävän arkkitehtonisen pullonkaulan korkean taajuuden kaupankäyntisovelluksissa.

On myös huomattava, että nouseva lähestymistapa on porttipohjaisten VQA:iden ja kvanttiannealingin synergistinen yhdistelmä.

“Tässä kehyksessä kvanttiannealeria voidaan käyttää löytämään korkealaatuinen alkutila tai esikäsittelemään vaikea optimointimaisema, tarjoten vahvan lähtökohdan myöhemmälle VQA‑optimointisilmukalle porttipohjaisessa koneessa.”

Quantum Machine Learning (QML) on menetelmä, jolla on erillinen arkkitehtoninen paradigma, keskittyen datan esittämiseen. Tämä siirtää laskennallisen pullonkaulan perustilan löytämisestä koulutusvaiheeseen, jossa korkean ulottuvuuden rahoitusdata on koodattava kvanttitiloihin ominaiskarttojen avulla.

Sitä voidaan käyttää tilanteissa, joissa rahoitusdatan monimutkaisten, epälineaaristen suhteiden paljastaminen on merkittävä etu. Se tekee siitä tehokkaan työkalun riskianalyysiin ja skenaarioiden luomiseen (alamenetelmänä Quantum Circuit Born Machine – QCBM), sekä markkinaliikkeiden ennustamiseen tai omaisuuserien luokitteluun riskiprofiilien perusteella (alamenetelmänä Quantum Support Vector Machine (QSVM)).

Lähde: ICT Express

Parhaan kvanttityökalun löytäminen

Kvanttilaskennan optimointi

423:sta kokonaismäärästä tutkija valitsi 30 erilaista tutkimusta analysoitavaksi ja auttaakseen vertailemaan erilaisia kvanttialgoritmien menetelmiä.

Ensimmäinen havainto oli, että kun yksi keskeinen rajoite on rahoitussääntöjen tehokas kartoittaminen kvanttihardwareen, tutkimus siirtyy tehottomista rangaistuspohjaisista malleista arkkitehtoniseen toteutukseen, mikä maksimoi rajoitettujen kubittien tehokkaan käytön. Tämä tehdään yleensä upottamalla operatiiviset rajat suoraan laitteisto‑ohjelmistopinoon tai circuit ansatz.

NISQ-laitteiden skaalautuvuusrajoitusten ratkaisemiseksi uusin tutkimus ehdottaa heterogeenisiä hajautettuja arkkitehtuureja, jotka hyödyntävät erilaisia kvanttiprocesseja optimointiputken eri vaiheissa.

Tämä voi ilmetä monin tavoin, esimerkiksi annealer‑portti‑hybridimallina tai orkestrointi‑ ja synkronointiprotokollina, jotka hallitsevat työkuormaa annealerin ja porttipohjaisen QPU:n välillä.

Suorituskyvyn mittaaminen

Järjestääkseen eri kvanttilaskentaratkaisut portfolion optimointiin, tutkijat käyttivät sekä kirjallisuudessa mainittua vertailua että absoluuttisia huippuluokan klassisia ratkaisijoita.

He havaitsivat, että yleisesti ottaen ensimmäiset kaupallisesti hyödylliset rahoitussovellukset voivat syntyä kvanttiannealingista.

Tämä johtuu siitä, että kvanttiannealing tukee natiivisia epätasa-arvoisia rajoitteita ja kertaluontoisia pilvipalvelun lähetys­malleja, jotka minimoivat viestintäviiveen.

Vastaavasti muissa menetelmissä verkon ylikuormitus usein ylittää kvanttisuorituksen ajan tai ne ovat rajoittuneet tilan valmistelun korkeaan viiveeseen.

Kvantti‑klassiset hybridilaskelmat

Mikä myös nousee esiin, on että hybridilähestymistavat, jotka yhdistävät kvanttilaskennan klassiseen laskentaan, toimivat parhaiten monista syistä:

• Verkon viiveen lieventäminen, tutkijoiden ehdottaessa QPU:n yhteydessä sijaitsevia klassisia optimointeja tai kertaluontoisia lähetys­malleja.
• Resurssitehokas rajoitteiden käsittely: sen sijaan että hienosäädettäisiin tarkasti rangaistuspainoja, jotka voivat piilottaa optimaalisimmat ratkaisut, natiivinen rajoitteiden käsittely mahdollistaa institutionaalisen mittakaavan salkkujen optimoinnin korkeammalla ratkaisun tarkkuudella.
• Tehtävä‑laitteisto kartoitus: sen sijaan että yritettäisiin ratkaista kaikki yhdellä laitteistotyypillä, annealer suorittaa laskennallisesti intensiivisen globaalin hajotelun ja porttipohjainen prosessori hoitaa hienojakoisen paikallisen aggregoinnin.

Siksi ihanteellinen prosessi kvanttilaskentaratkaisujen kehittämiseksi voisi olla ensin tunnistaa kyseiseen ongelmaan sopiva menetelmä, ja sen jälkeen kehittää malli, joka yhdistää nämä kvanttilaskentatyökalut klassisten laskentatyökalujen kanssa hybridiratkaisuksi.

Näin ollen arkkitehtuuri, viive ja rajoitteiden käsittely voivat olla yhtä tärkeitä, ellei jopa tärkeämpiä, kuin käytetyn kvanttilaitteiston suorituskyky.

Lähde: ICT Express

Tämä todennäköisesti pysyy totena niin kauan kuin kvanttilaskennan ensisijainen este on laitteistorajoitukset ja kohina: rajoitettu kubittien määrä, joka rajoittaa ongelman kokoa, kun taas kohina heikentää ratkaisun laatua.

Se myös vastaa käytännön kokemusta, jossa lähes kaikki nykyaikaiset, laajamittaiset QUBO- tai CQM-sovellukset toteutetaan hybridijärjestelmissä, joissa yhdistyy kvantti‑ ja klassinen laskenta.

Tutkija siis toteaa, että tämä synergistinen lähestymistapa on olennaista teollisuudelle merkityksellisten ongelmien ratkaisemiseksi nykyisellä kvanttilaskentahardwarella.

Tarvitaanko kvanttia ollenkaan?

Viimeinen mielenkiintoinen datapiste tässä tutkimuksessa on kvanttilaskennan vertailu muihin innovatiivisiin laskentamenetelmiin.

Esimerkiksi tarkastellaan massiivisesti rinnakkaistettuja GPU-kiihdytettyjä arkkitehtuureja, jotka voivat radikaalisti ylittää tavalliset laskentatyökalut. Tämä menetelmä voi myös ohittaa pilvipohjaisten kvanttijärjestelmien verkon viivepullonkaulan.

“GPU-pohjaiset ensimmäisen asteen ratkaisijat voivat saavuttaa suoritusaikanopeutuksia jopa 12,9‑kertaisina yksittäisenä jaksona ja 48‑kertaisina monijaksoisissa asetuksissa verrattuna korkean suorituskyvyn klassisiin tarkkoihin ratkaisijoihin, kuten MOSEK 11.0”.

GPU:ita voidaan jopa käyttää simuloimaan tuloksia, jotka normaalisti saadaan kvanttitietokoneilla. Erityisesti GPU-kiihdytetty Parallel Simulated Annealing (PSA) ja Particle Swarm Optimization (PSO) voivat hyödyntää tuhansia ytimiä saavuttaakseen lähes reaaliaikaisen konvergenssin. Esimerkiksi optimoidut GPU-PSO-ytimet saavuttivat 150‑kertaisen nopeutuksen verrattuna CPU‑vertailuarvoon.

Kun GPU:t ja vastaava laitteisto, joka pystyy tekemään massiivisia rinnakkaislaskelmia, kehittyvät AI‑laskentaa varten, ne voivat muodostaa vakavan kilpailun nousevalle kvanttilaskentateollisuudelle.

“Siksi kvanttietu on mitattava näitä alle sekunnin kestäviä, laitteistoon optimoituja klassisia putkilinjoja vastaan, jotka määrittelevät nykyisen kynnyksen tuotantovalmiudelle korkean taajuuden FinTech‑alalla”.

Silti GPU:t ovat kypsämpi teknologia kuin QPU:t, joten pitkällä aikavälillä vaikeimmin ratkaistavat ongelmat hyötyvät todennäköisesti kvanttilaskennasta, erityisesti kun muut rajoitteet, kuten energiankulutus, voivat ajoittain viivästyttää suurten GPU-klustereiden käyttöönottoa.

Sijoittajille tämä vertailu kaventaa kenttää merkittävästi. Tutkimus ei väitä, että jokainen kvanttinen arkkitehtuuri olisi yhtä lähellä kaupallisen arvon tuottamista rahoitusalalla. Sen sijaan se tunnistaa kvanttiannealingin erityisen sopivaksi rajoitettuun optimointiin, korostaen samalla, että minkä tahansa käyttökelpoisen järjestelmän on edelleen kilpailluttava yhä voimakkaampien GPU-pohjaisten vaihtoehtojen kanssa. Tämä tekee D-Wave:sta erityisen relevantin: se tarjoaa julkisesti noteeratun altistuksen arkkitehtuurille, jonka tutkijat pitävät operatiivisesti valmiimpana, ja jo toteuttaa kaupallisia sovelluksia rahoituksessa ja muilla optimointia vaativilla toimialoilla.

Sijoittaminen kvanttiannealingiin

D-Wave Quantum Inc.

D-Wave on kvanttilaskentayritys, joka on keskittynyt tulevaisuudessa suurimman määrän suprajohtavia kubitteja rakentamisen sijaan eniten käytettävissä oleviin kubitteihin todellisissa käyttötapauksissa tänään.

Jo nyt puolet D-Wave:n asiakkaista on kaupallisia yrityksiä, ja 65 % liikevaihdosta tulee kaupallisilta asiakkailta, joista 45 % liikevaihdosta on peräisin Forbes Global 2000 -asiakkaista.

Lähde: D-Wave

Esimerkiksi D-Wave:n työkaluja käytetään jo AT&T:ssä verkkooptimointitehtävän käsittelyaikaa vähentämään noin tunnista alle 15 sekuntiin.

“Suunniteltu tuleva työ tutkii laajempaa sovelluskirjoa, kuten katkoksen havaitsemista ja reagointia, teknikon reititystä, verkon rakentamisen suunnittelua ja liikenteen hallintaa”.

D-Wave on myös osoittanut suoria rahoitussovelluksia kvanttiannealingilla, mukaan lukien portfolion optimointi, joka sisältää S&P 100- ja S&P 500‑osakkeet. Esimerkiksi yhteistyö CaixaBankin, Espanjan johtavan pankin, kanssa käytti D-Wave:a juuri tämän tutkimuksen käsittelemään rahoitussovellukseen. Se, mikä normaalisti kesti pankissa useita tunteja laskentaa, lyhennyttiin kvanttiteknologian avulla vain minuuteiksi.

“Kvantti‑hybridisovellukset ovat merkittävästi vähentäneet laskenta-aikaa monimutkaisten rahoitusongelmien ratkaisemiseksi, parantaneet sijoitusportfolion optimointia, nostaneet joukkovelkakirjasalkun sisäistä tuottoa (IRR) ja minimoineet suojaustoimien vaatiman pääoman, yhteistyön tuloksena”.

Keskittymällä kvanttiannealingiin yritys näkee itsensä kulkevan keskivälinä ionikapseleiden teknologian (“tehokas, mutta hidas”) ja suprajohtavien kubittien (“nopea, mutta monimutkainen ja vähemmän luotettava”) välillä. Yritys skaalaa laitteistoaan nopeasti, pyrkien nelinkertaistamaan järjestelmänsä kubittien määrän vuoteen 2029 mennessä ja kaksikymmentäkertaiseksi vuoteen 2031 mennessä.

Lähde: D-Wave

Kvanttiannealingin lisäksi, jota se alkoi kehittää vuonna 2011, D-Wave on laajentanut myös porttipohjaiseen kvanttilaskentaan vuodesta 2020 lähtien. Yleisesti ottaen näiden kahden teknologian tulisi täydentää toisiaan, jokainen erikoistuen tiettyihin sovelluksiin.

Lähde: D-Wave

“Vaikka kvanttiannealingin kvanttilaskenta loistaa optimoinnissa, materiaalien simuloinnissa ja tietyissä AI‑työkuormissa, porttipohjaisen kvanttilaskennan odotetaan edistävän sovelluksia, kuten kvanttikemiaa, molekyylisuunnittelua ja seuraavan sukupolven energian varastointia”.

D-Wave:n sijoittajien tulisi kuitenkin olla tietoisia siitä, että kvanttilaskenta on nouseva ja erittäin kilpailtu ala. Lähes jokainen kvanttialan yritys pitää itseään oikean teknologisen polun valitsemisena, joko koska se on kestävämpi (ionikapseleita), markkinoihin valmiimpi (annealing) tai sillä on suurempi skaalautuvuuden potentiaali (suprajohtavat).

Silti sen kvanttilaskennan käyttöönotto kasvavassa mittakaavassa jo ratkaisemaan todellisia ongelmia biotekniikassa, telekommunikaatiossa tai pankkialalla on vaikuttava saavutus, ja D-Wave voi olla alalla yllättävä voittaja, vaikka keskustelut keskittyvät usein muihin yrityksiin, jotka käyttävät erilaisia kvanttilaskentateknologioita.

Uusimmat D-Wave Quantum Inc (QBTS) -osaketuotteiden uutiset ja kehitykset

Viitattu tutkimus

^{1. Kimchhor Chiv, Anand Nayyar, and Tae-Kyung Kim. A comprehensive survey of quantum computing approaches for portfolio optimization in FinTech. ICT Express. 5 elokuu 2026.}