L’informatique quantique se rapproche de l’optimisation de portefeuille

L’informatique quantique est souvent décrite comme une toute nouvelle forme d’informatique qui pourrait résoudre des problèmes autrement intraitables avec l’informatique binaire traditionnelle basée sur le silicium.

Jusqu’à présent, l’informatique quantique a été une technologie prometteuse, mais elle continue de faire face à un défi d’ingénierie fondamental. L’état de la matière extrêmement fragile qui doit être maintenu pour que l’informatique quantique fonctionne la rend à la fois coûteuse et peu évolutive.

Cela signifie également que les résultats obtenus sont « bruyants », avec des erreurs fréquentes, des retards et des résultats peu fiables.

Plusieurs innovations pourraient signifier que soit un réseau d’ordinateurs quantiques plus petits ou une nouvelle architecture de conception matérielle, utilisant un nouvel état de la matière appelé topoconducteurs, permettant l’évolutivité, pourraient résoudre le problème.

Mais cela pourrait également être un problème conceptuel. La plupart des projets d’informatique quantique cherchent à remplacer entièrement les solutions informatiques traditionnelles par des solutions basées sur le quantique. Cependant, en pratique, une résolution de problèmes plus ciblée pourrait potentiellement fournir des cas d’utilisation fonctionnels pour l’informatique quantique plus tôt.

Une étude récente menée par des chercheurs de l’Université nationale de Chungbuk (Corée du Sud) et de l’Université Duy Tan (Vietnam) a comparé trois méthodes différentes d’exploitation de l’informatique quantique. Elle a constaté que l’une d’elles, le recuit quantique, « démontre une préparation opérationnelle significative à court terme » pour l’optimisation des portefeuilles financiers.

Cela pourrait indiquer que les méthodes itératives basées sur les portes, privilégiées par la plupart des recherches en informatique quantique et qui nécessitent un nombre massif de qubits, pourraient être la mauvaise direction à prendre pour l’industrie, du moins à court terme.

Ils ont publié leurs résultats dans ICT Express¹, sous le titre « Une étude complète des approches d’informatique quantique pour l’optimisation de portefeuille dans la FinTech ».

Informatique quantique pour l’optimisation de portefeuille

Problèmes trop complexes à résoudre

L’optimisation de portefeuille est un problème central et intensif en calcul dans la finance moderne et une pierre angulaire de l’industrie FinTech. Lorsqu’on introduit des contraintes réalistes

(sélection d’un nombre fixe d’actifs, coûts de transaction, ou inclusion de métriques non financières comme les scores ESG) il devient rapidement un problème combinatoire de plus en plus difficile qui peut rendre l’optimisation exacte impraticable à mesure que le nombre d’actifs et de contraintes augmente.

C’est particulièrement vrai lorsque le nombre d’actifs disponibles augmente ; l’espace des solutions s’étend de façon exponentielle.

Ainsi, en pratique, ce n’est pas quelque chose qui peut être calculé directement pour des portefeuilles à grande échelle gérés par des fonds institutionnels, des fonds spéculatifs et des robo-conseillers automatisés, où de nombreuses règles empiriques et décisions manuelles sont utilisées à la place de modèles mathématiques.

Les nombreuses façons d’effectuer l’informatique quantique

Le cœur de l’informatique quantique est le qubit, qui peut exister en superposition d’états. Les algorithmes quantiques manipulent les superpositions d’états de sorte que l’interférence augmente la probabilité de mesurer des solutions utiles. Cela ne signifie pas que chaque réponse possible puisse simplement être calculée et récupérée simultanément.

Trois méthodes principales ont émergé pour exploiter cette propriété quantique afin d’effectuer des calculs utiles dans le monde réel, en particulier pour l’optimisation de portefeuille :

La première est le recuit quantique (QA), un paradigme spécialisé d’informatique quantique conçu spécifiquement pour résoudre des problèmes d’optimisation complexes. Sa fonction principale est de trouver la configuration d’énergie minimale, ou état fondamental, d’un système physique.

Cette spécificité rend le QA plus efficace et crée un raccourci vers des configurations à énergie plus basse. Pour appliquer le QA de manière pratique, un problème financier doit être mappé à une structure mathématique compatible, le plus souvent le modèle QUBO.

« Contrairement aux modèles basés sur les portes qui peuvent nécessiter un contrôle fin des impulsions, le QA permet un flux de travail de soumission et de récupération où la définition complète du problème (matrice) est téléchargée une seule fois. »

Les algorithmes quantiques variationnels (VQAs) sont une boucle d’optimisation hybride quantique‑classique qui alterne entre un processeur quantique et un optimiseur classique.

En tant que tel, le temps d’exécution total n’est pas uniquement déterminé par les temps de cohérence des qubits mais aussi par la latence réseau accumulée sur des milliers d’itérations. Cette pénalité de latence représente un goulet d’étranglement architectural important pour les applications de trading à haute fréquence.

Il convient également de noter qu’une approche émergente est la combinaison synergique des VQAs basés sur les portes et du recuit quantique.

« Dans un tel cadre, un recuit quantique pourrait être utilisé pour trouver un état initial de haute qualité ou pour pré‑traiter un paysage d’optimisation difficile, offrant ainsi un point de départ solide pour une boucle d’optimisation VQA ultérieure sur une machine basée sur les portes. »

L’apprentissage quantique (QML) est une méthode avec un paradigme architectural distinct centré sur la représentation des données. Cela déplace le goulet d’étranglement computationnel du problème de recherche d’un état fondamental vers la phase d’entraînement, où les données financières à haute dimension doivent être encodées en états quantiques via des cartes de caractéristiques.

Elle peut être utilisée dans des situations où la découverte de relations complexes et non linéaires dans les données financières constitue un avantage significatif. Elle en fait un outil puissant pour l’analyse des risques et la génération de scénarios (avec une sous‑méthode appelée Quantum Circuit Born Machine – QCBM), ainsi que pour la prédiction des mouvements du marché ou la classification des actifs en fonction des profils de risque (avec une sous‑méthode appelée Quantum Support Vector Machine (QSVM).

Source: ICT Express

Trouver le meilleur outil quantique

Optimiser l’informatique quantique

Sur un total de 423, le chercheur a sélectionné 30 études différentes à analyser et à les aider à comparer différentes méthodes de calcul quantique.

La première constatation était que, comme une contrainte clé est le mappage efficace des règles financières sur le matériel quantique, la recherche passe de modèles inefficaces basés sur des pénalités à une contrainte architecturale, ce qui maximise l’utilisation efficace des qubits limités. Cela se fait généralement en intégrant les limites opérationnelles directement dans la pile matériel‑logiciel ou circuit ansatz.

Pour répondre aux limites d’évolutivité des appareils NISQ, des recherches récentes proposent des architectures distribuées hétérogènes qui utilisent différents types de processeurs quantiques pour différentes étapes du pipeline d’optimisation.

Cela peut prendre de nombreuses formes, par exemple, un modèle hybride recuit‑porte ou les protocoles d’orchestration et de synchronisation pour gérer la charge de travail entre un recuit et un QPU basé sur les portes.

Mesurer la performance

Pour classer les différentes solutions d’informatique quantique pour l’optimisation de portefeuille, les chercheurs ont utilisé à la fois les benchmarks cités dans la littérature et les solveurs classiques de pointe absolus.

Ils ont constaté que, globalement, les premières applications financières commercialement utiles pourraient émerger du recuit quantique.

Ceci est dû au fait que le recuit quantique prend en charge les contraintes d’inégalité natives et les modèles de soumission cloud en une seule fois qui minimisent la latence de communication.

En revanche, d’autres méthodes constatent que la surcharge réseau dépasse souvent le temps d’exécution quantique ou sont limitées par la forte latence de la préparation d’état.

Calculs hybrides quantique‑classiques

Ce qui apparaît également, c’est que les approches hybrides combinant l’informatique quantique et l’informatique classique fonctionnent le mieux pour diverses raisons :

• Atténuation de la latence réseau, les chercheurs proposant des optimiseurs classiques co‑localisés avec le QPU ou des modèles de soumission en une seule fois.
• Gestion des contraintes efficace en ressources: au lieu d’ajuster méticuleusement les poids de pénalité, ce qui peut masquer les solutions les plus optimales, la gestion native des contraintes permet l’optimisation de portefeuilles à l’échelle institutionnelle avec une fidélité de solution supérieure.
• Cartographie tâche‑matériel: au lieu d’essayer de tout résoudre avec un seul type de matériel, le recuit effectue une décomposition globale intensivement computationnelle et le processeur basé sur les portes gère l’agrégation locale fine.

Ainsi, le processus idéal pour développer des solutions d’informatique quantique pourrait être d’identifier d’abord la méthode idéale pour un problème donné, puis de développer un modèle fusionnant ces outils quantiques avec les outils classiques en une solution hybride.

Ainsi, l’architecture, la latence et la gestion des contraintes pourraient être aussi importantes, voire plus, que la performance du matériel quantique utilisé.

Source: ICT Express

Cela restera probablement vrai tant que le principal obstacle à l’informatique quantique sera les limitations matérielles et le bruit : nombre limité de qubits, ce qui limite la taille du problème, tandis que le bruit dégrade la qualité des solutions.

Cela correspond également à l’expérience pratique, où pratiquement toutes les applications contemporaines à grande échelle de QUBO ou CQM sont exécutées sur des systèmes hybrides quantique‑classiques.

Ainsi, le chercheur conclut que cette approche synergique est essentielle pour aborder les problèmes pertinents pour l’industrie avec le matériel quantique actuel.

Le quantique est‑il même nécessaire ?

Un dernier point de données intéressant dans cette étude est la comparaison de l’informatique quantique avec d’autres méthodes informatiques innovantes.

Par exemple, elle examine des architectures massivement parallélisées accélérées par GPU qui peuvent radicalement surpasser les outils de calcul normaux. Cette méthode peut également contourner le goulet d’étranglement de latence réseau des systèmes quantiques basés sur le cloud.

« Les solveurs de premier ordre basés sur GPU peuvent atteindre des accélérations de temps d’exécution allant jusqu’à 12,9× en période unique et 48× en configurations multi‑périodes par rapport aux solveurs classiques exacts haute performance comme MOSEK 11.0 »

Les GPU peuvent même être utilisés pour simuler des résultats normalement obtenus avec des ordinateurs quantiques. En particulier, le recuit simulé parallèle accéléré par GPU (PSA) et l’optimisation par essaim de particules (PSO) peuvent exploiter des milliers de cœurs pour atteindre une convergence quasi temps réel. Par exemple, les noyaux GPU‑PSO optimisés ont réalisé une accélération de 150× par rapport à une référence CPU.

À mesure que les GPU et matériels similaires capables d’effectuer d’énormes quantités de calculs parallèles sont développés pour les calculs d’IA, cela pourrait constituer une concurrence sérieuse pour l’industrie naissante de l’informatique quantique.

« Par conséquent, l’avantage quantique doit être mesuré par rapport à ces pipelines classiques optimisés matériellement en moins d’une seconde qui définissent le seuil actuel de préparation à la production dans la FinTech à haute fréquence. »

Cependant, les GPU sont une technologie plus mature que les QPU, donc à très long terme, le problème le plus difficile à résoudre bénéficiera probablement de l’informatique quantique, surtout que d’autres contraintes comme la consommation d’énergie peuvent parfois retarder le déploiement de grands clusters GPU.

Pour les investisseurs, cette comparaison réduit considérablement le champ. L’étude ne suggère pas que chaque architecture quantique soit également proche de générer une valeur commerciale dans la finance. Au contraire, elle identifie le recuit quantique comme particulièrement adapté à l’optimisation contrainte, tout en soulignant que tout système viable doit encore concurrencer des alternatives basées sur GPU de plus en plus puissantes. Cela rend D‑Wave particulièrement pertinent : il offre une exposition cotée en bourse à l’architecture que les chercheurs considèrent parmi les plus prêtes opérationnellement, tout en poursuivant déjà des applications commerciales dans la finance et d’autres industries à forte intensité d’optimisation.

Investir dans le recuit quantique

D-Wave Quantum Inc.

D‑Wave est une société d’informatique quantique qui s’est concentrée non pas sur la construction du plus grand nombre de qubits supraconducteurs à l’avenir, mais sur les plus utilisables pour les cas d’utilisation réels aujourd’hui.

Déjà, la moitié des clients de D‑Wave sont des entreprises commerciales, avec 65 % des revenus provenant de clients commerciaux, dont 45 % des revenus sont issus de clients du Forbes Global 2000.

Source: D-Wave

Par exemple, les outils D‑Wave sont déjà utilisés par AT&T pour réduire le temps de traitement d’une charge de travail d’optimisation de réseau d’environ une heure à moins de 15 secondes.

« Les travaux futurs prévus exploreront un ensemble plus large d’applications, telles que la détection et la réponse aux pannes, le routage des techniciens, la planification de la construction de réseaux et la gestion du trafic »

D‑Wave a également démontré des applications financières directes du recuit quantique, y compris l’optimisation de portefeuille impliquant des actifs S&P 100 et S&P 500. Par exemple, une collaboration avec CaixaBank, une banque leader en Espagne, a utilisé D‑Wave pour exactement le type d’application financière discuté dans cette étude. Ce qui prenait normalement à la banque plusieurs heures de temps de calcul a été réduit à quelques minutes grâce à la technologie d’informatique quantique.

« Les applications hybrides quantiques ont considérablement réduit le temps de calcul pour résoudre des problèmes financiers complexes, améliorant l’optimisation des portefeuilles d’investissement, augmentant le taux de rendement interne (TRI) d’un portefeuille obligataire, et minimisant le capital nécessaire aux opérations de couverture, grâce à leur collaboration. »

En se concentrant sur le recuit quantique, l’entreprise se voit comme empruntant la voie intermédiaire entre la technologie des ions piégés (« efficace, mais lente ») et les qubits supraconducteurs (« rapides, mais compliqués et moins fiables »). L’entreprise augmente rapidement son matériel, espérant multiplier par 4 le nombre de qubits dans son système d’ici 2029 et par 20 d’ici 2031.

Source: D-Wave

En plus du recuit, qu’elle a commencé à développer en 2011, D‑Wave s’est également développée dans l’informatique quantique à modèle de portes depuis 2020. Dans l’ensemble, les deux technologies devraient se compléter, chacune se spécialisant dans des applications spécifiques.

Source: D-Wave

« Alors que le recuit quantique excelle dans l’optimisation, la simulation de matériaux et certaines charges de travail d’IA, l’informatique quantique à modèle de portes devrait faire progresser des applications telles que la chimie quantique, la conception moléculaire et le stockage d’énergie de prochaine génération. »

Les investisseurs dans D‑Wave devraient toutefois être conscients que l’informatique quantique est un domaine émergent et très concurrentiel. Pratiquement chaque entreprise quantique se verra comme ayant choisi la bonne voie technologique, soit parce qu’elle est plus résiliente (ions piégés), plus prête pour le marché (recuit), ou possède un plus grand potentiel d’évolutivité (supraconducteur).

Cependant, le fait que son informatique quantique soit déployée à plus grande échelle pour résoudre déjà des problèmes réels dans la biotechnologie, les télécommunications ou la banque est un exploit impressionnant, et D‑Wave pourrait être un gagnant surprise dans le domaine, tandis que les discussions se concentrent souvent sur d’autres entreprises utilisant des technologies d’informatique quantique différentes.

Dernières actualités et développements des actions D‑Wave Quantum Inc (QBTS)

Étude référencée

^{1. Kimchhor Chiv, Anand Nayyar, and Tae-Kyung Kim. Une étude complète des approches d’informatique quantique pour l’optimisation de portefeuille dans la FinTech. ICT Express. 5 août 2026.}