क्वांटम कंप्यूटिंग पोर्टफोलियो अनुकूलन के करीब आती है

क्वांटम कंप्यूटिंग को अक्सर एक पूरी नई प्रकार की कंप्यूटिंग के रूप में वर्णित किया जाता है, जो पारंपरिक बाइनरी, सिलिकॉन-आधारित कंप्यूटिंग के साथ असाध्य समस्याओं को हल कर सकती है।

अब तक, क्वांटम कंप्यूटिंग एक आशाजनक तकनीक रही है, लेकिन यह अभी भी एक मौलिक इंजीनियरिंग चुनौती का सामना कर रही है। क्वांटम कंप्यूटिंग के कार्य करने के लिए आवश्यक अत्यंत नाज़ुक पदार्थ की स्थिति को बनाए रखना महंगा है और यह बहुत स्केलेबल नहीं है।

इसका मतलब यह भी है कि प्राप्त परिणाम “शोरयुक्त” होते हैं, जिसमें नियमित त्रुटियां, देरी और अविश्वसनीय परिणाम शामिल होते हैं।

कई नवाचार यह संकेत दे सकते हैं कि या तो छोटे क्वांटम कंप्यूटर्स का एक नेटवर्क या एक नई हार्डवेयर डिज़ाइन आर्किटेक्चर, जो टोपोकंडक्टर्स नामक नई पदार्थ की स्थिति का उपयोग करता है, जिससे स्केलेबिलिटी संभव होती है, समस्या का समाधान कर सकते हैं।

लेकिन यह एक अवधारणात्मक समस्या भी हो सकती है। अधिकांश क्वांटम कंप्यूटिंग प्रोजेक्ट्स पारंपरिक कंप्यूटिंग समाधान को पूरी तरह से क्वांटम-आधारित समाधानों से बदलने की कोशिश कर रहे हैं। लेकिन व्यवहार में, अधिक सीमित समस्या समाधान क्वांटम कंप्यूटिंग के कार्यात्मक उपयोग मामलों को शीघ्रता से प्रदान कर सकते हैं।

चुंगबुक नेशनल यूनिवर्सिटी (दक्षिण कोरिया) और दुई टैन यूनिवर्सिटी (वियतनाम) के शोधकर्ताओं द्वारा हाल ही में किए गए एक अध्ययन ने क्वांटम कंप्यूटिंग के तीन विभिन्न तरीकों की तुलना की। इसने पाया कि एक, क्वांटम एनीलिंग, वित्तीय पोर्टफोलियो के अनुकूलन के लिए “महत्वपूर्ण निकट-कालिक परिचालन तत्परता” प्रदर्शित करता है।

यह संकेत दे सकता है कि अधिकांश क्वांटम कंप्यूटिंग शोध द्वारा पसंद किए जाने वाले आवर्ती गेट-आधारित तरीकों, जिन्हें बड़ी संख्या में क्यूबिट्स की आवश्यकता होती है, उद्योग के लिए, कम से कम अल्पकाल में, गलत दिशा हो सकते हैं।

उन्होंने अपने निष्कर्ष ICT Express¹ में प्रकाशित किए, शीर्षक “पोर्टफोलियो अनुकूलन के लिए फिनटेक में क्वांटम कंप्यूटिंग दृष्टिकोणों का एक व्यापक सर्वेक्षण” के तहत।

पोर्टफोलियो अनुकूलन के लिए क्वांटम कंप्यूटिंग

समाधान के लिए बहुत जटिल समस्याएँ

पोर्टफोलियो अनुकूलन आधुनिक वित्त में एक केंद्रीय और गणनात्मक रूप से गहन समस्या है और फिनटेक उद्योग का एक आधारस्तंभ है। जब वास्तविक प्रतिबंध लागू किए जाते हैं

(एक निश्चित संख्या में संपत्तियों का चयन, लेनदेन लागत, या ESG स्कोर जैसी गैर-आर्थिक मीट्रिक का समावेश) यह जल्दी ही एक बढ़ती हुई कठिन संयोजनात्मक समस्या बन जाता है, जिससे संपत्तियों और प्रतिबंधों की संख्या बढ़ने पर सटीक अनुकूलन व्यावहारिक नहीं रह जाता।

यह विशेष रूप से तब सत्य होता है जब उपलब्ध संपत्तियों की संख्या बढ़ती है; समाधान स्थान घातीय रूप से विस्तारित हो जाता है।

इसलिए व्यवहार में, यह कुछ ऐसा नहीं है जिसे संस्थागत फंडों, हेज फंडों और स्वचालित रोबो-एडवाइज़र द्वारा प्रबंधित बड़े पैमाने के पोर्टफोलियो के लिए सीधे गणना किया जा सके, जहाँ कई अनुभवजन्य नियम और मैन्युअल निर्णय गणितीय मॉडलों के बजाय उपयोग किए जाते हैं।

क्वांटम कंप्यूटिंग करने के कई तरीके

क्वांटम कंप्यूटिंग का मूल क्यूबिट है, जो स्थितियों के सुपरपोज़िशन में मौजूद हो सकता है। क्वांटम एल्गोरिदम सुपरपोज़िशन को इस प्रकार नियंत्रित करते हैं कि हस्तक्षेप उपयोगी समाधान को मापने की संभावना को बढ़ाता है। इसका अर्थ यह नहीं है कि हर संभव उत्तर को सरलता से एक साथ गणना और प्राप्त किया जा सकता है।

तीन मुख्य विधियाँ उभरी हैं जो इस क्वांटम गुण का उपयोग करके वास्तविक दुनिया में उपयोगी गणनाएँ करती हैं, विशेष रूप से पोर्टफोलियो अनुकूलन के लिए:

पहली है क्वांटम एनीलिंग (QA), एक विशिष्ट क्वांटम कंप्यूटिंग पैरेडाइम जो विशेष रूप से जटिल अनुकूलन समस्याओं को हल करने के लिए डिज़ाइन किया गया है। इसका मुख्य कार्य एक भौतिक प्रणाली की न्यूनतम ऊर्जा संरचना, या ग्राउंड स्टेट, को खोजना है।

यह विशिष्टता QA को अधिक कुशल बनाती है और कम-ऊर्जा संरचनाओं के लिए एक शॉर्टकट बनाती है। QA को व्यावहारिक रूप से लागू करने के लिए, एक वित्तीय समस्या को एक संगत गणितीय संरचना में मैप किया जाना चाहिए, आमतौर पर QUBO मॉडल।

“गेट-आधारित मॉडलों के विपरीत, जिन्हें सूक्ष्म पल्स नियंत्रण की आवश्यकता हो सकती है, QA एक सबमिट-एंड-रिट्रीव वर्कफ़्लो की अनुमति देता है जहाँ पूरी समस्या परिभाषा (मैट्रिक्स) को एक बार अपलोड किया जाता है।”

वैरिएशनल क्वांटम एल्गोरिदम (VQAs) हाइब्रिड क्वांटम‑क्लासिकल अनुकूलन लूप हैं जो क्वांटम प्रोसेसर और क्लासिकल ऑप्टिमाइज़र के बीच दोहराते हैं।

इस प्रकार, कुल निष्पादन समय केवल क्यूबिट कोहेरेंस समय से निर्धारित नहीं होता, बल्कि हजारों इटरेशन पर संचित नेटवर्क लेटेंसी से भी प्रभावित होता है। यह लेटेंसी पेनाल्टी हाई‑फ़्रीक्वेंसी ट्रेडिंग अनुप्रयोगों के लिए एक महत्वपूर्ण आर्किटेक्चरल बाधा का प्रतिनिधित्व करती है।

यह भी उल्लेखनीय है कि एक उभरता हुआ दृष्टिकोण गेट-आधारित VQAs और क्वांटम एनीलिंग का सहक्रियात्मक संयोजन है।

“ऐसे फ्रेमवर्क में, एक क्वांटम एनीलर का उपयोग उच्च‑गुणवत्ता वाली प्रारंभिक स्थिति खोजने या कठिन अनुकूलन परिदृश्य को पूर्व‑प्रसंस्करण करने के लिए किया जा सकता है, जिससे गेट‑आधारित मशीन पर बाद के VQA अनुकूलन लूप के लिए एक मजबूत प्रारंभिक बिंदु प्रदान होता है।”

क्वांटम मशीन लर्निंग (QML) एक विधि है जिसका एक विशिष्ट आर्किटेक्चरल पैरेडाइम डेटा प्रतिनिधित्व पर केंद्रित है। यह गणनात्मक बाधा को ग्राउंड स्टेट खोजने से प्रशिक्षण चरण में स्थानांतरित करता है, जहाँ उच्च‑आयामी वित्तीय डेटा को फीचर मैप्स के माध्यम से क्वांटम स्थितियों में एन्कोड किया जाना चाहिए।

यह उन स्थितियों में उपयोग किया जा सकता है जहाँ वित्तीय डेटा में जटिल, गैर‑रेखीय संबंधों को उजागर करना एक महत्वपूर्ण लाभ होता है। यह जोखिम विश्लेषण और परिदृश्य निर्माण (एक उप‑विधि जिसे क्वांटम सर्किट बॉर्न मशीन – QCBM कहा जाता है) के लिए एक शक्तिशाली उपकरण बनाता है, साथ ही बाजार की गति की भविष्यवाणी या जोखिम प्रोफ़ाइल के आधार पर संपत्तियों को वर्गीकृत करने (एक उप‑विधि जिसे क्वांटम सपोर्ट वेक्टर मशीन (QSVM) कहा जाता है) के लिए भी।

स्रोत: ICT Express

सर्वश्रेष्ठ क्वांटम टूल की खोज

क्वांटम कंप्यूटिंग का अनुकूलन

कुल 423 में से, शोधकर्ता ने विभिन्न क्वांटम गणना विधियों की तुलना करने के लिए 30 अलग-अलग अध्ययन चुने।

पहला निष्कर्ष यह था कि, क्योंकि एक मुख्य प्रतिबंध वित्तीय नियमों को क्वांटम हार्डवेयर पर कुशलता से मैप करना है, शोध अप्रभावी पेनाल्टी‑आधारित मॉडलों से आर्किटेक्चरल प्रवर्तन की ओर बढ़ रहा है, जो सीमित क्यूबिट्स के प्रभावी उपयोग को अधिकतम करता है। यह आमतौर पर ऑपरेशनल सीमाओं को सीधे हार्डवेयर‑सॉफ्टवेयर स्टैक में एम्बेड करके या सर्किट ansatz द्वारा किया जाता है।

NISQ डिवाइसों की स्केलेबिलिटी सीमाओं को संबोधित करने के लिए, हालिया शोध विभिन्न चरणों के अनुकूलन पाइपलाइन के लिए विभिन्न प्रकार के क्वांटम प्रोसेसर का उपयोग करने वाली विषम वितरित आर्किटेक्चर का प्रस्ताव करता है।

यह कई रूप ले सकता है, उदाहरण के लिए, एक एनीलर‑गेट हाइब्रिड मॉडल या एनीलर और गेट‑आधारित QPU के बीच कार्यभार प्रबंधन के लिए ऑर्केस्ट्रेशन और सिंक्रोनाइज़ेशन प्रोटोकॉल।

प्रदर्शन का मापन

पोर्टफोलियो अनुकूलन के लिए विभिन्न क्वांटम कंप्यूटिंग समाधानों को रैंक करने के लिए, शोधकर्ताओं ने साहित्य में उद्धृत बेंचमार्किंग और सर्वोत्तम क्लासिकल सॉल्वर दोनों का उपयोग किया।

उन्होंने पाया कि कुल मिलाकर, पहला व्यावसायिक रूप से उपयोगी वित्तीय अनुप्रयोग क्वांटम एनीलिंग से उभर सकता है।

यह इसलिए है क्योंकि क्वांटम एनीलिंग मूल असमानता प्रतिबंधों और एक‑शॉट क्लाउड सबमिशन मॉडलों का समर्थन करता है जो संचार लेटेंसी को न्यूनतम करता है।

इसके विपरीत, अन्य विधियों में नेटवर्क ओवरहेड अक्सर क्वांटम निष्पादन समय से अधिक हो जाता है या वे स्थिति तैयारी की उच्च लेटेंसी से प्रतिबंधित होते हैं।

क्वांटम‑क्लासिकल हाइब्रिड गणनाएँ

एक और बात जो उभरती है वह यह है कि क्वांटम कंप्यूटिंग को क्लासिकल कंप्यूटिंग के साथ मिलाकर हाइब्रिड दृष्टिकोण विभिन्न कारणों से सबसे बेहतर काम करते हैं:

• नेटवर्क लेटेंसी का शमन, शोधकर्ताओं ने QPU‑सहस्थ क्लासिकल ऑप्टिमाइज़र या एक‑शॉट सबमिशन मॉडलों का प्रस्ताव किया।
• संसाधन‑कुशल प्रतिबंध संभालना: पेनाल्टी वेट्स को बारीकी से ट्यून करने के बजाय, जो सबसे अनुकूल समाधान को छिपा सकते हैं, मूल प्रतिबंध संभालना संस्थागत‑स्तर के पोर्टफोलियो के अनुकूलन को उच्च समाधान विश्वसनीयता के साथ सक्षम करता है।
• कार्य‑हार्डवेयर मैपिंग: सभी को एक ही हार्डवेयर प्रकार से हल करने की कोशिश करने के बजाय, एनीलर गणनात्मक रूप से गहन वैश्विक विघटन करता है और गेट‑आधारित प्रोसेसर सूक्ष्म स्थानीय समेकन को संभालता है।

इसलिए क्वांटम कंप्यूटिंग समाधान विकसित करने की आदर्श प्रक्रिया यह हो सकती है कि पहले किसी समस्या के लिए आदर्श विधि की पहचान की जाए, और फिर इन क्वांटम कंप्यूटिंग टूल्स को क्लासिकल कंप्यूटिंग टूल्स के साथ मिलाकर एक हाइब्रिड समाधान बनाया जाए।

इसलिए आर्किटेक्चर, लेटेंसी, और प्रतिबंध संभालना उपयोग किए गए क्वांटम हार्डवेयर के प्रदर्शन जितना ही, या उससे अधिक, महत्वपूर्ण हो सकता है।

स्रोत: ICT Express

यह संभवतः तब तक सत्य रहेगा जब तक क्वांटम कंप्यूटिंग में मुख्य बाधा हार्डवेयर सीमाएँ और शोर: सीमित क्यूबिट गिनती, जो समस्या के आकार को सीमित करती है, जबकि शोर समाधान की गुणवत्ता को घटाता है।

यह व्यावहारिक अनुभव से भी मेल खाता है, जहाँ लगभग सभी समकालीन, बड़े‑पैमाने के QUBO या CQM अनुप्रयोग हाइब्रिड क्वांटम‑क्लासिकल सिस्टम पर निष्पादित होते हैं।

इसलिए शोधकर्ता निष्कर्ष निकालते हैं कि यह सहक्रियात्मक दृष्टिकोण वर्तमान क्वांटम कंप्यूटिंग हार्डवेयर के साथ उद्योग‑संबंधी समस्याओं को हल करने के लिए आवश्यक है।

क्या क्वांटम वास्तव में आवश्यक है?

इस अध्ययन में एक अंतिम रोचक डेटा बिंदु क्वांटम कंप्यूटिंग की तुलना अन्य नवाचारी कंप्यूटिंग विधियों से है।

उदाहरण के लिए, यह अत्यधिक समानांतरित GPU‑त्वरित आर्किटेक्चर को देखता है जो सामान्य गणना उपकरणों को मूल रूप से पीछे छोड़ सकते हैं। यह विधि क्लाउड‑आधारित क्वांटम सिस्टम की नेटवर्क लेटेंसी बाधा को भी बायपास कर सकती है।

“GPU‑आधारित प्रथम‑क्रम सॉल्वर एकल‑अवधि में 12.9x और बहु‑अवधि सेटिंग्स में 48x तक रन‑टाइम गति वृद्धि हासिल कर सकते हैं, उच्च‑प्रदर्शन क्लासिकल सटीक सॉल्वर जैसे MOSEK 11.0 की तुलना में।”

GPU को क्वांटम कंप्यूटरों से सामान्यतः प्राप्त परिणामों का सिमुलेशन करने के लिए भी उपयोग किया जा सकता है। विशेष रूप से, GPU‑त्वरित पैरालेल सिम्युलेटेड एनीलिंग (PSA) और पार्टिकल स्वॉर्म ऑप्टिमाइजेशन (PSO) हजारों कोर का उपयोग करके लगभग वास्तविक‑समय अभिसरण प्राप्त कर सकते हैं। उदाहरण के लिए, अनुकूलित GPU‑PSO कर्नेल ने CPU बेसलाइन की तुलना में 150x गति वृद्धि हासिल की।

जैसे ही GPU और समान हार्डवेयर जो बड़े पैमाने पर समानांतर गणनाएँ करने में सक्षम हैं, AI गणनाओं के लिए विकसित होते हैं, यह नवोदित क्वांटम कंप्यूटिंग उद्योग के लिए एक गंभीर प्रतिस्पर्धा बन सकता है।

“इसलिए, क्वांटम लाभ को इन सब‑सेकंड, हार्डवेयर‑ऑप्टिमाइज़्ड क्लासिकल पाइपलाइन के विरुद्ध मापा जाना चाहिए जो हाई‑फ़्रीक्वेंसी फिनटेक में उत्पादन तत्परता की वर्तमान सीमा को परिभाषित करती हैं।”

फिर भी, GPU QPU की तुलना में अधिक परिपक्व तकनीक है, इसलिए बहुत दीर्घकाल में, सबसे कठिन समस्या संभवतः क्वांटम कंप्यूटिंग से लाभान्वित होगी, विशेष रूप से जब ऊर्जा खपत जैसी अन्य बाधाएँ कभी‑कभी बड़े GPU क्लस्टरों की तैनाती में देरी कर सकती हैं।

निवेशकों के लिए, यह तुलना क्षेत्र को काफी संकीर्ण करती है। अध्ययन यह नहीं सुझाव देता कि हर क्वांटम आर्किटेक्चर वित्त में व्यावसायिक मूल्य उत्पन्न करने के समान निकट है। इसके बजाय, यह क्वांटम एनीलिंग को प्रतिबंधित अनुकूलन के लिए विशेष रूप से उपयुक्त बताता है, जबकि यह रेखांकित करता है कि कोई भी व्यवहार्य प्रणाली अभी भी बढ़ती शक्ति वाली GPU‑आधारित विकल्पों के साथ प्रतिस्पर्धा करनी चाहिए। यही कारण है कि D‑Wave विशेष रूप से प्रासंगिक है: यह उन आर्किटेक्चर में सार्वजनिक रूप से ट्रेडेड एक्सपोज़र प्रदान करता है जिन्हें शोधकर्ता सबसे अधिक परिचालन‑तैयार मानते हैं, जबकि वित्त और अन्य अनुकूलन‑गहन उद्योगों में व्यावसायिक अनुप्रयोगों का पीछा कर रहा है।

क्वांटम एनीलिंग में निवेश

D‑Wave क्वांटम इंक.

D‑Wave एक क्वांटम कंप्यूटिंग कंपनी है जिसने भविष्य में सबसे अधिक सुपरकंडक्टिंग क्यूबिट्स बनाने पर नहीं, बल्कि आज के वास्तविक उपयोग मामलों के लिए सबसे उपयोगी क्यूबिट्स पर ध्यान केंद्रित किया है।

पहले से ही, D‑Wave के आधे ग्राहक वाणिज्यिक उद्यम हैं, जहाँ 65% राजस्व वाणिज्यिक ग्राहकों से आता है, जिनमें से 45% राजस्व Forbes Global 2000 ग्राहकों से प्राप्त होता है।

स्रोत: D-Wave

उदाहरण के लिए, D‑Wave टूल्स का पहले से ही AT&T द्वारा उपयोग किया जा रहा है ताकि नेटवर्क अनुकूलन कार्यभार की प्रोसेसिंग समय को लगभग एक घंटे से कम करके 15 सेकंड से कम किया जा सके।

“योजना में भविष्य का कार्य आउटेज डिटेक्शन और रिस्पॉन्स, तकनीशियन रूटिंग, नेटवर्क निर्माण योजना और ट्रैफ़िक मैनेजमेंट जैसे व्यापक अनुप्रयोगों का अन्वेषण करेगा”

D‑Wave ने क्वांटम एनीलिंग के प्रत्यक्ष वित्तीय अनुप्रयोग भी प्रदर्शित किए हैं, जिसमें S&P 100 और S&P 500 संपत्तियों को शामिल करने वाला पोर्टफोलियो अनुकूलन शामिल है। उदाहरण के लिए, स्पेन के प्रमुख बैंक CaixaBank के साथ सहयोग ने इस अध्ययन में चर्चा किए गए वित्तीय अनुप्रयोग के लिए D‑Wave का उपयोग किया। जो सामान्यतः बैंक को कई घंटे की कंप्यूटिंग समय लेता था, वह क्वांटम कंप्यूटिंग तकनीक के माध्यम से केवल मिनटों में घटा दिया गया।

“क्वांटम हाइब्रिड अनुप्रयोगों ने जटिल वित्तीय समस्याओं को हल करने के लिए कंप्यूट समय को काफी घटा दिया है, निवेश पोर्टफोलियो अनुकूलन को सुधारते हुए, बांड पोर्टफोलियो की आंतरिक रिटर्न दर (IRR) को बढ़ाते हुए, और हेजिंग ऑपरेशनों के लिए आवश्यक पूंजी को न्यूनतम करते हुए, उनके सहयोग के परिणामस्वरूप।”

क्वांटम एनीलिंग पर ध्यान केंद्रित करके, कंपनी खुद को ट्रैप्ड‑आयन तकनीक (“कुशल, लेकिन धीमी”) और सुपरकंडक्टिंग क्यूबिट्स (“तेज़, लेकिन जटिल और कम विश्वसनीय”) के बीच मध्य मार्ग पर देखती है। कंपनी अपने हार्डवेयर को तेज़ी से स्केल कर रही है, आशा है कि 2029 तक अपने सिस्टम में क्यूबिट्स की संख्या को 4 गुना और 2031 तक 20 गुना बढ़ा सके।

स्रोत: D-Wave

एनीलिंग के अलावा, जिसे कंपनी ने 2011 में विकसित करना शुरू किया, D‑Wave ने 2020 से गेट‑मॉडल क्वांटम कंप्यूटिंग में भी विस्तार किया है। कुल मिलाकर, दोनों तकनीकों को एक-दूसरे को पूरक करना चाहिए, जहाँ प्रत्येक विशिष्ट अनुप्रयोगों में विशेषज्ञता रखता है।

स्रोत: D-Wave

“जबकि एनीलिंग क्वांटम कंप्यूटिंग अनुकूलन, सामग्री सिमुलेशन, और कुछ AI कार्यभार में उत्कृष्ट है, गेट‑मॉडल क्वांटम कंप्यूटिंग से अपेक्षा है कि यह क्वांटम रसायन विज्ञान, अणु डिजाइन, और अगली पीढ़ी की ऊर्जा भंडारण जैसी अनुप्रयोगों को आगे बढ़ाएगी।”

हालाँकि D‑Wave में निवेशकों को यह समझना चाहिए कि क्वांटम कंप्यूटिंग एक उभरता और अत्यधिक प्रतिस्पर्धी क्षेत्र है। लगभग हर क्वांटम कंपनी खुद को सही तकनीकी मार्ग चुनते हुए देखेगी, चाहे वह अधिक लचीला (आयन‑ट्रैप्ड), अधिक बाजार‑तैयार (एनीलिंग), या स्केलेबिलिटी के लिए अधिक संभावनाशील (सुपरकंडक्टिंग) हो।

फिर भी, क्वांटम कंप्यूटिंग को बढ़ते पैमाने पर तैनात करके बायोटेक, टेलीकॉम, या बैंकिंग में वास्तविक समस्याओं को हल करना एक प्रभावशाली उपलब्धि है, और D‑Wave इस क्षेत्र में एक आश्चर्यजनक विजेता बन सकता है, जबकि चर्चाएँ अक्सर विभिन्न क्वांटम कंप्यूटिंग तकनीकों का उपयोग करने वाली अन्य कंपनियों पर केंद्रित रहती हैं।

नवीनतम D‑Wave क्वांटम इंक (QBTS) स्टॉक समाचार और विकास

संदर्भित अध्ययन

^{1. Kimchhor Chiv, Anand Nayyar, and Tae-Kyung Kim. पोर्टफोलियो अनुकूलन के लिए फिनटेक में क्वांटम कंप्यूटिंग दृष्टिकोणों का एक व्यापक सर्वेक्षण. ICT Express. 5 अगस्त 2026.}