Komputasi Kuantum Mendekati Optimisasi Portofolio

Komputasi kuantum sering digambarkan sebagai bentuk komputasi yang sepenuhnya baru yang dapat menyelesaikan masalah yang tidak dapat dipecahkan dengan komputasi tradisional berbasis biner dan silikon.

Sejauh ini, komputasi kuantum telah menjadi teknologi yang menjanjikan, tetapi terus menghadapi tantangan rekayasa mendasar. Keadaan materi yang sangat rapuh yang harus dipertahankan agar komputasi kuantum berfungsi berarti teknologi ini mahal dan tidak terlalu dapat diskalakan.

Ini juga berarti bahwa hasil yang diperoleh “berisik”, dengan kesalahan reguler, penundaan, dan hasil yang tidak dapat diandalkan.

Beberapa inovasi dapat berarti bahwa baik jaringan komputer kuantum yang lebih kecil atau arsitektur desain perangkat keras baru, menggunakan keadaan materi baru yang disebut topokonduktor, memungkinkan skalabilitas, dapat menyelesaikan masalah.

Namun ini mungkin juga merupakan masalah konseptual. Sebagian besar proyek komputasi kuantum berusaha menggantikan solusi komputasi tradisional secara keseluruhan dengan yang berbasis kuantum. Namun dalam praktiknya, pemecahan masalah yang lebih sempit berpotensi menghasilkan kasus penggunaan fungsional untuk komputasi kuantum lebih cepat.

Sebuah studi terbaru oleh peneliti di Chungbuk National University (Korea Selatan) dan Duy Tan University (Vietnam) telah membandingkan tiga metode berbeda dalam memanfaatkan komputasi kuantum. Mereka menemukan bahwa salah satunya, quantum annealing, “menunjukkan kesiapan operasional jangka pendek yang signifikan” untuk optimisasi portofolio keuangan.

Ini dapat menunjukkan bahwa metode berbasis gerbang iteratif yang disukai oleh sebagian besar riset komputasi kuantum, dan yang memerlukan sejumlah besar qubit, mungkin bukan arah yang tepat bagi industri, setidaknya dalam jangka pendek.

Mereka mempublikasikan temuan mereka di ICT Express¹, dengan judul “A comprehensive survey of quantum computing approaches for portfolio optimization in FinTech”.

Komputasi Kuantum untuk Optimisasi Portofolio

Masalah yang Terlalu Kompleks untuk Dipecahkan

Optimisasi portofolio adalah masalah sentral dan intensif komputasi dalam keuangan modern serta fondasi industri FinTech. Ketika kendala realistis diperkenalkan

(memilih sejumlah aset tetap, biaya transaksi, atau memasukkan metrik non-keuangan seperti skor ESG) masalah ini dengan cepat menjadi masalah kombinatorial yang semakin sulit yang dapat membuat optimisasi eksak menjadi tidak praktis seiring pertumbuhan jumlah aset dan kendala.

Hal ini terutama benar ketika jumlah aset yang tersedia bertambah; ruang solusi berkembang secara eksponensial.

Jadi dalam praktik, ini bukan sesuatu yang dapat dihitung secara langsung untuk portofolio berskala besar yang dikelola oleh dana institusional, hedge fund, dan robo-advisor otomatis, dengan banyak aturan empiris dan keputusan manual yang digunakan alih-alih model matematis.

Berbagai Cara Melakukan Komputasi Kuantum

Inti komputasi kuantum adalah qubit, yang dapat berada dalam superposisi keadaan. Algoritma kuantum memanipulasi superposisi keadaan sehingga interferensi meningkatkan probabilitas mengukur solusi yang berguna. Ini tidak berarti setiap jawaban yang mungkin dapat dihitung dan diambil secara bersamaan.

Tiga metode utama telah muncul untuk menggunakan properti kuantum ini dalam melakukan perhitungan yang berguna di dunia nyata, terutama untuk optimisasi portofolio:

Yang pertama adalah Quantum Annealing (QA), paradigma komputasi kuantum khusus yang dirancang khusus untuk menangani masalah optimisasi kompleks. Fungsi intinya adalah menemukan konfigurasi energi minimum, atau keadaan dasar, dari suatu sistem fisik.

Spesifikasi ini membuat QA lebih efisien dan menciptakan jalan pintas ke konfigurasi energi lebih rendah. Untuk menerapkan QA secara praktis, masalah keuangan harus dipetakan ke struktur matematis yang kompatibel, paling umum model QUBO.

“Berbeda dengan model berbasis gerbang yang mungkin memerlukan kontrol pulsa halus, QA memungkinkan alur kerja submit-and-retrieve di mana seluruh definisi masalah (matriks) diunggah sekali.”

Variational Quantum Algorithms (VQAs) adalah loop optimisasi hibrida kuantum‑klasik yang beriterasi antara prosesor kuantum dan optimizer klasik.

Dengan demikian, total waktu eksekusi tidak hanya ditentukan oleh waktu koherensi qubit tetapi juga oleh latensi jaringan yang terakumulasi selama ribuan iterasi. Penalti latensi ini menjadi bottleneck arsitektural yang signifikan untuk aplikasi perdagangan frekuensi tinggi.

Perlu juga dicatat bahwa pendekatan yang muncul adalah kombinasi sinergis antara VQA berbasis gerbang dan quantum annealing.

“Dalam kerangka seperti itu, quantum annealer dapat digunakan untuk menemukan keadaan awal berkualitas tinggi atau untuk memproses terlebih dahulu lanskap optimisasi yang sulit, memberikan titik awal yang kuat untuk loop optimisasi VQA selanjutnya pada mesin berbasis gerbang.”

Quantum Machine Learning (QML) adalah metode dengan paradigma arsitektur yang berbeda berfokus pada representasi data. Ini mengalihkan bottleneck komputasi dari menemukan keadaan dasar ke fase pelatihan, di mana data keuangan berdimensi tinggi harus dikodekan ke dalam keadaan kuantum melalui peta fitur.

Ini dapat digunakan untuk situasi di mana mengungkap hubungan kompleks dan non‑linier dalam data keuangan merupakan keuntungan signifikan. Hal ini menjadikannya alat yang kuat untuk analisis risiko dan generasi skenario (dengan sub‑metode yang disebut Quantum Circuit Born Machine – QCBM), serta memprediksi pergerakan pasar atau mengklasifikasikan aset berdasarkan profil risiko (dengan sub‑metode yang disebut Quantum Support Vector Machine (QSVM).

Sumber: ICT Express

Menemukan Alat Kuantum Terbaik

Mengoptimalkan Komputasi Kuantum

Dari total 423, peneliti memilih 30 studi berbeda untuk dianalisis dan membantu mereka membandingkan berbagai metode komputasi kuantum.

Temuan pertama adalah bahwa, karena satu kendala utama adalah memetakan aturan keuangan secara efisien ke perangkat keras kuantum, penelitian beralih dari model berbasis penalti yang tidak efisien ke penegakan arsitektural, yang memaksimalkan penggunaan efektif qubit terbatas. Hal ini biasanya dilakukan dengan menyematkan batas operasional langsung ke dalam tumpukan perangkat keras‑perangkat lunak atau circuit ansatz.

Untuk mengatasi batas skalabilitas perangkat NISQ, riset terbaru mengusulkan arsitektur terdistribusi heterogen yang memanfaatkan berbagai jenis prosesor kuantum untuk tahap berbeda dalam pipeline optimisasi.

Ini dapat mengambil banyak bentuk, misalnya, model hibrida annealer‑gerbang atau protokol orkestrasi dan sinkronisasi untuk mengelola beban kerja antara annealer dan QPU berbasis gerbang.

Mengukur Kinerja

Untuk memberi peringkat pada berbagai solusi komputasi kuantum untuk optimisasi portofolio, peneliti menggunakan baik benchmark yang disebutkan dalam literatur maupun solver klasik mutakhir secara absolut.

Mereka menemukan bahwa secara keseluruhan, aplikasi keuangan komersial pertama yang berguna mungkin muncul dari quantum annealing.

Ini karena quantum annealing mendukung kendala ketidaksamaan native dan model pengiriman cloud satu kali yang meminimalkan latensi komunikasi.

Sebaliknya, metode lain melihat overhead jaringan sering melebihi waktu eksekusi kuantum atau dibatasi oleh latensi tinggi persiapan keadaan.

Perhitungan Hibrida Kuantum‑Klasik

Yang juga muncul adalah bahwa pendekatan hibrida yang menggabungkan komputasi kuantum dengan komputasi klasik bekerja paling baik untuk berbagai alasan:

• Mitigasi latensi jaringan, dengan peneliti mengusulkan optimizer klasik yang berlokasi bersama QPU atau model pengiriman satu kali.
• Penanganan kendala yang efisien sumber daya: alih-alih menyetel bobot penalti secara teliti, yang dapat menyembunyikan solusi paling optimal, penanganan kendala native memungkinkan optimisasi portofolio skala institusional dengan fidelitas solusi yang lebih tinggi.
• Pemetaan tugas‑perangkat keras: alih-alih mencoba menyelesaikan semuanya dengan satu jenis perangkat keras, annealer melakukan dekomposisi global yang intensif komputasi dan prosesor berbasis gerbang menangani agregasi lokal yang halus.

Jadi proses ideal untuk mengembangkan solusi komputasi kuantum mungkin pertama-tama mengidentifikasi metode ideal untuk masalah tertentu, kemudian mengembangkan model yang menggabungkan alat komputasi kuantum ini dengan alat komputasi klasik menjadi solusi hibrida.

Jadi arsitektur, latensi, dan penanganan kendala mungkin penting sama, bahkan lebih, daripada kinerja perangkat keras kuantum yang digunakan.

Sumber: ICT Express

Hal ini kemungkinan akan tetap benar selama hambatan utama dalam komputasi kuantum adalah keterbatasan perangkat keras dan kebisingan: jumlah qubit terbatas, yang membatasi ukuran masalah, sementara kebisingan menurunkan kualitas solusi.

Ini juga sesuai dengan pengalaman praktis, di mana hampir semua aplikasi kontemporer berskala besar baik QUBO maupun CQM dijalankan pada sistem hibrida kuantum‑klasik.

Jadi peneliti menyimpulkan bahwa pendekatan sinergis ini penting untuk menangani masalah relevan industri dengan perangkat keras komputasi kuantum saat ini.

Apakah Kuantum Diperlukan?

Poin data menarik terakhir dalam studi ini adalah perbandingan komputasi kuantum dengan metode komputasi inovatif lainnya.

Misalnya, studi ini melihat arsitektur yang dipercepat GPU secara paralel masif yang dapat secara radikal melampaui alat perhitungan normal. Metode ini juga dapat melewati bottleneck latensi jaringan dari sistem kuantum berbasis cloud.

“Solver orde pertama berbasis GPU dapat mencapai percepatan waktu berjalan hingga 12,9x dalam periode tunggal dan 48x dalam pengaturan multi‑periode dibandingkan solver klasik eksak berperforma tinggi seperti MOSEK 11.0”

GPU bahkan dapat digunakan untuk mensimulasikan hasil yang biasanya diperoleh dengan komputer kuantum. Khususnya, Parallel Simulated Annealing (PSA) dan Particle Swarm Optimization (PSO) yang dipercepat GPU dapat memanfaatkan ribuan inti untuk mencapai konvergensi hampir waktu nyata. Misalnya, kernel GPU-PSO yang dioptimalkan mencapai percepatan 150x dibandingkan baseline CPU.

Seiring GPU dan perangkat keras serupa yang mampu melakukan sejumlah besar perhitungan paralel dikembangkan untuk perhitungan AI, hal ini dapat menjadi kompetisi serius bagi industri komputasi kuantum yang masih baru.

“Akibatnya, keunggulan kuantum harus diukur terhadap pipeline klasik yang dioptimalkan perangkat keras dalam hitungan sub‑detik ini yang mendefinisikan ambang batas kesiapan produksi saat ini dalam FinTech frekuensi tinggi.”

Namun, GPU adalah teknologi yang lebih matang dibandingkan QPU, sehingga dalam jangka sangat panjang, masalah paling sulit untuk dipecahkan kemungkinan akan mendapat manfaat dari komputasi kuantum, terutama karena kendala lain seperti konsumsi energi dapat kadang‑kadang menunda penyebaran klaster GPU besar.

Bagi investor, perbandingan ini mempersempit bidang secara signifikan. Studi ini tidak menyatakan bahwa setiap arsitektur kuantum sama dekatnya dalam menghasilkan nilai komersial di bidang keuangan. Sebaliknya, studi ini mengidentifikasi quantum annealing sebagai yang sangat cocok untuk optimisasi terbatas, sambil menekankan bahwa setiap sistem yang layak harus tetap bersaing dengan alternatif berbasis GPU yang semakin kuat. Hal ini membuat D‑Wave menjadi sangat relevan: perusahaan ini menawarkan eksposur yang diperdagangkan secara publik ke arsitektur yang dianggap peneliti sebagai salah satu yang paling siap operasional, sambil sudah mengejar aplikasi komersial di keuangan dan industri intensif optimisasi lainnya.

Berinvestasi dalam Quantum Annealing

D-Wave Quantum Inc.

D‑Wave adalah perusahaan komputasi kuantum yang fokus bukan pada membangun jumlah qubit superkonduktor terbesar di masa depan, melainkan pada yang paling dapat digunakan untuk kasus penggunaan nyata saat ini.

Sudah, setengah dari pelanggan D‑Wave adalah perusahaan komersial, dengan 65% pendapatan berasal dari pelanggan komersial, di mana 45% pendapatan berasal dari pelanggan Forbes Global 2000.

Sumber: D-Wave

Sebagai contoh, alat D‑Wave sudah digunakan oleh AT&T untuk mengurangi waktu pemrosesan beban kerja optimisasi jaringan dari sekitar satu jam menjadi kurang dari 15 detik.

“Pekerjaan masa depan yang direncanakan akan mengeksplorasi rangkaian aplikasi yang lebih luas, seperti deteksi dan respons pemadaman, penjadwalan teknisi, perencanaan pembangunan jaringan, dan manajemen lalu lintas”

D‑Wave juga telah menunjukkan aplikasi keuangan langsung dari quantum annealing, termasuk optimisasi portofolio yang melibatkan aset S&P 100 dan S&P 500. Sebagai contoh, kolaborasi dengan CaixaBank, bank terkemuka di Spanyol, menggunakan D‑Wave untuk jenis aplikasi keuangan yang dibahas dalam studi ini. Apa yang biasanya memakan waktu beberapa jam komputasi bagi bank tersebut berhasil dipersingkat menjadi hanya beberapa menit melalui teknologi komputasi kuantum.

“Aplikasi hibrida kuantum telah secara signifikan mengurangi waktu komputasi untuk menyelesaikan masalah keuangan kompleks, meningkatkan optimisasi portofolio investasi, meningkatkan tingkat pengembalian internal (IRR) portofolio obligasi, dan meminimalkan modal yang dibutuhkan untuk operasi lindung nilai, sebagai hasil dari kolaborasi mereka.”

Dengan fokus pada quantum annealing, perusahaan melihat dirinya berada di jalur tengah antara teknologi trapped‑ion (“efisien, tetapi lambat”) dan qubit superkonduktor (“cepat, tetapi rumit dan kurang dapat diandalkan”). Perusahaan dengan cepat meningkatkan skalabilitas perangkat kerasnya, berharap dapat melipatgandakan jumlah qubit dalam sistemnya 4 kali lipat pada 2029 dan 20 kali lipat pada 2031.

Sumber: D-Wave

Selain annealing, yang mulai dikembangkan pada 2011, D‑Wave juga telah memperluas ke komputasi kuantum model gerbang sejak 2020. Secara keseluruhan, kedua teknologi tersebut harus saling melengkapi, dengan masing‑masing mengkhususkan pada aplikasi tertentu.

Sumber: D-Wave

“Sementara komputasi kuantum annealing unggul dalam optimisasi, simulasi material, dan beban kerja AI tertentu, komputasi kuantum model gerbang diharapkan memperluas aplikasi seperti kimia kuantum, desain molekul, dan penyimpanan energi generasi berikutnya.”

Investor di D‑Wave harus menyadari bahwa komputasi kuantum adalah bidang yang muncul dan sangat kompetitif. Hampir setiap perusahaan kuantum akan melihat dirinya telah memilih jalur teknologi yang tepat, baik karena lebih tahan (trapped‑ion), lebih siap pasar (annealing), atau memiliki potensi skalabilitas yang lebih besar (superkonduktor).

Namun, memiliki komputasi kuantumnya yang diterapkan pada skala yang meningkat untuk menyelesaikan masalah nyata di biotek, telekom, atau perbankan adalah prestasi mengesankan, dan D‑Wave mungkin menjadi pemenang kejutan di bidang ini, sementara diskusi sering terfokus pada perusahaan lain yang menggunakan teknologi komputasi kuantum yang berbeda.

Berita dan Perkembangan Saham D-Wave Quantum Inc (QBTS) Terbaru

Studi yang Dirujuk

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