Il calcolo quantistico si avvicina all’ottimizzazione del portafoglio

Il calcolo quantistico è spesso descritto come una forma completamente nuova di calcolo che potrebbe risolvere problemi altrimenti intrattabili con il tradizionale calcolo binario basato su silicio.

Finora, il calcolo quantistico è stato una tecnologia promettente, ma continua ad affrontare una sfida ingegneristica fondamentale. Lo stato di materia estremamente fragile che deve essere mantenuto affinché il calcolo quantistico funzioni lo rende sia costoso sia poco scalabile.

Ciò significa anche che i risultati ottenuti sono “rumorosi”, con errori regolari, ritardi e risultati inaffidabili.

Several innovations could mean that either una rete di piccoli computer quantistici or una nuova architettura di design hardware, usando un nuovo stato della materia chiamato topoconductori, che consente la scalabilità, could solve the problem.

Ma questo potrebbe anche essere un problema concettuale. La maggior parte dei progetti di calcolo quantistico cerca di sostituire completamente le soluzioni di calcolo tradizionali con quelle basate sul quantistico. Tuttavia, nella pratica, una risoluzione di problemi più ristretta potrebbe potenzialmente fornire casi d’uso funzionali per il calcolo quantistico più rapidamente.

Uno studio recente di ricercatori della Chungbuk National University (Corea del Sud) e della Duy Tan University (Vietnam) ha confrontato tre diversi metodi di sfruttamento del calcolo quantistico. Ha scoperto che uno, il quantum annealing, “dimostra una notevole prontezza operativa a breve termine” per l’ottimizzazione dei portafogli finanziari.

Ciò potrebbe indicare che i metodi iterativi basati su porte, favoriti dalla maggior parte della ricerca sul calcolo quantistico e che richiedono un numero enorme di qubit, potrebbero non essere la direzione giusta per l’industria, almeno nel breve periodo.

They published their findings in ICT Express¹, under the title “Una indagine completa degli approcci di calcolo quantistico per l’ottimizzazione del portafoglio nel FinTech”.

Calcolo Quantistico per l’Ottimizzazione del Portafoglio

Problemi Troppo Complessi da Risolvere

L’ottimizzazione del portafoglio è un problema centrale e computazionalmente intensivo nella finanza moderna e una pietra miliare dell’industria FinTech. Quando vengono introdotti vincoli realistici (selezionare un numero fisso di asset, costi di transazione o l’inclusione di metriche non finanziarie come i punteggi ESG) diventa rapidamente un problema combinatorio sempre più difficile, che può rendere l’ottimizzazione esatta impraticabile man mano che il numero di asset e di vincoli cresce.

Ciò è particolarmente vero quando il numero di asset disponibili aumenta; lo spazio delle soluzioni si espande esponenzialmente.

Quindi, nella pratica, non è qualcosa che può essere calcolato direttamente per portafogli su larga scala gestiti da fondi istituzionali, hedge fund e robo-advisor automatizzati, dove vengono utilizzate molte regole empiriche e decisioni manuali al posto di modelli matematici.

I Molti Modi per Eseguire il Calcolo Quantistico

Il nucleo del calcolo quantistico è il qubit, che può esistere in una sovrapposizione di stati. Gli algoritmi quantistici manipolano le sovrapposizioni di stati in modo che l’interferenza aumenti la probabilità di misurare soluzioni utili. Questo non significa che ogni possibile risposta possa semplicemente essere calcolata e recuperata simultaneamente.

Tre metodi principali sono emersi per utilizzare questa proprietà quantistica al fine di eseguire calcoli utili nel mondo reale, specialmente per l’ottimizzazione del portafoglio:

Il primo è il Quantum Annealing (QA), un paradigma di calcolo quantistico specializzato progettato specificamente per affrontare problemi di ottimizzazione complessi. La sua funzione principale è trovare la configurazione a energia minima, o stato fondamentale, di un sistema fisico.

Questa specificità rende il QA più efficiente e crea una scorciatoia verso configurazioni a energia più bassa. Per applicare praticamente il QA, un problema finanziario deve essere mappato a una struttura matematica compatibile, più comunemente il modello QUBO.

“A differenza dei modelli basati su porte che possono richiedere un controllo di impulso a grana fine, il QA consente un flusso di lavoro di invio e recupero in cui l’intera definizione del problema (matrice) viene caricata una sola volta.”

Variational Quantum Algorithms (VQAs) sono cicli di ottimizzazione ibridi quantistico‑classici che iterano tra un processore quantistico e un ottimizzatore classico.

Pertanto, il tempo totale di esecuzione non è determinato solo dai tempi di coerenza dei qubit, ma anche dalla latenza di rete accumulata su migliaia di iterazioni. Questa penalità di latenza rappresenta un collo di bottiglia architetturale significativo per le applicazioni di trading ad alta frequenza.

Va anche notato che un approccio emergente è la combinazione sinergica di VQAs basati su porte e quantum annealing.

“In tale quadro, un annealer quantistico potrebbe essere utilizzato per trovare uno stato iniziale di alta qualità o per pre‑processare un paesaggio di ottimizzazione difficile, fornendo un solido punto di partenza per un successivo ciclo di ottimizzazione VQA su una macchina basata su porte.”

Quantum Machine Learning (QML) è un metodo con un paradigma architetturale distinto incentrato sulla rappresentazione dei dati. Questo sposta il collo di bottiglia computazionale dal trovare uno stato fondamentale alla fase di addestramento, dove i dati finanziari ad alta dimensionalità devono essere codificati in stati quantistici tramite mappe di caratteristiche.

Può essere utilizzato in situazioni in cui scoprire relazioni complesse e non lineari nei dati finanziari è un vantaggio significativo. Lo rende uno strumento potente per l’analisi del rischio e la generazione di scenari (con un sotto‑metodo chiamato Quantum Circuit Born Machine – QCBM), così come per prevedere i movimenti di mercato o classificare gli asset in base ai profili di rischio (con un sotto‑metodo chiamato Quantum Support Vector Machine (QSVM).

Fonte: ICT Express

Trovare lo Strumento Quantistico Ideale

Ottimizzare il Calcolo Quantistico

Su un totale di 423, il ricercatore ha selezionato 30 studi diversi da analizzare e aiutarli a confrontare i diversi metodi di calcolo quantistico.

Il primo risultato è stato che, poiché una delle principali limitazioni è mappare in modo efficiente le regole finanziarie sull’hardware quantistico, la ricerca sta passando da modelli basati su penalità inefficienti a un’applicazione architetturale, che massimizza l’uso efficace dei qubit limitati. Questo avviene generalmente incorporando i limiti operativi direttamente nello stack hardware‑software o nel circuit ansatz.

Per affrontare i limiti di scalabilità dei dispositivi NISQ, la ricerca recente propone architetture distribuite eterogenee che utilizzano diversi tipi di processori quantistici per le diverse fasi della pipeline di ottimizzazione.

Ciò può assumere molte forme, ad esempio un modello ibrido annealer‑gate o i protocolli di orchestrazione e sincronizzazione per gestire il carico di lavoro tra un annealer e un QPU basato su porte.

Misurare le Prestazioni

Per classificare le diverse soluzioni di calcolo quantistico per l’ottimizzazione del portafoglio, i ricercatori hanno utilizzato sia i benchmark citati nella letteratura sia i solver classici assoluti allo stato dell’arte.

Hanno scoperto che, complessivamente, le prime applicazioni finanziarie commercialmente utili potrebbero emergere dal quantum annealing.

https://www.quera.com/glossary/ansatz

Ciò è dovuto al fatto che il quantum annealing supporta vincoli di disuguaglianza nativi e modelli di invio cloud one‑shot che minimizzano la latenza di comunicazione.

Al contrario, altri metodi vedono spesso che l’overhead di rete supera il tempo di esecuzione quantistica o sono limitati dall’alta latenza della preparazione dello stato.

Calcoli Ibridi Quantistico‑Classici

Ciò che emerge inoltre è che gli approcci ibridi che mescolano calcolo quantistico e calcolo classico funzionano meglio per una varietà di ragioni:

• Mitigazione della latenza di rete, con i ricercatori che propongono ottimizzatori classici collocati sul QPU o modelli di invio one‑shot.
• Gestione delle restrizioni efficiente in termini di risorse: invece di sintonizzare meticolosamente i pesi di penalità, che possono nascondere le soluzioni più ottimali, la gestione nativa delle restrizioni consente l’ottimizzazione di portafogli su scala istituzionale con una maggiore fedeltà della soluzione.
• Mappatura compito‑hardware: invece di cercare di risolvere tutto con un unico tipo di hardware, l’annealer esegue una decomposizione globale computazionalmente intensiva e il processore basato su porte gestisce l’aggregazione locale a grana fine.

Quindi, il processo ideale per sviluppare soluzioni di calcolo quantistico potrebbe essere quello di identificare prima il metodo ideale per un dato problema, per poi sviluppare un modello che unisca questi strumenti di calcolo quantistico con quelli di calcolo classico in una soluzione ibrida.

Pertanto, architettura, latenza e gestione delle restrizioni potrebbero essere importanti tanto, se non più, della prestazione dell’hardware quantistico utilizzato.

Fonte: ICT Express

È probabile che ciò rimanga vero finché il principale ostacolo nel calcolo quantistico sarà costituito da limitazioni hardware e rumore: conteggi di qubit limitati, che limitano la dimensione del problema, mentre il rumore degrada la qualità della soluzione.

Corrisponde anche all’esperienza pratica, dove praticamente tutte le applicazioni contemporanee su larga scala di QUBO o CQM sono eseguite su sistemi ibridi quantistico‑classici.

Quindi il ricercatore conclude che questo approccio sinergico è essenziale per affrontare problemi rilevanti per l’industria con l’hardware di calcolo quantistico attuale.

Il Quantum è davvero Necessario?

Un ultimo dato interessante di questo studio è il confronto del calcolo quantistico con altri metodi di calcolo innovativi.

Ad esempio, esamina architetture accelerate da GPU massivamente parallelizzate che possono superare radicalmente gli strumenti di calcolo normali. Questo metodo può anche aggirare il collo di bottiglia della latenza di rete dei sistemi quantistici basati su cloud.

“I solver di primo ordine basati su GPU possono ottenere accelerazioni del tempo di esecuzione fino a 12,9x in impostazioni a periodo singolo e 48x in impostazioni multi-periodo rispetto a solver classici esatti ad alte prestazioni come MOSEK 11.0”

Le GPU possono persino essere utilizzate per simulare risultati normalmente ottenuti con i computer quantistici. In particolare, il Parallel Simulated Annealing (PSA) e il Particle Swarm Optimization (PSO) accelerati da GPU possono sfruttare migliaia di core per raggiungere una convergenza quasi in tempo reale. Ad esempio, i kernel GPU-PSO ottimizzati hanno ottenuto un’accelerazione di 150x rispetto a una baseline CPU.

Poiché le GPU e hardware simili capaci di eseguire enormi quantità di calcoli paralleli vengono sviluppati per i calcoli AI, ciò potrebbe costituire una seria competizione per l’industria emergente del calcolo quantistico.

“Di conseguenza, il vantaggio quantistico deve essere misurato rispetto a queste pipeline classiche ottimizzate per hardware, con tempi inferiori al secondo, che definiscono l’attuale soglia di prontezza alla produzione nel FinTech ad alta frequenza.”

Tuttavia, le GPU sono una tecnologia più matura rispetto ai QPU, quindi a lungo termine, il problema più difficile da risolvere probabilmente beneficerà del calcolo quantistico, soprattutto poiché altri vincoli come il consumo energetico potrebbero talvolta ritardare il dispiegamento di grandi cluster di GPU.

Per gli investitori, questo confronto restringe notevolmente il campo. Lo studio non suggerisce che ogni architettura quantistica sia altrettanto vicina a generare valore commerciale nella finanza. Al contrario, identifica il quantum annealing come particolarmente adatto all’ottimizzazione vincolata, sottolineando al contempo che qualsiasi sistema praticabile deve comunque competere con alternative basate su GPU sempre più potenti. Questo rende D-Wave particolarmente rilevante: offre un’esposizione quotata in borsa all’architettura che i ricercatori considerano tra le più operative, perseguendo già applicazioni commerciali nella finanza e in altre industrie ad alta intensità di ottimizzazione.

Investire nel Quantum Annealing

D-Wave Quantum Inc.

D-Wave è una società di calcolo quantistico che si è concentrata non sulla costruzione del maggior numero di qubit superconduttori in futuro, ma su quelli più utilizzabili per casi d’uso reali oggi.

Già, metà dei clienti di D-Wave sono imprese commerciali, con il 65% dei ricavi derivanti da clienti commerciali, dei quali il 45% dei ricavi proviene da clienti Forbes Global 2000.

Fonte: D-Wave

Ad esempio, gli strumenti D-Wave sono già utilizzati da AT&T per ridurre il tempo di elaborazione di un carico di lavoro di ottimizzazione di rete da circa un’ora a meno di 15 secondi.

“Il lavoro futuro pianificato esplorerà un insieme più ampio di applicazioni, come il rilevamento e la risposta a interruzioni, il routing dei tecnici, la pianificazione della costruzione della rete e la gestione del traffico”

D-Wave ha anche dimostrato applicazioni finanziarie dirette del quantum annealing, inclusa l’ottimizzazione di portafogli che coinvolgono asset S&P 100 e S&P 500. Ad esempio, una collaborazione con CaixaBank, una banca leader in Spagna, ha utilizzato D-Wave per il tipo di applicazione finanziaria discusso in questo studio. Ciò che normalmente richiedeva alla banca diverse ore di tempo di calcolo è stato ridotto a pochi minuti grazie alla tecnologia di calcolo quantistico.

“Le applicazioni ibride quantistiche hanno ridotto significativamente il tempo di calcolo per risolvere problemi finanziari complessi, migliorando l’ottimizzazione del portafoglio di investimento, aumentando il tasso interno di rendimento (IRR) di un portafoglio obbligazionario e minimizzando il capitale necessario per le operazioni di copertura, come risultato della loro collaborazione.”

Concentrandosi sul quantum annealing, l’azienda si vede come colui che prende la via di mezzo tra la tecnologia ion‑trapped (“efficiente, ma lenta”) e i qubit superconduttori (“veloci, ma complicati e meno affidabili”). L’azienda sta rapidamente scalando il suo hardware, sperando di moltiplicare per 4 il numero di qubit nel suo sistema entro il 2029 e per 20 entro il 2031.

Fonte: D-Wave

Oltre al annealing, che ha iniziato a sviluppare nel 2011, D-Wave ha anche ampliato le sue attività nel calcolo quantistico a modello di porte dal 2020. In generale, le due tecnologie dovrebbero completarsi a vicenda, ognuna specializzandosi in applicazioni specifiche.

Fonte: D-Wave

“Mentre il quantum annealing eccelle nell’ottimizzazione, nella simulazione dei materiali e in alcuni carichi di lavoro AI, il calcolo quantistico a modello di porte dovrebbe far progredire applicazioni come la chimica quantistica, la progettazione molecolare e lo stoccaggio di energia di nuova generazione.”

Gli investitori in D-Wave dovrebbero, tuttavia, essere consapevoli che il calcolo quantistico è un campo emergente e molto competitivo. Virtualmente ogni azienda quantistica riterrà di aver scelto il percorso tecnologico giusto, sia perché è più resiliente (ion‑trapped), più pronta al mercato (annealing), o ha un maggiore potenziale di scalabilità (superconduttore).

Tuttavia, vedere il suo calcolo quantistico impiegato su scala crescente per risolvere già problemi reali in biotecnologia, telecomunicazioni o banking è un risultato impressionante, e D-Wave potrebbe rivelarsi un vincitore inatteso nel settore, mentre le discussioni sono spesso concentrate su altre aziende che utilizzano tecnologie di calcolo quantistico differenti.

Ultime Notizie e Sviluppi sul Titolo D-Wave Quantum Inc (QBTS)

Studio Citato

^{1. Kimchhor Chiv, Anand Nayyar, and Tae-Kyung Kim. Una indagine completa degli approcci di calcolo quantistico per l’ottimizzazione del portafoglio nel FinTech. ICT Express. 5 agosto 2026.}