Databehandling
Kvanteregning kommer nærmere porteføljeoptimalisering
Legg til Securities.io blant dine foretrukne kilder på Google
Kvanteregning blir ofte beskrevet som en helt ny form for databehandling som kan løse problemer som ellers er uoverkommelige med tradisjonell binær, silisiumbasert databehandling.
Så langt har kvanteregning vært en lovende teknologi, men den står fortsatt overfor en grunnleggende ingeniørutfordring. Den ekstremt skjøre tilstanden av materie som må opprettholdes for at kvanteregning skal fungere, gjør den både kostbar og ikke særlig skalerbar.
Det betyr også at resultatene som oppnås er «støyende», med regelmessige feil, forsinkelser og upålitelige resultater.
Flere innovasjoner kan bety at enten et nettverk av mindre kvantedatamaskiner eller en ny maskinvaredesignarkitektur, ved bruk av en ny tilstand av materie kalt topokonduktorer, som tillater skalerbarhet, kan løse problemet.
Men dette kan også være et konseptuelt problem. De fleste kvanteregnerprosjekter prøver å erstatte tradisjonelle dataløsninger fullstendig med kvantebaserte. I praksis kan imidlertid smalere problemløsning potensielt gi funksjonelle bruksområder for kvanteregning tidligere.
En nylig studie av forskere ved Chungbuk National University (Sør‑Korea) og Duy Tan University (Vietnam) har sammenlignet tre forskjellige metoder for å utnytte kvanteregning. Den fant at én, kvanteannealing, «viser betydelig kort‑siktig operasjonell beredskap» for optimalisering av finansielle porteføljer.
Dette kan indikere at de iterative gate‑baserte metodene som foretrekkes av de fleste kvanteregnerforskere, og som krever et enormt antall qubits, kan være feil retning for industrien, i hvert fall på kort sikt.
De publiserte funnene sine i ICT Express1, under tittelen “En omfattende undersøkelse av kvantedatabehandlingsmetoder for porteføljeoptimalisering i FinTech”.
Kvanteregning for porteføljeoptimalisering
Problemer for komplekse til å løses
Porteføljeoptimalisering er et sentralt og beregningsintensivt problem i moderne finans og en hjørnestein i FinTech‑industrien. Når realistiske begrensninger introduseres
(valg av et fast antall eiendeler, transaksjonskostnader, eller inkludering av ikke‑finansielle måleparametere som ESG‑score) blir det raskt et stadig vanskeligere kombinatorisk problem som kan gjøre eksakt optimalisering upraktisk etter hvert som antall eiendeler og begrensninger vokser.
Dette er spesielt sant når antallet tilgjengelige eiendeler øker; løsningsrommet ekspanderer eksponentielt.
Så i praksis er dette ikke noe som kan beregnes direkte for store porteføljer som forvaltes av institusjonelle fond, hedgefond og automatiserte robo‑rådgivere, med mange empiriske regler og manuelle beslutninger brukt i stedet for matematiske modeller.
De mange måtene å utføre kvantedatabehandling på
Kjernen i kvantedatabehandling er qubit, som kan eksistere i en superposisjon av tilstander. Kvantealgoritmer manipulerer superposisjoner slik at interferens øker sannsynligheten for å måle nyttige løsninger. Dette betyr ikke at hver mulig svar kan beregnes og hentes samtidig.
Tre hovedmetoder har dukket opp for å bruke denne kvanteegenskapen til å utføre beregninger som er nyttige i den virkelige verden, spesielt for porteføljeoptimalisering:
Den første er Quantum Annealing (QA), et spesialisert kvantedatabehandlingsparadigme designet spesifikt for å takle komplekse optimaliseringsproblemer. Dens kjernefunksjon er å finne den minimale energikonfigurasjonen, eller grunntilstanden, til et fysisk system.
Denne spesifisiteten gjør QA mer effektiv og skaper en snarvei til lav‑energi‑konfigurasjoner. For å anvende QA i praksis må et finansielt problem kartlegges til en kompatibel matematisk struktur, vanligvis QUBO‑modellen.
«I motsetning til gate‑baserte modeller som kan kreve fin‑grained puls‑kontroll, tillater QA en innsend‑og‑hent‑arbeidsflyt hvor hele problemdefinisjonen (matrise ) lastes opp én gang.»
Variational Quantum Algorithms (VQAs) er en hybrid kvante‑klassisk optimaliseringsløkke som itererer mellom en kvanteprosessor og en klassisk optimizer.
Dermed er total kjøretid ikke kun bestemt av qubit‑koherenstider, men også av nettverkslatensen som akkumuleres over tusenvis av iterasjoner. Denne latensstraffen representerer en betydelig arkitektonisk flaskehals for høy‑frekvens‑handelsapplikasjoner.
Det bør også bemerkes at en fremvoksende tilnærming er den synergistiske kombinasjonen av gate‑baserte VQAs og kvanteannealing.
«I et slikt rammeverk kan en kvanteannealer brukes til å finne en høy‑kvalitets starttilstand eller til å for‑prosessere et vanskelig optimaliseringslandskap, og dermed gi et sterkt utgangspunkt for en påfølgende VQA‑optimaliseringsløkke på en gate‑basert maskin.»
Quantum Machine Learning (QML) er en metode med et distinkt arkitektonisk paradigme sentrert rundt daterepresentasjon. Dette flytter den beregningsmessige flaskehalsen fra å finne en grunntilstand til treningsfasen, hvor høy‑dimensjonale finansielle data må kodes inn i kvantetilstander via funksjonskart.
Den kan brukes i situasjoner hvor avdekking av komplekse, ikke‑lineære sammenhenger i finansielle data er en betydelig fordel. Den gjør den til et kraftig verktøy for risikaanalyse og scenario‑generering (med en delmetode kalt Quantum Circuit Born Machine – QCBM), samt for å forutsi markedsbevegelser eller klassifisere eiendeler basert på risikoprofiler (med en delmetode kalt Quantum Support Vector Machine – QSVM).
Kilde: ICT Express
Finne det beste kvanteverktøyet
Optimalisering av kvantedatabehandling
Av totalt 423 valgte forskeren 30 forskjellige studier for å analysere og hjelpe dem med å sammenligne ulike kvanteberegningsmetoder.
Den første funn var at, ettersom en nøkkelbegrensning er effektiv kartlegging av finansielle regler til kvante‑maskinvare, beveger forskningen seg fra ineffektive straffe‑baserte modeller til arkitektonisk håndheving, som maksimerer effektiv bruk av begrensede qubits. Dette gjøres vanligvis ved å integrere operasjonelle grenser direkte inn i maskinvare‑programvare‑stakken eller circuit ansatz.
For å adressere skaleringsgrensene til NISQ‑enheter foreslår nyere forskning heterogene distribuerte arkitekturer som utnytter ulike typer kvanteprosessorer for forskjellige stadier i optimaliserings‑pipeline.
Dette kan ta mange former, for eksempel en annealer‑gate‑hybridmodell eller orkestrerings‑ og synkroniseringsprotokoller for å håndtere arbeidsbelastningen mellom en annealer og en gate‑basert QPU.
Måling av ytelse
For å rangere de ulike kvantedatabehandlingsløsningene for porteføljeoptimalisering brukte forskerne både benchmark‑data fra litteraturen og de absolutte, mest avanserte klassiske løserne.
De fant at samlet sett kan de første kommersielt nyttige finansapplikasjonene oppstå fra kvanteannealing.
Dette skyldes at kvanteannealing støtter native ulikhetsbegrensninger og engangs‑cloud‑innsendelsesmodeller som minimerer kommunikasjonslatens.
I kontrast ser andre metoder ofte nettverks‑overhead som veier tyngre enn kvante‑eksekveringstid eller er begrenset av høy latens ved tilstand‑forberedelse.
Kvant‑klassisk hybrideberegninger
Det som også fremkommer er at hybride tilnærminger som blander kvantedatabehandling med klassisk databehandling fungerer best av flere grunner:
- Reduksjon av nettverkslatens, med forskerne som foreslår QPU‑lokalisert klassisk optimizer eller engangs‑innsendelsesmodeller.
- Ressurseffektiv håndtering av begrensninger: i stedet for å finjustere straffe‑vekter, som kan skjule de mest optimale løsningene, tillater native begrensningshåndtering optimalisering av institusjonelle porteføljer med høyere løsnings‑fidelitet.
- Oppgave‑maskinvare‑kartlegging: i stedet for å prøve å løse alt med én maskinvaretype, utfører annealeren beregningsintensiv global dekomponering, mens den gate‑baserte prosessoren håndterer fin‑grained lokal aggregering.
Så den ideelle prosessen for å utvikle kvantedatabehandlingsløsninger kan være å først identifisere den ideelle metoden for et gitt problem, og deretter utvikle en modell som slår sammen disse kvanteverktøyene med klassiske verktøy til en hybridløsning.
Dermed kan arkitektur, latens og begrensningshåndtering være like viktige, om ikke viktigere, enn ytelsen til den kvante‑maskinvaren som brukes.
Kilde: ICT Express
Dette vil sannsynligvis forbli sant så lenge hovedobstacle i kvantedatabehandling er maskinvarebegrensninger og støy: begrenset antall qubits, som begrenser problemstørrelse, mens støy forringer løsningskvalitet.
Det samsvarer også med praktisk erfaring, hvor praktisk talt alle samtidige, storskalige anvendelser av enten QUBO eller CQM kjøres på hybride kvante‑klassiske systemer.
Forskeren konkluderer derfor med at denne synergistiske tilnærmingen er essensiell for å takle bransjerelaterte problemer med dagens kvantedatabehandlings‑maskinvare.
Er kvanteberegning egentlig nødvendig?
Et siste interessant datapunkt i denne studien er sammenligningen av kvantedatabehandling med andre innovative beregningsmetoder.
For eksempel ser den på massivt parallelliserte GPU‑akselererte arkitekturer som kan radikalt overgå vanlige beregningsverktøy. Denne metoden kan også omgå nettverks‑latens‑flaskehalsen i sky‑baserte kvantesystemer.
«GPU‑baserte første‑ordens løsnere kan oppnå kjøretidshastighetsforbedringer på opptil 12,9× i enkelt‑periode og 48× i fler‑periode‑innstillinger sammenlignet med høy‑ytelses klassiske eksakte løsnere som MOSEK 11.0»
GPUer kan også brukes til å simulere resultater som normalt oppnås med kvantedatamaskiner. Spesielt kan GPU‑akselerert Parallel Simulated Annealing (PSA) og Particle Swarm Optimization (PSO) utnytte tusenvis av kjerner for å oppnå nesten sanntids‑konvergens. For eksempel oppnådde optimaliserte GPU‑PSO‑kjerner en 150× hastighetsøkning sammenlignet med en CPU‑baseline.
Ettersom GPUer og lignende maskinvare som kan utføre massive mengder parallelle beregninger utvikles for AI‑beregninger, kan dette bli en seriøs konkurranse for den gryende kvantedatabehandlingsindustrien.
«Følgelig må kvantefordelen måles mot disse sub‑sekund‑, maskinvare‑optimaliserte klassiske pipeline‑ene som definerer dagens terskel for produksjonsklarhet i høy‑frekvens‑FinTech.»
Likevel er GPUer en mer moden teknologi enn QPUer, så på svært lang sikt vil de vanskeligste problemene sannsynligvis ha nytte av kvantedatabehandling, spesielt ettersom andre begrensninger som energiforbruk av og til kan forsinke distribusjon av store GPU‑klynger.
For investorer begrenser denne sammenligningen feltet betydelig. Studien antyder ikke at hver kvantearkitektur er like nær kommersiell verdi i finans. I stedet identifiserer den kvanteannealing som spesielt godt egnet for begrenset optimalisering, samtidig som den understreker at ethvert levedyktig system fortsatt må konkurrere med stadig kraftigere GPU‑baserte alternativer. Det gjør D‑Wave spesielt relevant: den tilbyr børsnotert eksponering mot arkitekturen forskerne anser som blant de mest operasjonelt klare, mens den allerede forfølger kommersielle anvendelser i finans og andre optimaliserings‑intensive industrier.
Investere i kvanteannealing
D-Wave Quantum Inc.
QBTS Prisdiagram
D‑Wave er et kvantedatabehandlingsselskap som har fokusert på ikke å bygge det største antallet superledende qubits i fremtiden, men på de mest brukbare for reelle bruksområder i dag.
Allerede nå er halvparten av D‑Waves kunder kommersielle foretak, med 65 % av inntektene hentet fra kommersielle kunder, hvorav 45 % av inntektene kommer fra Forbes Global 2000‑kunder.
Kilde: D-Wave
For eksempel brukes D‑Wave‑verktøy allerede av AT&T for å redusere behandlingstiden for en nettverksoptimaliserings‑arbeidsbelastning fra omtrent én time til mindre enn 15 sekunder.
«Planlagt fremtidig arbeid vil utforske et bredere sett av anvendelser, som strømbrudd‑deteksjon og respons, tekniker‑ruting, nettverks‑bygg‑planlegging og trafikkstyring»
D‑Wave har også demonstrert direkte finansielle anvendelser av kvanteannealing, inkludert porteføljeoptimalisering med S&P 100‑ og S&P 500‑eiendeler. For eksempel brukte et samarbeid med CaixaBank, en ledende bank i Spania, D‑Wave for akkurat den typen finansapplikasjon som diskuteres i denne studien. Det som normalt tok banken flere timer med beregningstid, ble redusert til kun minutter via kvantedatateknologi.
«De kvante‑hybride applikasjonene har betydelig redusert beregningstid for å løse komplekse finansielle problemer, forbedret investeringsporteføljeoptimalisering, økt intern avkastning (IRR) for en obligasjonsportefølje, og minimert kapitalbehovet for sikringsoperasjoner, som et resultat av deres samarbeid.»
Ved å fokusere på kvanteannealing ser selskapet seg selv som å ta den midtre veien mellom trapped‑ion‑teknologi («effektiv, men treg») og superledende qubits («rask, men komplisert og mindre pålitelig»). Selskapet skalerer maskinvaren raskt, og håper å multiplisere antallet qubits i systemet med 4× innen 2029 og 20× innen 2031.
Kilde: D-Wave
I tillegg til annealing, som de begynte å utvikle i 2011, har D‑Wave også utvidet seg inn i gate‑modell kvantedatabehandling siden 2020. Totalt sett bør de to teknologiene komplettere hverandre, med hver som spesialiserer seg på spesifikke anvendelser.
Kilde: D-Wave
«Mens kvanteannealing utmerker seg i optimalisering, material‑simulering og visse AI‑arbeidsbelastninger, forventes gate‑modell kvantedatabehandling å fremme applikasjoner som kvantekjemi, molekyl‑design og neste generasjons energilagring.»
Investorer i D‑Wave bør imidlertid være klar over at kvantedatabehandling er et fremvoksende og svært konkurransedyktig felt. Praktisk talt hvert kvanteselskap vil se seg selv som å ha valgt den riktige teknologiske veien, enten fordi den er mer robust (ion‑fanget), mer markeds‑klar (annealing), eller har større potensial for skalerbarhet (superledende).
Likevel er det imponerende at deres kvantedatabehandling blir distribuert i økende skala for å allerede løse virkelige problemer innen bioteknologi, telekom eller bankvirksomhet, og D‑Wave kan bli en overraskende vinner i feltet, mens diskusjoner ofte fokuserer på andre selskaper som bruker forskjellige kvantedatateknologier.
Siste nyheter og utviklinger for D-Wave Quantum Inc (QBTS) aksjer
Studie referert
1. Kimchhor Chiv, Anand Nayyar, and Tae-Kyung Kim. En omfattende undersøkelse av kvantedatabehandlingsmetoder for porteføljeoptimalisering i FinTech. ICT Express. 5. august 2026.
