Computação Quântica se Aproxima da Otimização de Portfólios

A computação quântica é frequentemente descrita como uma forma totalmente nova de computação que poderia resolver problemas que seriam intratáveis com a computação tradicional binária baseada em silício.

Até agora, a computação quântica tem sido uma tecnologia promissora, mas continua enfrentando um desafio de engenharia fundamental. O estado de matéria extremamente frágil que precisa ser mantido para que a computação quântica funcione significa que ela é ao mesmo tempo cara e pouco escalável.

Isso também implica que os resultados obtidos são “ruidosos”, com erros regulares, atrasos e resultados pouco confiáveis.

Várias inovações podem significar que uma rede de computadores quânticos menores ou uma nova arquitetura de design de hardware, usando um novo estado da matéria chamado topocondutores, permitindo escalabilidade poderiam resolver o problema.

Mas isso também pode ser uma questão conceitual. A maioria dos projetos de computação quântica busca substituir totalmente as soluções de computação tradicionais por soluções baseadas em quântica. Na prática, a resolução de problemas mais restritos pode gerar casos de uso funcionais para a computação quântica mais cedo.

Um estudo recente de pesquisadores da Chungbuk National University (Coreia do Sul) e da Duy Tan University (Vietnã) comparou três métodos diferentes de aproveitamento da computação quântica. Concluiu que um deles, o recozimento quântico, “demonstrou prontidão operacional significativa no curto prazo” para a otimização de portfólios financeiros.

Isso pode indicar que os métodos iterativos baseados em portas, favorecidos pela maioria das pesquisas em computação quântica e que requerem um número massivo de qubits, podem estar na direção errada para a indústria, pelo menos no curto prazo.

Eles publicaram suas descobertas na ICT Express¹, sob o título “Uma pesquisa abrangente sobre abordagens de computação quântica para otimização de portfólios em FinTech”.

Computação Quântica para Otimização de Portfólios

Problemas Complexos Demais para Resolver

A otimização de portfólios é um problema central e computacionalmente intensivo nas finanças modernas e um alicerce da indústria FinTech. Quando restrições realistas são introduzidas (selecionar um número fixo de ativos, custos de transação ou a inclusão de métricas não financeiras como pontuações ESG) ele rapidamente se torna um problema combinatório cada vez mais difícil que pode tornar a otimização exata impraticável à medida que o número de ativos e restrições cresce.

Isso é especialmente verdadeiro quando o número de ativos disponíveis aumenta; o espaço de soluções expande exponencialmente.

Portanto, na prática, isso não é algo que pode ser calculado diretamente para portfólios de grande escala geridos por fundos institucionais, fundos de hedge e robo‑consultores automatizados, sendo usadas muitas regras empíricas e decisões manuais em vez de modelos matemáticos.

As Muitas Formas de Executar Computação Quântica

O núcleo da computação quântica é o qubit, que pode existir em uma superposição de estados. Algoritmos quânticos manipulam superposições de estados de modo que a interferência aumenta a probabilidade de medir soluções úteis. Isso não significa que todas as respostas possíveis podem simplesmente ser calculadas e recuperadas simultaneamente.

Três métodos principais surgiram para usar essa propriedade quântica a fim de realizar cálculos úteis no mundo real, especialmente para otimização de portfólios:

O primeiro é Recozimento Quântico (QA), um paradigma de computação quântica especializado projetado especificamente para enfrentar problemas complexos de otimização. Sua função central é encontrar a configuração de energia mínima, ou estado fundamental, de um sistema físico.

Essa especificidade torna o QA mais eficiente e cria um atalho para configurações de energia mais baixa. Para aplicar o QA na prática, um problema financeiro deve ser mapeado para uma estrutura matemática compatível, mais comumente o modelo QUBO.

“Ao contrário dos modelos baseados em portas que podem exigir controle de pulso de granulação fina, o QA permite um fluxo de trabalho de enviar‑e‑recuperar onde toda a definição do problema (matriz) é carregada uma única vez.”

Algoritmos Quânticos Variacionais (VQAs) são um laço de otimização híbrido quântico‑clássico que itera entre um processador quântico e um otimizador clássico.

Como tal, o tempo total de execução não é determinado apenas pelos tempos de coerência dos qubits, mas também pela latência de rede acumulada ao longo de milhares de iterações. Essa penalidade de latência representa um gargalo arquitetural significativo para aplicações de negociação de alta frequência.

Deve‑se notar também que uma abordagem emergente é a combinação sinérgica de VQAs baseados em portas e recozimento quântico.

“Nesse tipo de estrutura, um recozidor quântico pode ser usado para encontrar um estado inicial de alta qualidade ou para pré‑processar um panorama de otimização difícil, fornecendo um ponto de partida forte para um subsequente laço de otimização VQA em uma máquina baseada em portas.”

Aprendizado de Máquina Quântico (QML) é um método com um paradigma arquitetural distinto centrado na representação de dados. Isso desloca o gargalo computacional de encontrar um estado fundamental para a fase de treinamento, onde dados financeiros de alta dimensão devem ser codificados em estados quânticos via mapas de características.

Pode ser usado em situações onde descobrir relações complexas e não lineares em dados financeiros é uma vantagem significativa. Torna‑se uma ferramenta poderosa para análise de risco e geração de cenários (com um sub‑método chamado Quantum Circuit Born Machine – QCBM), bem como para prever movimentos de mercado ou classificar ativos com base em perfis de risco (com um sub‑método chamado Quantum Support Vector Machine – QSVM).

Fonte: ICT Express

Encontrando a Melhor Ferramenta Quântica

Otimizando a Computação Quântica

De um total de 423, o pesquisador selecionou 30 estudos diferentes para analisar e ajudá‑los a comparar diferentes métodos de computação quântica.

A primeira constatação foi que, como uma restrição chave é mapear eficientemente regras financeiras para hardware quântico, a pesquisa está passando de modelos ineficientes baseados em penalidades para imposição arquitetural, que maximiza o uso efetivo dos qubits limitados. Isso geralmente é feito incorporando limites operacionais diretamente na pilha hardware‑software ou circuit ansatz.

Para enfrentar os limites de escalabilidade dos dispositivos NISQ, pesquisas recentes propõem arquiteturas distribuídas heterogêneas que utilizam diferentes tipos de processadores quânticos para diferentes estágios do pipeline de otimização.

Isso pode assumir muitas formas, por exemplo, um modelo híbrido annealer‑gate ou os protocolos de orquestração e sincronização para gerenciar a carga de trabalho entre um annealer e um QPU baseado em portas.

Medindo o Desempenho

Para classificar as diferentes soluções de computação quântica para otimização de portfólios, os pesquisadores usaram tanto a referência de benchmark citada na literatura quanto os solucionadores clássicos de estado‑da‑arte absolutos.

Concluíram que, no geral, as primeiras aplicações financeiras comercialmente úteis podem surgir do recozimento quântico.

Isso ocorre porque o recozimento quântico suporta restrições de desigualdade nativas e modelos de submissão em nuvem de disparo único que minimizam a latência de comunicação.

Em contraste, outros métodos veem a sobrecarga de rede frequentemente superar o tempo de execução quântica ou são limitados pela alta latência da preparação de estado.

Cálculos Híbridos Quântico‑Clássicos

O que também emerge é que abordagens híbridas que misturam computação quântica com computação clássica funcionam melhor por diversas razões:

• Mitigação da latência de rede, com os pesquisadores propondo otimizadores clássicos co‑localizados ao QPU ou modelos de submissão de disparo único.
• Manipulação de restrições com eficiência de recursos: ao invés de sintonizar meticulosamente pesos de penalidade, que podem ocultar as soluções mais ótimas, o tratamento nativo de restrições permite a otimização de portfólios em escala institucional com maior fidelidade de solução.
• Mapeamento tarefa‑hardware: ao invés de tentar resolver tudo com um único tipo de hardware, o annealer realiza a decomposição global intensiva em computação e o processador baseado em portas lida com a agregação local de granulação fina.

Assim, o processo ideal para desenvolver soluções de computação quântica pode ser primeiro identificar o método ideal para um dado problema e então desenvolver um modelo que una essas ferramentas quânticas com ferramentas clássicas em uma solução híbrida.

Portanto, arquitetura, latência e tratamento de restrições podem ser tão importantes, se não mais, que o desempenho do hardware quântico utilizado.

Fonte: ICT Express

Isso provavelmente permanecerá verdadeiro enquanto o principal obstáculo na computação quântica for a limitação de hardware e ruído: contagens de qubits limitadas, que restringem o tamanho do problema, enquanto o ruído degrada a qualidade da solução.

Também corresponde à experiência prática, onde praticamente todas as aplicações contemporâneas em larga escala de QUBO ou CQM são executadas em sistemas híbridos quântico‑clássicos.

Portanto, o pesquisador conclui que essa abordagem sinérgica é essencial para enfrentar problemas relevantes para a indústria com o hardware de computação quântica atual.

É a Computação Quântica Necessária?

Um último ponto de dados interessante neste estudo é a comparação da computação quântica com outros métodos inovadores de computação.

Por exemplo, ele analisa arquiteturas massivamente paralelizadas aceleradas por GPU que podem superar radicalmente as ferramentas de cálculo normais. Esse método também pode contornar o gargalo de latência de rede dos sistemas quânticos baseados em nuvem.

“Solvers de primeira ordem baseados em GPU podem alcançar acelerações de tempo de execução de até 12,9x em cenários de período único e 48x em cenários de múltiplos períodos em relação a solvers clássicos exatos de alto desempenho como o MOSEK 11.0.”

GPUs podem ainda ser usadas para simular resultados normalmente obtidos com computadores quânticos. Em particular, o Simulated Annealing Paralelo acelerado por GPU (PSA) e a Otimização por Enxame de Partículas (PSO) podem aproveitar milhares de núcleos para alcançar convergência quase em tempo real. Por exemplo, kernels GPU‑PSO otimizados alcançaram um aumento de 150x comparado a uma linha de base CPU.

À medida que GPUs e hardware similar capazes de realizar enormes quantidades de cálculos paralelos são desenvolvidos para cálculos de IA, isso pode representar uma competição séria para a nascente indústria de computação quântica.

“Consequentemente, a vantagem quântica deve ser medida contra esses pipelines clássicos otimizados por hardware sub‑segundo que definem o limiar atual de prontidão para produção em FinTech de alta frequência.”

Mesmo assim, as GPUs são uma tecnologia mais madura que os QPUs, de modo que, a muito longo prazo, o problema mais difícil de resolver provavelmente se beneficiará da computação quântica, especialmente à medida que outras restrições, como consumo de energia, possam às vezes atrasar a implantação de grandes clusters de GPU.

Para os investidores, essa comparação reduz consideravelmente o campo. O estudo não sugere que toda arquitetura quântica esteja igualmente próxima de gerar valor comercial nas finanças. Em vez disso, identifica o recozimento quântico como particularmente bem adequado à otimização com restrições, ao mesmo tempo que enfatiza que qualquer sistema viável ainda deve competir com alternativas baseadas em GPU cada vez mais poderosas. Isso torna a D‑Wave especialmente relevante: ela oferece exposição negociada publicamente à arquitetura que os pesquisadores consideram entre as mais prontas operacionalmente, enquanto já persegue aplicações comerciais em finanças e outras indústrias intensivas em otimização.

Investindo em Recozimento Quântico

D‑Wave Quantum Inc.

A D‑Wave é uma empresa de computação quântica que tem focado não em construir o maior número de qubits supercondutores no futuro, mas nos qubits mais utilizáveis para casos de uso reais hoje.

Já metade dos clientes da D‑Wave são empresas comerciais, com 65% da receita derivada de clientes comerciais, dos quais 45% da receita provém de clientes do Forbes Global 2000.

Fonte: D‑Wave

Por exemplo, as ferramentas da D‑Wave já são usadas pela AT&T para reduzir o tempo de processamento de uma carga de trabalho de otimização de rede de aproximadamente uma hora para menos de 15 segundos.

“Trabalhos futuros planejados explorarão um conjunto mais amplo de aplicações, como detecção e resposta a falhas, roteamento de técnicos, planejamento de construção de rede e gerenciamento de tráfego.”

A D‑Wave também demonstrou aplicações financeiras diretas do recozimento quântico, incluindo otimização de portfólio envolvendo ativos do S&P 100 e S&P 500. Por exemplo, uma colaboração com o CaixaBank, um banco líder na Espanha, usou a D‑Wave para exatamente o tipo de aplicação financeira discutida neste estudo. O que normalmente levava ao banco várias horas de tempo de computação foi reduzido a apenas minutos via tecnologia de computação quântica.

“As aplicações híbridas quânticas diminuíram significativamente o tempo de computação para resolver problemas financeiros complexos, melhorando a otimização de portfólios de investimento, aumentando a taxa interna de retorno (IRR) de um portfólio de títulos e minimizando o capital necessário para operações de hedge, como resultado da colaboração.”

Ao focar no recozimento quântico, a empresa se vê como tomando o caminho intermediário entre a tecnologia de íons aprisionados (“eficiente, mas lenta”) e os qubits supercondutores (“rápidos, mas complicados e menos confiáveis”). A empresa está escalando rapidamente seu hardware, esperando multiplicar por 4 o número de qubits em seu sistema até 2029 e por 20 até 2031.

Fonte: D‑Wave

Além do recozimento, que começou a ser desenvolvido em 2011, a D‑Wave também tem expandido para a computação quântica baseada em portas desde 2020. No geral, as duas tecnologias devem se complementar, com cada uma se especializando em aplicações específicas.

Fonte: D‑Wave

“Enquanto a computação quântica de recozimento se destaca em otimização, simulação de materiais e certas cargas de trabalho de IA, a computação quântica baseada em portas deve avançar aplicações como química quântica, design molecular e armazenamento de energia de próxima geração.”

Investidores na D‑Wave devem, porém, estar cientes de que a computação quântica é um campo emergente e muito competitivo. Praticamente todas as empresas quânticas se veem como tendo escolhido o caminho tecnológico correto, seja porque é mais resiliente (íons aprisionados), mais pronta para o mercado (recozimento) ou tem maior potencial de escalabilidade (supercondutor).

Mesmo assim, ter sua computação quântica sendo implantada em escala crescente para já resolver problemas reais em biotecnologia, telecomunicações ou bancos é uma façanha impressionante, e a D‑Wave pode ser uma vencedora surpresa no campo, enquanto as discussões frequentemente se concentram em outras empresas que utilizam diferentes tecnologias de computação quântica.

Últimas Notícias e Desenvolvimentos das Ações da D‑Wave Quantum Inc (QBTS)

Estudo Referenciado

^{1. Kimchhor Chiv, Anand Nayyar, and Tae‑Kyoung Kim. Uma pesquisa abrangente sobre abordagens de computação quântica para otimização de portfólios em FinTech. ICT Express. 5 de agosto de 2026.}