Kvantberäkning närmar sig portföljoptimering

Kvantberäkning beskrivs ofta som en helt ny form av beräkning som kan lösa problem som annars är olösliga med traditionell binär, kiselbaserad databehandling.

Hittills har kvantberäkning varit en lovande teknik, men den står fortfarande inför en grundläggande ingenjörsutmaning. Det extremt sköra tillståndet av materia som måste upprätthållas för att kvantberäkning ska fungera innebär att den både är dyr och inte särskilt skalbar.

Det innebär också att de erhållna resultaten är “brusiga”, med regelbundna fel, fördröjningar och opålitliga resultat.

Flera innovationer kan innebära att antingen ett nätverk av mindre kvantdatorer eller en ny hårdvarudesignarkitektur, som använder ett nytt materietillstånd kallat topokonduktorer, vilket möjliggör skalbarhet, kan lösa problemet.

Men detta kan också vara ett konceptuellt problem. De flesta kvantberäkningsprojekt försöker helt ersätta traditionella datalösningar med kvantbaserade. Men i praktiken kan mer avgränsad problemlösning potentiellt ge funktionella användningsfall för kvantberäkning tidigare.

En nyligen genomförd studie av forskare vid Chungbuk National University (Sydkorea) och Duy Tan University (Vietnam) har jämfört tre olika metoder för att utnyttja kvantberäkning. Den fann att en, kvant‑annealing, “uppvisar betydande kortsiktig operativ beredskap” för optimering av finansiella portföljer.

Detta kan indikera att de iterativa grindbaserade metoderna som föredras av de flesta kvantberäkningsforskning, och som kräver ett enormt antal qubitar, kan vara fel riktning för branschen, åtminstone på kort sikt.

De publicerade sina resultat i ICT Express¹, under titeln “A comprehensive survey of quantum computing approaches for portfolio optimization in FinTech”.

Kvantberäkning för portföljoptimering

Problem som är för komplexa att lösa

Portföljoptimering är ett centralt och beräkningsintensivt problem inom modern finans och en hörnsten i FinTech‑branschen. När realistiska begränsningar införs (t.ex. att välja ett fast antal tillgångar, transaktionskostnader eller inkludering av icke‑finansiella mått som ESG‑betyg) blir det snabbt ett allt svårare kombinatoriskt problem som kan göra exakt optimering opraktisk när antalet tillgångar och begränsningar ökar.

Detta är särskilt sant när antalet tillgängliga tillgångar ökar; lösningsrymden expanderar exponentiellt.

I praktiken är detta alltså inget som kan beräknas direkt för storskaliga portföljer som förvaltas av institutionella fonder, hedgefonder och automatiserade robo‑rådgivare, där många empiriska regler och manuella beslut används i stället för matematiska modeller.

De många sätten att utföra kvantberäkning

Kärnan i kvantberäkning är qubiten, som kan existera i en superposition av tillstånd. Kvantalgoritmer manipulerar superpositioner så att interferens ökar sannolikheten att mäta användbara lösningar. Detta betyder inte att varje möjligt svar enkelt kan beräknas och hämtas samtidigt.

Tre huvudmetoder har framkommit för att utnyttja denna kvantegenskap för att utföra beräkningar som är användbara i den verkliga världen, särskilt för portföljoptimering:

Den första är Quantum Annealing (QA), ett specialiserat kvantberäkningsparadigm som är utformat specifikt för att tackla komplexa optimeringsproblem. Dess kärnfunktion är att hitta den minsta energikonfigurationen, eller grundtillståndet, i ett fysiskt system.

Denna specificitet gör QA mer effektiv och skapar en genväg till lägre energikonfigurationer. För att praktiskt tillämpa QA måste ett finansiellt problem mappas till en kompatibel matematisk struktur, oftast QUBO‑modellen.

“Till skillnad från grindbaserade modeller som kan kräva finjusterad pulskontroll, möjliggör QA ett submit‑and‑retrieve‑arbetsflöde där hela problemdefinitionen (matris ) laddas upp en gång.”

Variational Quantum Algorithms (VQAs) är en hybrid kvant‑klassisk optimeringsloop som itererar mellan en kvantprocessor och en klassisk optimerare.

Som sådan bestäms den totala exekveringstiden inte enbart av qubitens koherenstider utan också av nätverkslatensen som ackumuleras över tusentals iterationer. Denna latenspenalty utgör en betydande arkitektonisk flaskhals för högfrekventa handelsapplikationer.

Det bör också noteras att ett framväxande tillvägagångssätt är den synergistiska kombinationen av grindbaserade VQAs och kvant‑annealing.

“I ett sådant ramverk kan en kvant‑annealer användas för att hitta ett högkvalitativt initialt tillstånd eller för att förprocessa ett svårt optimeringslandskap, vilket ger en stark utgångspunkt för en efterföljande VQA‑optimeringsloop på en grindbaserad maskin.”

Quantum Machine Learning (QML) är en metod med ett distinkt arkitekturparadigm centrerat på datarapresentation. Detta flyttar den beräkningsmässiga flaskhalsen från att hitta ett grundtillstånd till träningsfasen, där högdimensionell finansiell data måste kodas in i kvanttillstånd via feature maps.

Den kan användas i situationer där avslöjandet av komplexa, icke‑linjära samband i finansiell data är en betydande fördel. Den gör den till ett kraftfullt verktyg för riskanalys och scenariogenerering (med en delmetod kallad Quantum Circuit Born Machine – QCBM), samt för att förutsäga marknadsrörelser eller klassificera tillgångar baserat på riskprofiler (med en delmetod kallad Quantum Support Vector Machine (QSVM).

Källa: ICT Express

Att hitta det bästa kvantverktyget

Optimera kvantberäkning

Av totalt 423 valde forskaren 30 olika studier för att analysera och hjälpa dem att jämföra olika kvantberäkningsmetoder.

Den första slutsatsen var att, eftersom en nyckelbegränsning är att effektivt mappa finansiella regler till kvantmaskinvara, rör forskningen sig från ineffektiva straffbaserade modeller till arkitektonisk verkställning, vilket maximerar den effektiva användningen av begränsade qubitar. Detta görs vanligtvis genom att inbädda operativa gränser direkt i hårdvara‑programvarustacken eller circuit ansatz.

För att hantera skalbarhetsgränserna för NISQ‑enheter föreslår ny forskning heterogena distribuerade arkitekturer som utnyttjar olika typer av kvantprocessorer för olika steg i optimeringspipeline.

Detta kan ta många former, till exempel en annealer‑gate‑hybridmodell eller orkestrerings‑ och synkroniseringsprotokoll för att hantera arbetsbelastningen mellan en annealer och en grindbaserad QPU.

Mäta prestanda

För att rangordna de olika kvantberäkningslösningarna för portföljoptimering använde forskarna både den benchmarking som citeras i litteraturen och de absoluta toppmoderna klassiska lösarna.

De fann att överlag kan de första kommersiellt användbara finansiella tillämpningarna uppstå från kvant‑annealing.

Detta beror på att kvant‑annealing stöder inbyggda ojämlikhetsbegränsningar och en‑till‑gång‑molninskickningsmodeller som minimerar kommunikationslatens.

I kontrast ser andra metoder ofta nätverksöverhead som väger tyngre än kvantexekveringstid eller är begränsade av den höga latensen vid tillståndsförberedelse.

Kvant‑klassiska hybridberäkningar

Vad som också framträder är att hybridmetoder som blandar kvantberäkning med klassisk beräkning fungerar bäst av flera skäl:

• Minskning av nätverkslatens, där forskarna föreslår QPU‑placerade klassiska optimerare eller en‑till‑gång‑inskickningsmodeller.
• Resurseffektiv hantering av begränsningar: istället för att minutiöst justera straffvikter, vilket kan dölja de mest optimala lösningarna, möjliggör inbyggd begränsningshantering optimering av institutionella portföljer i skala med högre lösningsfidelitet.
• Uppgifts‑maskinvarukartläggning: istället för att försöka lösa allt med en enda hårdvarutyp, utför annealern beräkningsintensiv global dekomposition och den grindbaserade processorn hanterar finfördelad lokal aggregation.

Så den ideala processen för att utveckla kvantberäkningslösningar kan vara att först identifiera den bästa metoden för ett givet problem, och sedan utveckla en modell som sammanslår dessa kvantverktyg med klassiska verktyg till en hybridlösning.

Så arkitektur, latens och begränsningshantering kan vara lika viktiga, om inte viktigare, än prestandan hos den använda kvantmaskinvaran.

Källa: ICT Express

Detta kommer sannolikt att förbli sant så länge som det primära hindret för kvantberäkning är hårdvarubegränsningar och brus: begränsat antal qubitar, vilket begränsar problemstorlek, medan brus försämrar lösningskvaliteten.

Det stämmer också med praktisk erfarenhet, där i princip alla samtida, storskaliga tillämpningar av antingen QUBO eller CQM körs på hybridkvant‑klassiska system.

Forskaren drar slutsatsen att detta synergistiska tillvägagångssätt är avgörande för att tackla branschrelevanta problem med nuvarande kvantberäkningsmaskinvara.

Behövs kvant överhuvudtaget?

En sista intressant datapunkt i denna studie är jämförelsen av kvantberäkning med andra innovativa beräkningsmetoder.

Till exempel ser den på massivt parallelliserade GPU‑accelererade arkitekturer som kan radikalt överträffa vanliga beräkningsverktyg. Denna metod kan också kringgå nätverkslatensflaskhalsen i molnbaserade kvantsystem.

“GPU‑baserade förstahandslösare kan uppnå körtidshöjningar på upp till 12,9× i enkelfasperioder och 48× i flerperiodinställningar jämfört med högpresterande klassiska exakta lösare som MOSEK 11.0”

GPU:er kan till och med användas för att simulera resultat som normalt erhålls med kvantdatorer. Speciellt kan GPU‑accelererad Parallel Simulated Annealing (PSA) och Particle Swarm Optimization (PSO) utnyttja tusentals kärnor för att uppnå nästan realtidskonvergens. Till exempel uppnådde optimerade GPU‑PSO‑kärnor en 150‑gångs hastighetsökning jämfört med en CPU‑baslinje.

När GPU:er och liknande hårdvara som kan utföra enorma mängder parallella beräkningar utvecklas för AI‑beräkningar, kan detta utgöra en allvarlig konkurrens för den framväxande kvantberäkningsindustrin.

“Följaktligen måste kvantfördelen mätas mot dessa undersekundära, hårdvaruoptimerade klassiska pipelines som definierar den nuvarande tröskeln för produktionsklarhet i högfrekvent FinTech.”

Ändå är GPU:er en mer mogen teknik än QPU:er, så på mycket lång sikt kommer de svåraste problemen sannolikt att dra nytta av kvantberäkning, särskilt eftersom andra begränsningar som energiförbrukning ibland kan fördröja utrullningen av stora GPU‑kluster.

För investerare begränsar denna jämförelse fältet avsevärt. Studien antyder inte att varje kvantarkitektur är lika nära att generera kommersiellt värde inom finans. Istället identifierar den kvant‑annealing som särskilt väl lämpad för begränsad optimering, samtidigt som den betonar att alla livskraftiga system fortfarande måste konkurrera med allt kraftfullare GPU‑baserade alternativ. Det gör D‑Wave särskilt relevant: den erbjuder börsnoterad exponering mot den arkitektur som forskarna anser vara bland de mest operativt redo, samtidigt som den redan driver kommersiella tillämpningar inom finans och andra optimeringsintensiva industrier.

Investera i kvant‑annealing

D-Wave Quantum Inc.

D-Wave är ett kvantberäkningsföretag som har fokuserat inte på att bygga det största antalet supraledande qubitar i framtiden, utan på de mest användbara för verkliga användningsfall idag.

Redan är hälften av D‑Waves kunder kommersiella företag, med 65 % av intäkterna från kommersiella kunder, varav 45 % av intäkterna kommer från Forbes Global 2000‑kunder.

Källa: D-Wave

Till exempel används D‑Wave-verktyg redan av AT&T för att minska bearbetningstiden för en nätverksoptimeringsuppgift från ungefär en timme till mindre än 15 sekunder.

“Planerat framtida arbete kommer att utforska ett bredare spektrum av tillämpningar, såsom avbrottsdetektering och -respons, teknikerouting, nätverksbyggnadsplanering och trafikhantering”

D‑Wave har också demonstrerat direkta finansiella tillämpningar av kvant‑annealing, inklusive portföljoptimering som involverar S&P 100‑ och S&P 500‑tillgångar. Till exempel använde ett samarbete med CaixaBank, en ledande bank i Spanien, D‑Wave för exakt den typ av finansiell tillämpning som diskuteras i denna studie. Vad som normalt tog banken flera timmars beräkningstid reducerades till bara minuter med kvantberäkningsteknik.

“De kvant‑hybridapplikationerna har avsevärt minskat beräkningstiden för att lösa komplexa finansiella problem, förbättrat investeringsportföljoptimering, ökat en obligationsportföljs interna avkastning (IRR) och minskat det kapital som behövs för hedge‑operationer, som ett resultat av deras samarbete.”

Genom att fokusera på kvant‑annealing ser företaget sig själv som att gå den mellersta vägen mellan fångad‑jon‑teknik (“effektiv men långsam”) och supraledande qubitar (“snabb men komplicerad och mindre pålitlig”). Företaget skalar snabbt sin hårdvara och hoppas multiplicera antalet qubitar i sitt system med 4‑ gånger till 2029 och 20‑ gånger till 2031.

Källa: D-Wave

Förutom annealing, som företaget började utveckla 2011, har D‑Wave också expanderat till grindmodells‑kvantberäkning sedan 2020. Sammantaget bör de två teknologierna komplettera varandra, med varje specialiserad på specifika tillämpningar.

Källa: D-Wave

“Medan annealing‑kvantberäkning utmärker sig inom optimering, materialssimulering och vissa AI‑arbetsbelastningar, förväntas grindmodells‑kvantberäkning driva fram tillämpningar såsom kvantkemi, molekylär design och nästa generations energilagring.”

Investerare i D‑Wave bör dock vara medvetna om att kvantberäkning är ett framväxande och mycket konkurrensutsatt område. Praktiskt taget varje kvantföretag kommer att se sig själva som att ha valt rätt teknologiska väg, antingen för att den är mer motståndskraftig (jon‑fångad), mer marknadsredo (annealing) eller har större potential för skalbarhet (supraledande).

Ändå är det en imponerande prestation att dess kvantberäkning distribueras i ökande skala för att redan lösa verkliga problem inom bioteknik, telekom eller bankverksamhet, och D‑Wave kan bli en överraskande vinnare inom området, medan diskussioner ofta fokuserar på andra företag som använder olika kvantberäknningsteknologier.

Senaste nyheter och utveckling för D-Wave Quantum Inc (QBTS)

Studie refererad

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