Kuantum Bilgisayarları Portföy Optimizasyonuna Daha Yakınlaşıyor

Kuantum bilgisayarları, geleneksel ikili, silikon tabanlı bilgisayarlarla çözülemeyen problemleri çözebilecek tamamen yeni bir bilgisayar türü olarak sıkça tanımlanır.

Şu ana kadar, kuantum bilgisayarları umut vaat eden bir teknoloji olmuştur, ancak temel bir mühendislik sorunu ile karşı karşıyadır. Kuantum bilgisayarının çalışması için korunması gereken son derece kırılgan madde durumu, hem maliyetli hem de ölçeklenebilirliğinin düşük olmasına yol açar.

Ayrıca elde edilen sonuçların “gürültülü” olduğu, düzenli hatalar, gecikmeler ve güvenilir olmayan sonuçlar içerdiği anlamına gelir.

Birkaç yenilik, ya daha küçük kuantum bilgisayarlarından oluşan bir ağ ya da topokonduktör adı verilen yeni bir madde durumu kullanan yeni bir donanım tasarım mimarisi, ölçeklenebilirliği sağlayan sorunu çözebilir.

Ancak bu aynı zamanda kavramsal bir sorun da olabilir. Çoğu kuantum bilgisayar projesi, geleneksel bilgisayar çözümlerini tamamen kuantuma dayalı olanlarla değiştirmeyi hedeflemektedir. Pratikte, daha dar kapsamlı problem çözümü, kuantum bilgisayarları için işlevsel kullanım senaryolarını daha erken ortaya çıkarabilir.

Güney Kore’deki Chungbuk Ulusal Üniversitesi ve Vietnam’daki Duy Tan Üniversitesi araştırmacılarının yakın tarihli bir çalışması, kuantum bilgisayarlarından yararlanmanın üç farklı yöntemini karşılaştırdı. Çalışma, kuantum tavlama (quantum annealing) yönteminin finansal portföy optimizasyonu için “önemli bir kısa vadeli operasyonel hazırbulunuşluk” sergilediğini buldu.

Bu, çoğu kuantum bilgisayar araştırması tarafından tercih edilen ve büyük sayıda kuantum biti gerektiren yinelemeli kapı‑tabanlı yöntemlerin, en azından kısa vadede, sektör için yanlış bir yön olabileceğini gösterebilir.

They published their findings in ICT Express¹, under the title “A comprehensive survey of quantum computing approaches for portfolio optimization in FinTech”.

Kuantum Bilgisayarları Portföy Optimizasyonu İçin

Çözülmesi Çok Karmaşık Problemler

Portfolio optimizasyonu, modern finansın merkezinde yer alan ve yüksek hesaplama gücü gerektiren bir sorundur ve FinTech endüstrisinin temel taşlarından biridir. Gerçekçi kısıtlamalar (sabit bir varlık sayısı seçmek, işlem maliyetleri veya ESG puanları gibi finans dışı metriklerin dahil edilmesi) getirildiğinde, varlık ve kısıtlama sayısı arttıkça kesin optimizasyonu pratikte imkânsız hale getiren giderek zorlaşan bir kombinatoryal problem ortaya çıkar.

Bu durum, mevcut varlık sayısı arttıkça çözüm uzayının üssel olarak genişlemesiyle özellikle belirginleşir.

Bu nedenle, kurumsal fonlar, hedge fonları ve otomatik robo‑danışmanlar tarafından yönetilen büyük ölçekli portföyler için doğrudan hesaplama yapılması pratikte mümkün değildir; bunun yerine birçok ampirik kural ve manuel karar, matematiksel modellerin yerini alır.

Kuantum Bilgisayarını Kullanmanın Çeşitli Yolları

Kuantum bilgisayarının temeli, süperpozisyon durumunda bulunabilen kuantum biti (qubit)’dir. Kuantum algoritmaları, süperpozisyonları manipüle ederek girişim yoluyla yararlı çözümlerin ölçülme olasılığını artırır. Bu, her olası cevabın aynı anda hesaplanıp elde edilebileceği anlamına gelmez.

Gerçek dünyada, özellikle portföy optimizasyonu için faydalı hesaplamalar yapabilmek amacıyla bu kuantum özelliğini kullanan üç ana yöntem ortaya çıkmıştır:

İlk yöntem Kuantum Tavlama (QA) olup, karmaşık optimizasyon problemlerine odaklanmak üzere tasarlanmış özel bir kuantum bilgisayar paradigmasıdır. Temel işlevi, fiziksel bir sistemin minimum enerji konfigürasyonu ya da yeraltı durumu (ground state)’ni bulmaktır.

Bu özgüllük, QA’yı daha verimli kılar ve düşük‑enerjili konfigürasyonlara ulaşmak için bir kısayol oluşturur. QA’yı pratikte uygulamak için finansal bir problem, en yaygın olarak QUBO modeli olmak üzere uyumlu bir matematiksel yapıya haritalanmalıdır.

“Kapı‑tabanlı modellerin ince‑ölçekte darbe kontrolü gerektirebileceğinin aksine, QA, tüm problem tanımının (matris) bir kez yüklenmesiyle bir gönder‑ve‑al iş akışına izin verir.”

Varyasyonel Kuantum Algoritmaları (VQAs) ise kuantum işlemci ile klasik optimizatör arasında döngüsel bir hibrit kuantum‑klasik optimizasyon sürecidir.

Bu nedenle, toplam yürütme süresi yalnızca kuantum bitlerinin koherens süresiyle değil, binlerce yineleme boyunca birikmiş ağ gecikmesiyle de belirlenir. Bu gecikme cezası, yüksek frekanslı ticaret uygulamaları için önemli bir mimari darboğaz oluşturur.

Ayrıca, ortaya çıkan bir yaklaşımın kapı‑tabanlı VQA’ların ve kuantum tavlamanın sinerjik bir kombinasyonu olduğu da belirtilmelidir.

“Bu çerçevede, bir kuantum tavlaması yüksek‑kaliteli bir başlangıç durumu bulmak ya da zor bir optimizasyon manzarasını ön‑işlemek için kullanılabilir; bu da kapı‑tabanlı bir makinede sonraki VQA optimizasyon döngüsü için güçlü bir başlangıç noktası sağlar.”

Kuantum Makine Öğrenimi (QML) ise veri temsiline odaklanan ayrı bir mimari paradigma sunar. Bu, hesaplama darboğazını yeraltı durumunu bulmaktan, yüksek boyutlu finansal verilerin kuantum durumlarına özellik haritaları aracılığıyla kodlanması gereken eğitim aşamasına kaydırır.

Bu yöntem, finansal verilerdeki karmaşık, doğrusal olmayan ilişkileri ortaya çıkarmanın büyük bir avantaj olduğu durumlarda kullanılabilir. Risk analizi ve senaryo üretimi (alt‑yöntem olarak Kuantum Devre Doğum Makinesi – QCBM) ile piyasa hareketlerini tahmin etme veya varlıkları risk profillerine göre sınıflandırma (alt‑yöntem olarak Kuantum Destek Vektör Makinesi – QSVM) gibi uygulamalarda güçlü bir araçtır.

Source: ICT Express

En İyi Kuantum Aracını Bulmak

Kuantum Bilgisayarını Optimize Etmek

423 çalışmadan, araştırmacı 30 farklı incelemeyi seçerek çeşitli kuantum hesaplama yöntemlerini karşılaştırdı.

İlk bulgu, finansal kuralların kuantum donanımına verimli bir şekilde haritalanmasının kilit bir kısıtlama olduğu ve araştırmanın, sınırlı kuantum bitlerinin etkili kullanımını maksimize eden mimari zorlamalara yöneldiği; bu genellikle operasyonel sınırların doğrudan donanım‑yazılım yığınına ya da devre ansatz’ına gömülmesiyle yapılır.

NISQ cihazlarının ölçeklenebilirlik sınırlarını aşmak için, son araştırmalar farklı aşamalarda farklı kuantum işlemci tiplerini kullanan heterojen dağıtık mimariler önermektedir.

Bu, örneğin bir tavlama‑kapı hibrit modeli ya da bir tavlama ve kapı‑tabanlı QPU arasında iş yükünü yönetmek için orkestrasyon ve senkronizasyon protokolleri gibi çeşitli biçimlerde olabilir.

Performansın Ölçülmesi

Portföy optimizasyonu için farklı kuantum bilgisayar çözümlerini sıralamak amacıyla araştırmacılar, literatürdeki kıyaslamaları ve mutlak en güncel klasik çözücüleri kullandı.

Genel olarak, ilk ticari olarak faydalı finansal uygulamaların kuantum tavlamadan ortaya çıkabileceğini buldular.

Bu, kuantum tavlamanın yerel eşitsizlik kısıtlamalarını ve iletişim gecikmesini en aza indiren tek‑atım bulut gönderim modellerini desteklemesinden kaynaklanmaktadır.

Buna karşılık, diğer yöntemler ağ üzerindeki ek yükün genellikle kuantum yürütme süresini aşması ya da durum hazırlama gecikmesinin yüksek olması gibi sınırlamalara sahiptir.

Kuantum‑Klasik Hibrit Hesaplamalar

Ayrıca ortaya çıkan bir diğer bulgu, hibrit yaklaşımların çeşitli nedenlerle en iyi performansı gösterdiğidir:

• Ağ gecikmesinin hafifletilmesi, araştırmacıların QPU‑yerleşik klasik optimizatörler ya da tek‑atım gönderim modelleri önermesiyle.
• Kısıtlama yönetiminde kaynak verimliliği: ceza ağırlıklarını titizlikle ayarlamak yerine, yerel kısıtlama yönetimi, en optimal çözümleri gizleyebilir; yerel kısıtlama yönetimi, kurumsal ölçekli portföylerin daha yüksek çözüm doğruluğu ile optimize edilmesini sağlar.
• Görev‑donanım eşlemesi: tüm problemi tek bir donanım türüyle çözmeye çalışmak yerine, tavlama küresel ayrıştırmayı, kapı‑tabanlı işlemci ise ince‑ölçekli yerel toplama işlemlerini üstlenir.

Dolayısıyla ideal süreç, önce belirli bir problem için en uygun yöntemi tanımlamak, ardından bu kuantum bilgisayar araçlarını klasik bilgisayar araçlarıyla birleştirerek hibrit bir çözüm geliştirmek olabilir.

Bu yüzden mimari, gecikme ve kısıtlama yönetimi, kullanılan kuantum donanımının performansından en az, hatta daha fazla etkili olabilir.

Source: ICT Express

Bu durum, temel engelin hâlâ donanım sınırlamaları ve gürültü olduğu sürece geçerli olacaktır: sınırlı kuantum biti sayısı, problem boyutunu kısıtlar; gürültü ise çözüm kalitesini düşürür.

Ayrıca, günümüzde QUBO ya da CQM gibi büyük ölçekli uygulamaların neredeyse tamamının hibrit kuantum‑klasik sistemlerde yürütüldüğü pratik deneyimle de örtüşür.

Araştırmacı, mevcut kuantum bilgisayar donanımıyla endüstri‑relevant problemleri ele almak için bu sinerjik yaklaşımın vazgeçilmez olduğunu sonucuna varmıştır.

Kuantum Gerçekten Gerekiyor Mu?

Bu çalışmadaki son ilginç veri noktası, kuantum bilgisayarının diğer yenilikçi bilgisayar yöntemleriyle karşılaştırılmasıdır.

Örneğin, normal hesaplama araçlarını kökten geride bırakabilecek kadar radikal bir performans artışı sağlayabilen büyük ölçekte paralel GPU‑hızlandırmalı mimariler incelenir. Bu yöntem, bulut‑tabanlı kuantum sistemlerinin ağ gecikmesi darboğazını da aşabilir.

“GPU‑tabanlı birinci‑derece çözücüler, yüksek performanslı klasik kesin çözücüler olan MOSEK 11.0 gibi sistemlere kıyasla tek‑dönemli ayarlarda 12.9x, çok‑dönemli ayarlarda ise 48x çalışma süresi hızlandırması sağlayabilir.”

GPU’lar, kuantum bilgisayarlarıyla elde edilen sonuçları simüle etmek için de kullanılabilir. Özellikle, GPU‑hızlandırmalı Paralel Simüle Annealing (PSA) ve Parçacık Sürü Optimizasyonu (PSO), binlerce çekirdeği kullanarak neredeyse gerçek‑zamanlı yakınsama sağlayabilir. Örneğin, optimize edilmiş GPU‑PSO çekirdekleri CPU temeline göre 150x hız artışı elde etmiştir.

AI hesaplamaları için büyük paralel işlem kapasitesine sahip GPU ve benzeri donanımlar geliştikçe, bu durum yeni ortaya çıkan kuantum bilgisayar endüstrisi için ciddi bir rekabet oluşturabilir.

“Dolayısıyla, kuantum avantajı, yüksek frekanslı FinTech’te üretim hazırlığı için mevcut eşiği tanımlayan bu alt‑saniyelik, donanım‑optimize klasik boru hatlarıyla ölçülmelidir.”

Yine de, GPU’lar QPU’lardan daha olgun bir teknoloji olduğundan, çok uzun vadede en zor çözülen problemler kuantum bilgisayarlarından fayda sağlayabilir; özellikle enerji tüketimi gibi diğer kısıtlamalar büyük GPU kümelerinin dağıtımını geciktirebilir.

Yatırımcılar için bu karşılaştırma alanı önemli ölçüde daralır. Çalışma, her kuantum mimarisinin finansta ticari değer üretmeye aynı derecede yakın olduğunu iddia etmez; bunun yerine kuantum tavlamanın kısıtlı optimizasyon için özellikle uygun olduğunu vurgular ve herhangi bir geçerli sistemin giderek güçlüleşen GPU‑tabanlı alternatiflerle hâlâ rekabet etmesi gerektiğini belirtir. Bu da D‑Wave’i özellikle ilgili kılar: araştırmacıların en operasyonel olarak hazır gördükleri mimariye halka açık bir borsa erişimi sunar ve zaten finans ve diğer optimizasyon‑yoğun sektörlerde ticari uygulamaları peşinde koşmaktadır.

Kuantum Tavlamaya Yatırım

D‑Wave Quantum Inc.

D‑Wave, gelecekte en büyük süperiletken kuantum bitlerini inşa etmeye odaklanmak yerine, bugün gerçek kullanım senaryoları için en kullanılabilir olanları geliştirmeye odaklanan bir kuantum bilgisayar şirketidir.

Zaten D‑Wave’in müşterilerinin yarısı ticari işletmelerdir; gelirin %65’i ticari müşterilerden, bu müşterilerin %45’i ise Forbes Global 2000 müşterilerinden elde edilmektedir.

Source: D‑Wave

Örneğin, D‑Wave araçları AT&T tarafından bir ağ optimizasyon iş yükünün işlem süresini yaklaşık bir saatten 15 saniyenin altına düşürmek için kullanılmaktadır.

“Planlanan gelecek çalışmalar, arıza tespiti ve yanıtı, teknisyen rotalama, ağ inşa planlaması ve trafik yönetimi gibi daha geniş bir uygulama yelpazesini keşfetmeyi hedeflemektedir.”

D‑Wave ayrıca, S&P 100 ve S&P 500 varlıklarını içeren portföy optimizasyonu gibi doğrudan finansal kuantum tavlama uygulamalarını da göstermiştir. Örneğin, İspanya’nın önde gelen bankalarından CaixaBank ile yapılan iş birliği, bu bankanın tipik olarak saatler süren hesaplama süresini dakikalara indirmiştir.

“Kuantum hibrit uygulamaları, karmaşık finansal problemleri çözmek için hesaplama süresini önemli ölçüde azaltmış, yatırım portföy optimizasyonunu iyileştirmiş, tahvil portföyünün iç getiri oranını (IRR) artırmış ve hedge operasyonları için gereken sermayeyi minimize etmiştir; bu sonuçlar iş birlikleri sayesinde elde edilmiştir.”

Kuantum tavlamaya odaklanarak, şirket kendisini “verimli ama yavaş” tuzak‑iyon teknolojisi ile “hızlı ama karmaşık ve daha az güvenilir” süperiletken kuantum bitleri arasında orta bir yol olarak konumlandırmaktadır. Şirket, donanımını hızla ölçeklendirerek 2029’da sistemindeki kuantum bitlerini 4 kat, 2031’de ise 20 kat artırmayı hedeflemektedir.

Source: D‑Wave

Tavlamanın 2011’de geliştirilmesinin yanı sıra, D‑Wave 2020’den bu yana kapı‑modeli kuantum bilgisayarına da genişlemektedir. Genel olarak, iki teknoloji birbirini tamamlamalıdır; her biri belirli uygulamalara odaklanır.

Source: D‑Wave

“Tavlama kuantum bilgisayarları optimizasyon, malzeme simülasyonu ve belirli AI iş yüklerinde üstünlük gösterirken, kapı‑modeli kuantum bilgisayarları kuantum kimyası, moleküler tasarım ve yeni nesil enerji depolama gibi uygulamalarda ilerleme kaydedecektir.”

Yine de, D‑Wave yatırımcıları kuantum bilgisayarının yeni ve çok rekabetçi bir alan olduğunu unutmamalıdır. Neredeyse her kuantum şirketi, ya daha dayanıklı (iyon‑tutma), daha pazara hazır (tavlama) ya da ölçeklenebilirlik açısından daha büyük potansiyele (süperiletken) sahip olduğu yönünde kendini doğru teknoloji yolunu seçmiş olarak görür.

Bununla birlikte, kuantum bilgisayarlarının biyoteknoloji, telekomünikasyon veya bankacılık gibi gerçek‑dünya problemlerini giderek daha büyük ölçeklerde çözmek üzere kullanılmaya başlanması etkileyici bir başarıdır ve D‑Wave, farklı kuantum bilgisayar teknolojileri kullanan diğer şirketlerin odaklandığı tartışmaların ortasında sürpriz bir kazanan olabilir.

En Son D‑Wave Quantum Inc (QBTS) Hisse Senedi Haberleri ve Gelişmeleri

Referans Çalışma

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