آیا کامپیوترهای کوانتومی در برداشت سهام خوب عمل می کنند؟

منتشر‌شده در zdnet به تاریخ ۱۵ مارس ۲۰۲۱
لینک منبع Are quantum computers good at picking stocks? This project tried to find out

یک بانک اروپایی با KPMG و تیمی از دانشمندان برای اعمال محاسبات کوانتومی برای بهینه‌سازی پورتفولیو همکاری می‌کند. شرکت مشاوره KPMG، همراه با گروهی از محققان از دانشگاه فنی دانمارک (DTU) و یک بانک اروپایی، به هدایت استفاده از محاسبات کوانتومی برای تعیین این که کدام سهام برای خرید و فروش حداکثر بازده، یک عملیات بانکی قدیمی که به عنوان بهینه‌سازی پورتفولیو شناخته می‌شود، می‌پردازد.

محققان مدلی را برای بهینه‌سازی پورتفولیو در پردازنده تبرید کوانتومی ۲۰۰۰ کیوبیت شرکت کانادایی D-Wave’s اجرا کردند و نتایج را با نتایج به‌دست‌آمده از ابزارهای کلاسیک مقایسه کردند. آن‌ها دریافتند که آنیالر کوانتومی بهتر و سریع‌تر از روش‌های دیگر عمل می‌کند، در‌حالی‌‌که قادر به حل مشکلات بزرگ‌تر است - اگرچه این مطالعه همچنین نشان داد که تکنولوژی D-Wave’s هنوز با برخی مسائل به راحتی برنامه‌نویسی و مقیاس‌پذیری همراه است.

توزیع هوشمند دارایی‌های پورتفولیو مشکلی است که در قلب بانکداری قرار دارد. این بودجه که توسط اقتصاددان هری مارکویتز در اوایل سال ۱۹۵۲ارائه شد، شامل تخصیص یک بودجه ثابت به مجموعه‌ای از دارایی‌های مالی به شیوه‌ای است که بیش‌ترین بازگشت ممکن را در طول زمان تولید خواهد کرد. به عبارت دیگر، این یک مسئله بهینه‌سازی است: یک سرمایه‌گذار باید به دنبال به حداکثر رساندن سود و به حداقل رساندن ریسک برای یک پورتفوی مالی معین باشد.

مطالعه مقاله ۱۰ شرکت برتر رایانش کوانتومی در سال ۲۰۲۱ توصیه می‌شود.

با افزایش تعداد دارایی‌ها در پورتفولیو، دشواری محاسبه به صورت نمایی افزایش می‌یابد، و این مشکل می‌تواند به سرعت رام نشدنی شود، حتی برای بزرگ‌ترین ابرکامپیوترهای جهان. از سوی دیگر، محاسبات کوانتومی، امکان اجرای همزمان محاسبات چندگانه را به لطف یک حالت کوانتومی خاص که توسط بیت‌ها یا کیوبیت‌ها اتخاذ می‌شود، ارائه می‌دهد.

سیستم‌های کوانتوم، در حال حاضر، نمی‌توانند کیوبیت‌های کافی برای داشتن یک تاثیر دنیای واقعی را پشتیبانی کنند. اما در اصل، کامپیوترهای کوانتومی در مقیاس بزرگ می‌توانند یک روز مشکلات بهینه‌سازی پورتفوی پیچیده را در عرض چند دقیقه حل کنند - به همین دلیل است که بزرگ‌ترین بانک‌های جهان در حال حاضر تیم تحقیقاتی خود را برای کار بر روی توسعه الگوریتم‌های کوانتومی قرار داده‌اند.

برای تبدیل مدل کلاسیک مارکویتز برای مسئله انتخاب پورتفوی به یک الگوریتم کوانتومی، محققان DTUs معادله را به یک مدل کوانتومی به نام مسئله بهینه‌سازی باینری نامحدود درجه دو (QUBO) فرمول‌بندی کردند، که آن‌ها بر اساس معیارهای معمول مورد استفاده برای عملیات مانند بودجه و بازده مورد انتظار بودند.

زمانی‌‌که تصمیم گرفته شد کدام سخت‌افزار کوانتومی را برای آزمایش مدل خود انتخاب کند، این تیم با چند گزینه مواجه شد: IBM و گوگل هر دو بر روی یک کامپیوتر کوانتومی ابررسانا کار می‌کنند، در‌حالی‌که هانی‌ول و IonQ در حال ساخت دستگاه‌های یون به‌دام‌افتاده هستند؛Xanadu به دنبال تکنولوژی‌های کوانتومی فوتونی است، و مایکروسافت در حال ایجاد یک سیستم کوانتومی توپولوژیکی است.

پردازنده بازپخت کوانتومی دی-ویو شیوه دیگری برای دسترسی به محاسبات کوانتومی است. بر‌خلاف دیگر سیستم‌ها، که کامپیوترهای کوانتومی مبتنی بر گیت هستند، امکان کنترل کیوبیت‌ها در یک ضمیمه کوانتومی وجود ندارد؛ در عوض، فن‌آوری D-Wave’s شامل دستکاری محیط اطراف سیستم و اجازه یافتن یک «حالت پایه» به دستگاه است. در این مورد، حالت پایه با انتخاب پورتفوی بهینه متناظر است.

این رویکرد، ضمن محدود کردن دامنه مشکلاتی که می‌تواند توسط یک ضمیمه کوانتومی حل شود، موج D را قادر می‌سازد تا با کیوبیت‌های بسیار بیشتری نسبت به دیگر دستگاه‌ها کار کند. آخرین دستگاه این شرکت ۵۰۰۰ کیوبیت است، در‌حالی‌که کامپیوتر کوانتومیIBM's، برای مثال، کم‌تر از ۱۰۰کیوبیت را پشتیبانی می‌کند.

محققان توضیح دادند که بلوغ فن‌آوری D-Wave’s آن‌ها را مجبور به انتخاب بازپخت کوانتومی برای آزمایش الگوریتم کرد؛ و مجهز به پردازنده، آن‌ها قادر به تعبیه و اجرای مشکل تا ۶۵دارایی بودند.

برای معیار قرار دادن عملکرد پردازشگر، آن‌ها همچنین معادله مارکویتز را با ابزارهای کلاسیک، به نام نیروی خشن، اجرا کردند. با در اختیار داشتن منابع محاسباتی، تنها می‌توان از نیروی خشن برای ۲۵ دارایی استفاده کرد، که پس از آن مشکل برای این روش حل نشدنی شد.

در مقایسه بین این دو روش، دانشمندان دریافتند که کیفیت نتایج ارائه‌شده توسط پردازنده D-Wave’s برابر با نتایجی است که توسط نیروی خشن تحویل داده می‌شود و اثبات می‌کند که تاب‌کاری کوانتومی می‌تواند به طور قابل اعتمادی برای حل مسئله استفاده شود. علاوه بر این، با افزایش تعداد دارایی‌ها، پردازنده کوانتومی از نیروی خشن به عنوان سریع‌ترین روش پیشی گرفت.

از ۱۵ دارایی به بعد، پردازنده D-Wave’s به طور موثر شروع به نشان دادن سرعت قابل‌توجه بر روی نیروی خشن کرد، به طوری که مسئله به مقاوم شدن برای کامپیوتر کلاسیک نزدیک‌تر شد.

محققان برای محک زدن عملکرد ضمیمه کوانتومی برای بیش از ۲۵دارایی - که فراتر از توانایی نیروی خشن است - نتایج به‌دست‌آمده با پردازنده D-waves را با نتایج به‌دست‌آمده با روشی به نام تبرید شبیه‌سازی شده مقایسه کردند. در اینجا نیز این مطالعه نشان می‌دهد، پردازنده کوانتومی نتایج با کیفیت بالایی را ارائه می‌دهد.

ممکن است به مطالعه مقاله چگونه تراشه‌های سیلیکونی استاندارد می‌توانند برای محاسبات کوانتومی مورد استفاده قرار گیرند؟ نیز علاقمند باشید.

اگرچه این آزمایش نشان می‌دهد که تابکاری کوانتومی ممکن است یک مزیت محاسباتی نسبت به دستگاه‌های کلاسیک نشان دهد، بنابراین، اولریش بوسک هاف، محقق در DTU، که در این تحقیق شرکت کرده بود، نسبت به نتیجه‌گیری‌های عجولانه هشدار می‌دهد. او به ZDNet می‌گوید: «برای مسائل با اندازه کوچک، آنتالارکوانتومی موج D در واقع رقابتی است، زیرا سرعت بالا و راه‌حل‌هایی با کیفیت بالا ارائه می‌دهد.» با این گفته، من معتقدم که این مطالعه برای اظهار هر‌گونه ادعایی در مورد یک مزیت واقعی کوانتومی، زود است، و من از انجام آن خودداری می‌کنم. این کار نیازمند یک مقایسه دقیق‌تر بین روش‌های موج D و کلاسیک-و استفاده از بهترین منابع محاسباتی کلاسیک ممکن است، که بسیار فراتر از حوزه پروژه بود.

تیم DTU's همچنین برخی مسائل مقیاس‌پذیری را نشان داد، با تاکید بر این که با افزایش اندازه پورتفولیو، نیاز به تنظیم دقیق پارامترهای مدل کوانتومی به منظور جلوگیری از افت کیفیت نتایج وجود داشت. هاف می‌گوید: «با افزایش اندازه پورتفولیو، کاهش کیفیت راه‌حل‌های یافت‌شده توسط بازپخت کوانتومی در واقع مشاهده شد.» «اما پس از بهینه‌سازی، راه‌حل‌ها هنوز رقابتی بودند و اغلب قادر به شکست شبیه‌سازی تابکاری نبودند.»

علاوه بر این، با توجه به اینکه صنعت کوانتومی هنوز در مراحل ابتدایی خود قرار دارد، محققان به مشکلات فنی که هنوز هم با استفاده از تکنولوژی‌های کوانتومی به وجود می‌آیند، اشاره کردند. آن‌ها توضیح دادند که اجرای مدل‌های کوانتومی، نیازمند روش جدیدی از تفکر است؛ ترجمه مسائل کلاسیک به الگوریتم‌های کوانتومی ساده نیست و حتی کیت توسعه نرم‌افزار نسبتا در دسترس D-Wave’s را نمی‌توان به عنوان «plug-and-play» توصیف کرد.

با این حال، پردازشگر کوانتومی شرکت کانادایی وعده زیادی برای حل مشکلاتی مانند بهینه‌سازی پورتفولیو را نشان می‌دهد. اگرچه محققان شک و تردید خود را در این مورد که بازپخت کوانتومی می‌تواند تاثیر زیادی به اندازه کامپیوترهای کوانتومی مبتنی بر گیت در مقیاس بزرگ داشته باشد، به اشتراک گذاشتند، آن‌ها متعهد شدند که به کشف قابلیت‌های فن‌آوری در زمینه‌های دیگر ادامه دهند.

هاف می‌گوید: «به نظر من منصفانه است که بگوییم موج D یک کاندید رقابتی برای حل این نوع مشکل است و قطعا تحقیقات بیشتر، ارزشمند است.» KPMG، محققان DTUs و بانک‌های بزرگ در آزمایش فن‌آوری D-Wave’s برای کاربردهای کوتاه‌مدت محاسبات کوانتومی تنها نیستند. برای مثال، محققان شرکت داروسازی گلاکسو اسمیت کلاین (GSK) اخیرا استفاده از روش‌های کوانتومی مختلف برای توالی بیان ژن را مورد آزمایش قرار داده‌اند و دریافتند که تابکاری کوانتومی می‌تواند در مقابل کامپیوترهای کلاسیک برای پرداختن به مشکلات در اندازه حیات رقابت کند.

این متن با استفاده از ربات مترجم مقاله کوانتوم ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.