By کنا هیوز-کستلبری ارسال شده در 30 سپتامبر 2022
از میان بسیاری از صنایعی که محاسبات کوانتومی مطمئناً از آنها سود می برد، صنعت مالی یکی از بزرگترین آنهاست. توضیح داد: اساساً همه بانک های بزرگ اکنون تیم کوانتومی خود را دارند رومن اوروس، بنیانگذار و مدیر ارشد علمی محاسبات چندجهانی، یک شرکت پیشرو در زمینه نرم افزارهای کوانتومی. اوروس همچنین پروفسور تحقیقاتی ایکرباسک در مرکز بین المللی فیزیک دونوستیا اسپانیا (DCIP) است، جایی که او اثری تاثیرگذار نوشت. مقاله در محاسبات کوانتومی و مالی اوروس افزود: «مکانهای مختلفی وجود دارد که محاسبات کوانتومی میتواند در امور مالی کمک کند».
همانطور که بسیاری از صنعت مالی بر تجزیه و تحلیل استخرهای بزرگ خام متمرکز است داده ها و با نتیجه گیری های مختلف، محاسبات کوانتومی می تواند به طور قابل توجهی این فرآیند را بهبود بخشد. از آنجایی که رایانههای کوانتومی از الگوریتمهایی برای اجرای چندین محاسبات در یک زمان استفاده میکنند، میتوانند نتایج را با سرعت بیشتری تولید کنند، که برای تجارت که با سرعتی سریع در بازارهای سهام اتفاق می افتد. پاسخهایی که رایانههای کوانتومی میدهند نیز از رایانههای کلاسیک منحصربهفرد هستند و مزایای دیگری به همراه دارند. آنها مانند فیزیک کوانتومی هستند احتمالی به جای قطعیتوضیح داد: الف مقاله 2020 از مک کینزی و شرکت. "[این بدان معنی است] که آنها می توانند تغییر کنند حتی زمانی که ورودی یکسان است." این ورودیهای مختلف به ویژه برای مشکلات بهینهسازی، شبیهسازیهای مالی، کشف تقلب و پیشبینی بازار، همه فرآیندهایی که بانکها و سایر مؤسسات مالی به صورت روزانه از آنها استفاده میکنند، مهم هستند.
خواندن شبیه سازی های مونت کارلو
یکی از رایجترین شبیهسازیهای بهینهسازی، بهویژه برای پرتفویهای مالی، این است مونت کارلو شبیه سازی. این روش از نمونهگیری تصادفی ورودیها برای حل یک مسئله آماری استفاده میکند که شبیهسازی یک راهحل بصری برای این مشکل ارائه میدهد. در بخش مالی، این شبیهسازیهای مونت کارلو معمولاً برای تست استرس و ارزیابی ریسک اعتباری استفاده میشوند، اما آنها پرهزینه، زمانبر و نیاز به اسب بخار محاسباتی زیادی دارند. محاسبات زاپاتامدیر ارشد بازاریابی کاترین لوندرگان. از آنجایی که شبیه سازی مونت کارلو می تواند از ورودی های مختلفی استفاده کند، شرکت های کوانتومی مختلف از آن برای آزمایش فناوری خود استفاده کرده اند. Zapata Computing، یک شرکت کوانتومی پیشرو در بازار مستقر در کانادا، اخیراً یک مقاله بر استفاده از این شبیه سازی برای تعدیل ارزش گذاری اعتبار متمرکز شده است. «کار ما با BBVA [یک بانک جهانی] در حال بررسی پتانسیل مزیت کوانتومی برای موارد استفاده مونت کارلو از جمله تعدیل ارزش گذاری اعتباری (CVA) و قیمت گذاری مشتقه است. بانکها، مانند BBVA، به طور فعال در حال بررسی راههایی هستند که این شبیهسازیها را از طریق رایانههای کوانتومی زمانبرتر کنند.
سایر فرآیندهای مالی که محاسبات کوانتومی ممکن است برای شناسایی تقلب و پیشبینی بازار اعمال شوند. موسسات مالی در حال حاضر از الگوریتمهای یادگیری ماشین برای کمک به این شرایط استفاده میکنند، اما در آینده ممکن است از آن استفاده کنند یادگیری ماشین کوانتومی برای بهبود شرایط حتی بیشتر اوروس گفت: «با رایانه کوانتومی، میتوانید الگوریتمهای یادگیری ماشین را بهبود ببخشید. برای مواردی که جریان دادههای زنده دارند، مانند تراکنشهای جعلی، یادگیری ماشین کوانتومی ممکن است بتواند دادهها را با سرعت بیشتری پردازش کند و به حفظ امنیت و کارآمدتر شدن فرآیندهای مالی کمک کند.
آنیل کوانتومی و صنعت مالی
در حالی که محاسبات کوانتومی بدون شک برای صنعت مالی مفید خواهد بود، بازپخت کوانتومی به طور خاص نقش مهم خود را ایفا خواهد کرد. اوروس توضیح داد: «بازپخت کوانتومی یک مدل خاص از محاسبات کوانتومی است، [بنابراین،] برای حل تنها یک مشکل خاص ساخته شده است، که بهینه سازی. بنابراین، ممکن است یک تابع هزینه داشته باشید که باید آن را به حداقل برسانید، به عنوان مثال، ریسک مجموعه ای از دارایی ها. این همان مشکلی است که می توانید با آنیل کوانتومی حل کنید. شرکت ها دوست دارند موج D یا لاکهید مارتین در حال حاضر در حال توسعه آنیل کوانتومی هستند که بسیاری از آنها ممکن است توسط موسسات مالی استفاده شوند. از آنجایی که بسیاری از مشکلات در صنعت مالی شامل بهینهسازی میشوند، آنیلکنندههای کوانتومی مزایایی را به طیف وسیعتری از برنامهها نسبت به آنچه که ممکن است انتظار میرود اضافه کنند. اوروس افزود: «حتی برای شبیهسازی برخی مدلهای اقتصادی، میتوانید این کار را از طریق آنیل کوانتومی نیز انجام دهید». به عنوان مثال، برای یافتن تعادل اقتصادی، که فقط یک مشکل بهینهسازی است.»
اگرچه محاسبات کوانتومی مزایای بسیاری را به بخش مالی میافزاید، اما مراحل زیادی قبل از اینکه این فناوری به طور گستردهتر مورد استفاده قرار گیرد، وجود دارد. لوندرگان اظهار داشت: جستجوی مزیت افزایشی با کامپیوترهای کوانتومی در امور مالی چالش برانگیز خواهد بود. ما متوجه شدهایم که مشتریان مالی ما در استفاده از قدرت هوش مصنوعی و ML بسیار پیشرفته هستند، بنابراین در موارد استفاده کوتاهمدت که میتوانیم مزیتی افزایشی داشته باشیم، همکاری میکنیم.» در حالی که دستیابی به این مزیت ممکن است مدتی طول بکشد، کارشناسان دیگری مانند Orus به بررسی برخی از چالش های فوری پیش روی صنعت کوانتومی می پردازند. او گفت: «من فکر میکنم مشکل اصلی توسعه سختافزار است. پردازنده هایی که امروزه در اختیار داریم هنوز هم اندازه نسبتا کوچک و پر سر و صدایی دارند. هنگامی که سخت افزار بهبود یافته و قادر به مقیاس پذیری است، امیدواریم این فناوری نوآورانه به راحتی قابل استفاده باشد.
اما مراحلی نیز وجود دارد که مؤسسات مالی برای اتخاذ محاسبات کوانتومی باید انجام دهند. همانطور که لوندرگان توضیح داد: "موسسات مالی برای موفقیت در پذیرش کوانتومی، باید ماژولار انعطاف پذیر باشند و یک رویکرد سازگار رو به جلو برای ساخت برنامه های کاربردی کوانتومی فعال داشته باشند. این بدان معناست که الگوریتمها، جریانهای داده و پشتیبانهای سختافزاری کلاسیک کوانتومی را میتوان به راحتی در داخل و خارج جابهجا کرد – بدون «ریپ و جایگزینی» زیرساختهای محاسباتی. همراه با این طرز فکر منعطف، بانک ها و سایر موسسات ممکن است نیاز به تغییر جدول زمانی زمانی که این فناوری را اجرا می کنند، داشته باشند، زیرا ممکن است مدتی طول بکشد. لوندرگان افزود: «شایان ذکر است که زاپاتا معتقد است شبیهسازیهای بزرگ، مانند موارد استفاده از مونت کارلو، بیش از یک دهه است.
کارشناسان دیگری مانند Orus معتقدند پذیرش گسترده محاسبات کوانتومی در واقع بسیار نزدیکتر است. اوروس گفت: "این در حال حاضر شروع به نفوذ در صنعت کرده است." ما در حال شروع به یافتن، اساسا، اولین موارد استفاده واقعی هستیم. بنابراین، من میتوانم بگویم در دو، سه سال آینده، اکثریت گستردهای از بانکهای بزرگ حداقل راهحل کوانتومی در تولید خواهند داشت.»
کنا هیوز-کستلبری نویسنده کارکنان Inside Quantum Technology و ارتباط دهنده علوم در JILA (شرکتی بین دانشگاه کلرادو بولدر و NIST) است. ضربات نویسندگی او شامل فناوری عمیق، متاورس و فناوری کوانتومی است.