‍ 🔴 الگوریتم کوانتومی هیبریدی، بهینه‌سازی سبد سهام را در کامپیوتر کوانتومی یون به دام افتاده بهبود بخشید

🔹در پژوهشی تازه که توسط محققانی از جی‌پی‌مورگان، آمازون، AWS، شرکت #Quantinuum و 55 North Management انجام شده و در  arXiv منتشر شده است، نشان داده شده که کامپیوترهای کوانتومی در دوران کنونی بیشترین کارایی را در کنار کامپیوترهای کلاسیک دارند، نه به‌عنوان جایگزین آنها.

🔸این تیم یک روش ترکیبی برای بهینه‌سازی سبد سهام (Portfolio) طراحی کردند که با داده‌های واقعی بازار، عملکردی بسیار بهتر از الگوریتم استاندارد کوانتومی QAOA یا همان  Quantum Approximate Optimization Algorithm داشت.

🔹آن‌ها مشکل تنوع‌بندی (diversification) را به‌عنوان یک مسئله بهینه‌سازی ترکیبیاتی تحت عنوان «بیشینه مجموعه مستقل» (Maximum Independent Set) در نظریه گراف مدل‌سازی کردند؛ به این صورت که هر دارایی به‌عنوان یک گره (Node) در گراف در نظر گرفته می‌شود و اگر دو دارایی همبستگی بالایی (Correlation) با یکدیگر داشته باشند، با یک یال (Edge) به هم متصل می‌شوند و هدف، یافتن بزرگ‌ترین مجموعه از گره‌هایی است که هیچ یالی بین آنها نباشد.

❗این روش روی مسائل با ۲۲۵ دارایی (شاخص نیکی ۲۲۵ ژاپن) و مدارهای کوانتومی شامل ۷۸ کیوبیت و بیش از ۱۰۰۰ گیت دوکیوبیتی اجرا شد که خود یکی از بزرگ‌ترین پیاده‌سازی‌های عملی QAOA تا به امروز محسوب می‌شود.

🔸روش ابتکاری این پژوهش، #الگوریتم_ترکیبی qReduMIS نام دارد که در آن به‌جای اینکه کامپیوتر کوانتومی مجبور به تولید پاسخ نهایی شود، وظیفه آن تحلیل آماری خروجی‌های اندازه‌گیری مکرر برای شناسایی گره‌هایی است که به‌احتمال زیاد در جواب بهینه حضور دارند. این گره‌های محتمل که «گره‌های یخ‌زده» (Frozen Nodes) نامیده می‌شوند، سپس تثبیت شده و بقیه مسئله با استفاده از تکنیک‌های کاهش کلاسیک ساده‌تر می‌شود و این چرخه تکرار می‌گردد تا به جواب نهایی برسد.

❗اجرای #محاسبات_کوانتومی روی کامپیوتر کوانتومی Helios شرکت کوانتینیوم انجام شد که از فناوری یون‌های به‌دام‌افتاده با ۹۸ کیوبیت فیزیکی استفاده می‌کند. مزیت کلیدی این سخت‌افزار، اتصال همه‌به‌همه است، یعنی هر کیوبیت می‌تواند مستقیماً با هر کیوبیت دیگر درگیر شود؛ این ویژگی برای گراف‌های مالی که بسیار متراکم و دارای یال‌های زیاد هستند، حیاتی است و نیاز به عملیات واسط برای اتصال کیوبیت‌های دور را حذف کرده و خطا را کاهش می‌دهد.

🔹آزمایش با داده‌های تاریخی چهار شاخص مهم مالی شامل دکس آلمان (DAX)، فتسه ۱۰۰ بریتانیا (FTSE 100)، اس‌اندپی ۱۰۰ آمریکا (S&P 100) و نیکی ۲۲۵ ژاپن (Nikkei 225) انجام شد. این آزمایش نشان داد که QAOA خالص در دو مسئله بزرگ شکست خورد، اما روش ترکیبی با احتمال موفقیت (Success Probability) ۹۵٪ برای نیکی ۲۲۵ و نسبت تقریب (Approximation Ratio) حداقل ۰٫۹۶ برای همه شاخص‌ها، موفق عمل کرد.

🔸همچنین  معیار Time-to-Solution (میزان تلاش محاسباتی مورد نیاز برای رسیدن به جواب موفق با اطمینان بالا ) در این روش نسبت به QAOA خالص حدود ۳٫۲ برابر کاهش یافت و کیفیت جواب با بزرگ‌تر شدن مسئله پایدار ماند.

🔹محققان تأکید می‌کنند که این به‌معنای اثبات مزیت کوانتومی عملی  نیست و الگوریتم‌های کلاسیک مانند آنیل شبیه‌سازی‌شده (Simulated Annealing) نیز این مسائل را به‌خوبی حل می‌کنند، اما نشان‌دهنده نقش آینده کامپیوترهای کوانتومی به‌عنوان شتاب‌دهنده‌های تخصصی در کنار سیستم‌های کلاسیک است. این روش به حوزه‌های دیگر مانند لجستیک و زمان‌بندی نیز قابل تعمیم است.

📎 لینک خبر
🟰🟰🟰🟰🟰🟰🟰🟰🟰🟰
🟢join: @QuantumTEQ
🌐Website
🔵LinkedIn

#اخبار #محاسبات_کوانتومی_ترکیبی #یون_به‌دام‌افتاده