Som bekant är informationsbäraren en bit, som tilldelas värdet noll eller ett (detta är det så kallade binära datarepresentationssystemet).
Bitar bearbetas av logiska operationer (grindar), som i sin tur utför logiska beräkningar (till exempel konjunktion, alternativ, negation).
Genom att påverka ingången med ettor och nollor på detta sätt genererar grindar successiva bitar i form av ettor eller nollor vid utgången, som också kan bilda nya indata för beräkningar.
Själva beräkningarna utförs med hjälp av transistorer som bildar integrerade kretsar, och på basis av program som implementerar algoritmer som ska lösa ett givet beräkningsproblem.
En kvantdator har ett annat sätt att representera data. Istället för bitar fungerar qubits (atomkärnor, elektroner eller fotoner) som bärare av kvantinformation. Varje qubit har två rena tillstånd (1 eller 0) och ett oändligt antal blandade tillstånd (de så kallade två bastillstånden).
Kvantgrindar ändrar tillstånden för qubitarna och sannolikheten för att producera en 1 eller 0 som ett resultat av en mätning. Om i en konventionell dator en bit är i tillstånd 0 eller 1 vid något tillfälle i tiden, förblir i kvantdatorer tillståndet för qubiten okänt fram till mätningsögonblicket.
Som ett resultat, eftersom slumpmässighet råder i kvantvärlden, är kvantberäkningar probabilistiska (och inte deterministiska) till sin natur: resultaten av beräkningar i samma kvantsystem kan skilja sig åt även med samma indata.
I praktiken innebär detta att samma beräkning måste upprepas många gånger för att få det mest sannolika resultatet. Och om det i vanliga datorer alltid används någon form av algoritm, så i kvantdatorer, på sätt och vis, gör naturen själv samma arbete.
Beräkningskraften hos kvantdatorer kommer från ett fenomen som kallas qubit entanglement. När varje ytterligare qubit läggs till fördubblas processorns processorkraft eftersom antalet intrasslingar åtföljs av entanglement av den nya qubiten med alla existerande tillstånd.
mycket känsliga för påverkan av den yttre miljön, vars krafter kan slå dem ur förvirring, d.v.s. kalla kvantsystemet. Men partiklar kan kopplas till varandra oavsett hur långt de är från varandra. Detta är den tredje egenskapen hos quanta, tillsammans med superposition och dekoherens.
Om vi har att göra med intrassling, så räcker det att ett kvant ändrar sitt tillstånd och alla partiklar som är intrasslade med det kommer att göra detsamma. Detta fenomen kallas “”.
Den största utmaningen för kvantprocessorutvecklare är att utveckla qubits med högre precision som är resistenta mot ovannämnda dekoherens, som är den okontrollerade interaktionen mellan ett system och dess miljö.
Svag robusthet resulterar i en förlust av kvantbeteende, vilket eliminerar fördelen som en kvantalgoritm kan ge. Och dekoherenstiden sätter en hård gräns för antalet operationer som kan utföras i en kvantalgoritm.
Deras kvantteknologi upptäcks i enorma mängder: kostnadsbesparingar, minskning av osäkerhetsnivån på marknader, begränsning av risker, ökad noggrannhet i arbitrage och aktieprisprognoser, portföljoptimering och diversifiering, förbättrad efterlevnad (efterlevnad av sedvanlig lag och interna regler) , bedrägeriförebyggande, kreditvärdering och slutligen, dynamiskt kunna använda beteendedata för att bättre möta kundernas behov.
visade att korrekt riskbedömning har varit och förblir en stor utmaning för finansiella institutioner.
Redan före 2020, under de senaste två decennierna, hade händelser ägt rum i världen som krävde att banker och andra marknadsaktörer utvecklade nya, effektivare verktyg och system för att bedöma riskerna i olika tillgångsklasser.
Allt fler komplexa modeller för att beräkna risker i realtid baserade på artificiell intelligens-teknologier introduceras successivt. MEN de fungerar alla fortfarande på grundval av mycket kraftfulla, men faktiskt vanliga datorer.
Därför kan moderna finansiella modeller ge felaktiga prognoser i helt nya situationer. Ett utmärkt exempel på detta är kraschen 2008, som orsakades av extrapoleringen av den tidigare låga risken för bolånederivat till den kvalitativt annorlunda situation som skapades av massiv subprime-utlåning. Kraftfulla kvantprocessorer (som inte finns ännu) skulle kunna förutsäga sådana risker mer exakt.
Kvantprocessorer kan delas in i två huvudkategorier. Den första inkluderar kvantdatorer, som är baserade på en modell av kvantportar och kvantkretsar som ligger närmast de som används idag i konventionella datorer.
När det gäller antalet qubits (för en grindmodellarkitektur) är den nuvarande rekordhållaren Google med en 72-qubit kvantprocessor.
Det finns dock fortfarande många olika strategier för att implementera qubits. Alibaba, IBM, Google och Rigetti (supraledande qubits), IonQ (fångade jon-qubits), Xanadu (fotonisk kvantdator) och Microsoft (topologiska qubits) utvecklar för närvarande aktivt kvantprocessorer för allmänna ändamål.
I finansvärlden löses de flesta problem framgångsrikt genom optimering. Alla kan inte göras av vanliga datorer, men detta är ett idealiskt fält för att tillämpa kvantoptimeringsmetoder.
Under senare år har betydande framsteg gjorts på detta område, främst på grund av den kommersiella tillgängligheten av så kallade kvantglödgningsanordningar. Dessa datorer är designade för att lösa optimeringsproblem och representerar den andra grenen av kvantberäkning.
Ett av de mest kända exemplen på experimentella kvantglödgningsenheter är D-Wave-processorn, som innehåller mer än 5 000 supraledande qubits.
Att lösa optimeringsproblem med hjälp av kvantglödgning kräver inte att man designar en krets som består av kvantgrindar. Helst är de lika kraftfulla som de som baseras på kvantkretsmodellen.
Optimeringsproblemet definieras med hjälp av den så kallade QUBO()-formeln, som är korrekt kodad i kvantglödgning (på grund av förhållandet mellan QUBO och Ising-modellen som finns i ferromagnetism).
Sedan, genom att ändra magnetfältets styrka, görs beräkningar, och tack vare fysikens lagar (till exempel fenomenet kvanttunnelering, dvs fenomenet med en partikel som passerar genom en potentiell barriär som överstiger partikelns energi), en lösningen på optimeringsproblemet hittas effektivt.
Forskare har räknat ut att om alla vanliga datorer i världen kombinerades till ett enda system, så skulle krypteringsnyckeln (till exempel för att skydda ett bankkonto) kunna knäckas av ett sådant system om cirka 14 miljarder år. Men för en kvantdator, och detta har redan bevisats i teorin, kommer detta att ta några minuter.
Därför, när kvantberäkningen utvecklas, måste bankerna ändra hela arkitekturen. När allt kommer omkring, så fort stora universella kvantdatorer skyddade från dekompression blir allmänt tillgängliga, kommer risken att hacka nuvarande säkerhetssystem med deras hjälp att öka många gånger om.
Är det konstigt att finansjättar som JP Morgan, Wells Fargo, Barclays, Mitsubishi Financial Group, Citigroup, Goldman Sachs och Caixa Bank satsar stort på ny forskning inom kvantberäkningsområdet.
För närvarande, på grund av marknadernas osäkerhet och volatilitet, analyseras tillgångar och portföljer vanligtvis som i sig slumpmässiga system. Och kvantdatorer kan simulera ideal slumpmässighet, det vill säga den som uppstår i den verkliga världen. Och för att simulera vilka i vanliga datorsystem som i regel används slumptalsgeneratorer som genererar slumpmässighet på konstgjord väg.
Varje olycka är en risk som är extremt svår att kvantifiera. Detta är till exempel fallet med optioner, det vill säga derivat vars lönsamhet beror på värdet på de underliggande instrumenten.
Problemet med optionsvärde i enkla fall kan lösas med slutna formler, men på makronivå är modelleringsmetoder, särskilt Monte Carlo-metoden, redan tillämpliga på det.
Detta är en kraftfull statistisk samplingsteknik (processen att mäta en signal vid specifika tidpunkter) som är extremt användbar för att skapa komplexa simuleringar av tillgångsbeteende över tid. Och kvantdatorer är användbara eftersom de kan ta prov från sannolikhetsfördelningar som är för komplexa för konventionella datorer.
Tidigare datamönster används ofta för att lösa ekonomiska prognosproblem. Detta är ett naturligt område där maskininlärningstekniker har visat sig vara extremt effektiva.
Men kostnaderna är ofta oöverkomliga, så betydande ansträngningar har gjorts under de senaste åren för att utveckla kvantmaskininlärningsalgoritmer. Genom att optimera maskininlärning och använda algoritmer som kan känna igen mönster i big data kommer kvantdatorer att kunna göra mycket komplexa förutsägelser.
Bland kvantmjukvarustartuper runt om i världen har Multiverse Computing och Chicago Quantum redan utvecklat specifika kvantlösningar för finanssektorn och tillkännagett uppmuntrande resultat inom portföljoptimering.
Den mest mogna produkten är , ett investeringsoptimeringsverktyg som låter dig optimera tillgångsallokering och förvaltning, och genererar, som dess utvecklare försäkrar, en genomsnittlig dubbel avkastning på investeringen med konstant risk och volatilitet.
Företaget utvecklar också kvantlösningar för att förutsäga finansiella krascher, upptäcka avvikelser i stora ostrukturerade datamängder och skattebedrägerier. Chicago Quantums egenutvecklade algoritm överträffar S&P 500 och NASDAQ Composite 100-indexen.
I en värld av data, där fler och mer kraftfulla datorsystem krävs för att exakt beräkna sannolikheter, kommer kvantdatorer att vara åtminstone en storleksordning överlägsna konventionella, även de mest kraftfulla. Detta beror på att en fördubbling av kraften hos en konventionell dator kräver ungefär dubbelt så många transistorer som arbetar med en uppgift, medan kraften hos en kvantdator, som vi sa, ungefär fördubblas med bara en qubit tillagd.
Även om endast små kvantprocessorer är tillgängliga för närvarande, förväntas mycket av denna teknik. Och även om dess utbredda kommersiella användning fortfarande är en del av framtiden, kommer kvantdatorer inom finanssektorn (banker, finansmarknader och försäkringar) att börja lösa specifika problem, förmodligen redan under detta årtionde.
Kvantteknologier utvecklas snabbt och eftersom de utvecklas, förutspår experter, kommer effektiviteten i beräkningar och maskininlärning att öka. Kvantberäkning kommer att ge exponentiell tillväxt i effektiviteten för att lösa matematiskt komplexa problem, minska beräkningstiden och generellt göra möjliga beräkningar som för närvarande är bortom kapaciteten hos till och med superdatorer.
Därför samarbetade stora finansinstitut i går aktivt med företag som utvecklar kvantsystem, fullt medvetna om att framtiden är ett spel med enorma insatser, och den som kommer dit först kommer att bli ledare för finanssektorn på global skala .
