تخيل عالماً لا تكتفي فيه الحواسيب باتباع خط واحد من التعليمات تلو الآخر، بل تستكشف بدلاً من ذلك احتمالات عديدة في آن واحد، مثل مسافر يمكنه السير في كل المسارات داخل غابة في وقت واحد ليجد المخرج. هذا هو الوعد الذي تقدمه الحوسبة الكمومية، وهو مجال يستخدم القواعد الغريبة لعالم الأشياء المتناهية الصغر لمعالجة المعلومات بطرق لا تستطيع الآلات التقليدية القيام بها. وبينما لا تزال هذه الآلات في مراحلها الأولى والمشوبة بالضجيج، يعتقد العلماء أنها ستتمكن قريباً من حل مشكلات مستعصية حالياً حتى على أقوى الحواسيب الفائقة. وأحد أكثر الأماكن إثارة للبحث عن هذه القوة هو القطاع المالي، وهو صناعة تتعامل مع كميات هائلة من البيانات، والمخاطر المعقدة، والحاجة المستمرة للتنبؤ بالمستقبل. والسؤال ليس فقط ما إذا كانت هذه الآلات الجديدة قادرة على العمل، بل كيف يمكن تعليمها التعلم من البيانات، تماماً كما يفعل البشر، لاتخاذ قرارات أفضل بشأن الأموال والأسواق والمخاطر.

لقد كتب فريق من الباحثين من "جي بي مورغان تشيس" (JPMorgan Chase) مراجعة شاملة ترسم المسار بدقة لكيفية تدريب هذه الآلات الكمومية لتعمل كخبراء ماليين. وهم لا يدّعون أن هذه التكنولوجيا جاهزة لاستبدال كل متداول أو محلل غداً، بل يقدمون صورة واضحة وواقعية للحالة الراهنة، موضحين المهام المالية التي يمكن تحسينها اليوم وتلك التي قد تستغرق وقتاً أطول. تركز الورقة على نوع محدد من الذكاء الاصطناعي يسمى "تعلم الآلة"، حيث تتعلم الحواسيب الأنماط من البيانات بدلاً من اتباع قواعد جامدة. ويفحص الباحثون سبعة مجالات رئيسية تُطبق فيها الآلات الكمومية، وهي: التنبؤ بالأسعار، وتصنيف المعلومات إلى مجموعات، وإيجاد الأنماط الخفية، وإنشاء بيانات جديدة، واختيار الحقائق الأكثر أهمية، واتخاذ القرارات بمرور الوقت، وفهم اللغة البشرية.

يستعرض المجال الأول الذي يتناولونه التنبؤ بالأرقام، وهي مهمة تُعرف باسم "الانحدار". وفي التمويل، يُستخدم هذا لتخمين أسعار الأسهم المستقبلية أو قيمة السندات بناءً على البيانات الماضية. تقوم الحواسيب التقليدية بذلك عن طريق إيجاد أفضل خط يناسب سحابة من النقاط، ولكن قد يكون ذلك بطيئاً عندما تكون البيانات ضخمة. ويشرح الباحثون أن الخوارزميات الكمومية يمكنها حل عمليات رياضية فرعية محددة ضمن هذه المشكلات بسرعة أكبر بكثير، مما قد يوفر ميزة سرعة تزداد بشكل أسّي مع كبر حجم البيانات. ومع ذلك، فقد نبهوا إلى عقبة كبيرة: وهي أن إدخال البيانات إلى الحاسوب الكمومي في المقام الأول لا يزال صعباً وبطيئاً. وبينما تكون الرياضيات داخل الآلة سريعة، فإن عملية تحميل المعلومات وقراءة الإجابة يمكن أن تلغي أحياناً تلك الفوائد. وتشير الورقة إلى أنه لم يتم اكتشاف أي تطبيق متكامل (من البداية إلى النهاية) لتعلم الآلة الكمومي يحقق تسارعاً أسياً مقارنة بنظيره التقليدي بعد. ورغم ذلك، تقترح الورقة أنه بالنسبة لأنواع محددة من النماذج المالية، يمكن للطرق الكمومية أن توفر في النهاية تحسينات في الكفاءة، بشرط معالجة تحديات تحميل البيانات.

بعد ذلك، ينظر الفريق إلى "التصنيف"، وهو فن فرز الأشياء إلى فئات. وفي العالم المالي، قد يعني هذا تحديد ما إذا كان مقدم طلب القرض من المرجح أن يسدد دينه، أو ما إذا كان السهم "للشراء" أو "للبيع". تستخدم الحواسيب التقليدية طرقاً مثل "آلات المتجهات الداعمة" لرسم خط فاصل بين هذه المجموعات. ويصف الباحثون كيف يمكن للنسخ الكمومية من هذه الأدوات إنشاء حدود أكثر تعقيداً، مما يسمح لها بفصل البيانات التي تبدو مختلطة بالنسبة للحاسوب التقليدي. ويسلطون الضوء على تقنية محددة تسمى "خريطة الميزات الكمومية"، والتي تأخذ بيانات بسيطة وترفعها إلى فضاء شاسع متعدد الأبعاد حيث تصبح الأنماط واضحة. وبينما تم اختبار هذه الأساليب على مجموعات بيانات صغيرة، تشير الورقة إلى أنها تحمل وعوداً للتعامل مع البيانات الواقعية الفوضوية الموجودة في الخدمات المصرفية والاستثمار، رغم أن السرعة العملية تعتمد على التغلب على اختناقات الوصول إلى البيانات.

ثم تنتقل المراجعة إلى "التجميع"، وهو البحث عن مجموعات طبيعية داخل ركام من البيانات دون إخبار الحاسوب بما يبحث عنه. وهذا مفيد لرصد الاحتيال أو تجميع الأسهم المتشابهة معاً. يناقش الباحثون طريقة تسمى "التجميع الكمومي"، والتي تعامل نقاط البيانات كجسيمات في نظام فيزيائي، بحثاً عن المناطق التي تتجمع فيها بشكل طبيعي. كما يذكرون تقنية تسمى "التجميع الكمومي الديناميكي"، والتي تراقب كيفية تغير هذه المجموعات بمرور الوقت. وقد استُخدم هذا النهج بالفعل لتحليل بيانات سوق الأسهم وتصنيف أنواع مختلفة من صناديق الاستثمار، مما ساعد المستثمرين على رؤية الروابط التي قد تظل مخفية لولا ذلك. وتلاحظ الورقة أنه بينما لا تزال هذه الأساليب قيد التطوير، إلا أنها تقدم طريقة جديدة لرؤية هيكل الأسواق المالية، وإن كان إمكانها الكامل محدوداً بقيود الأجهزة الحالية.

ويغطي قسم رئيسي آخر "النمذجة التوليدية"، حيث تتعلم الحوسبة إنشاء بيانات جديدة تشبه البيانات الحقيقية تماماً. وهذا مفيد للغاية لاختبار الاستراتيجيات دون المخاطرة بأموال حقيقية. يشرح الباحثون كيف يمكن للآلات الكمومية تعلم التوزيع الاحتمالي للأحداث المالية، أي تعلم "شكل" السوق. ويصفون كيف يمكن لهذه الآلات توليد سيناريوهات سوق وهمية ولكن واقعية لاختبار كيفية أداء المحفظة الاستثمارية في حالات الأزمات. ويتم ذلك باستخدام نسخ كمومية من الشبكات العصبية التي يمكنها نظرياً أخذ عينات من توزيعات معقدة بسرعة أكبر من الحواسيب التقليدية في عمليات فرعية محددة. وتقترح الورقة أن هذا قد يساعد البنوك في النهاية على إجراء اختبارات الضغط لأنظمتها، مما يسمح لها برؤية الأحداث النادرة والخطيرة بوضوح أكبر، رغم أنه لم يتم اكتشاف أي تطبيق متكامل يحقق تسارعاً أسياً بعد.

كما يفحص الفريق كيف يمكن للحواسيب الكمومية المساعدة في اختيار الحقائق الأكثر أهمية من بحر من المعلومات، وهي عملية تسمى "استخراج الميزات". في التمويل، يمكن أن يؤدي وجود متغيرات كثيرة جداً إلى إرباك النموذج، لذا فإن العثور على العوامل القليلة التي تهم حقاً هو المفتاح. يصف الباحثون كيف يمكن للخوارزميات الكمومية تحليل العلاقات بين آلاف نقاط البيانات للعثور على الأكثر أهمية منها، مما يقلص مجموعة بيانات ضخمة إلى جوهرها بفعالية. وهذا مفيد بشكل خاص لتقييم الجدارة الائتمانية، حيث يجب على النظام تحديد العوامل التي تتنبأ حقاً بما إذا كان الشخص سيسدد قرضه أم لا. ومن خلال استخدام الطرق الكمومية، يمكن للنظام نظرياً تحديد هذه العوامل الرئيسية بكفاءة أكبر، وإن كانت الورقة تؤكد أن تحميل البيانات يظل عقبة يجب حلها قبل إمكانية تحقيق هذه المزايا في الممارسة العملية.

ويعد "اتخاذ القرار بمرور الوقت" مجالاً حيوياً آخر، وهو ما يعرف بـ "التعلم المعزز". وهذه هي الطريقة التي تتعلم بها الحواسيب اتخاذ سلسلة من الخيارات لتعظيم المكافأة، تماماً كما قد يقوم متداول بتعديل محفظته يوماً بعد يوم. توضح الورقة أن الحواسيب الكمومية يمكنها نظرياً تسريع عملية التعلم هذه، مما يسمح للوكلاء (Agents) بالعثور على أفضل استراتيجيات التداول بسرعة أكبر بكثير. ومع ذلك، يشير الباحثون إلى أنه بسبب القيود الحالية للأجهزة، لم تُطبق نهج التعلم المعزز الكمومي مباشرة على التداول الآلي بعد. ويقترحون أنه بينما الأساس النظري قوي، قد تستفيد مكونات التداول الخوارزمي في النهاية من المزايا الكمومية، لكننا لسنا بعد في المرحلة التي تسمح بالتداول الكمومي المؤتمت بالكامل.

أخيراً، تتطرق المراجعة إلى كيفية فهم هذه الآلات للغة البشرية. فالأسواق المالية مدفوعة بالأخبار والتقارير ووسائل التواصل الاجتماعي، وكلها تحتوي على نصوص غير منظمة. يصف الباحثون كيف يمكن للخوارزميات الكمومية تحليل قواعد اللغة ومعاني الجمل لتقدير المشاعر أو كشف الاحتيال في الوثائق المالية. ومن خلال استخدام طريقة تعامل الكلمات كأجزاء من بنية أكبر، يمكن لهذه الأنظمة نظرياً معالجة حسابات تشابه الجمل مع تحسين في التعقيد مقارنة بالطرق التقليدية. وهذا قد يساعد البنوك على تقييم المخاطر من خلال قراءة آلاف طلبات القروض أو تقارير التدقيق، رغم أن الورقة توضح أن التسارع ينبع من تحسينات خوارزمية محددة في حسابات التشابه وليس من قدرة عامة على فهم السياق بشكل أفضل من عمليات البحث عن الكلمات المفتاحية البسيطة في جميع السيناريوهات.

تختتم الورقة بملخص واقعي ولكن متفائل. ويؤكد الباحثون أن تعلم الآلة الكمومي ليس عصا سحرية تحل كل المشكلات المالية فوراً، بل هو أداة قوية وجديدة تتطور بسرعة. وهم يقرون بأن الآلات الحالية محدودة بالضجيج وصغر الحجم، وأن تحميل البيانات يظل تحدياً. ومع ذلك، يجادلون بأن إمكانات السرعة والدقة حقيقية، خاصة بالنسبة لأنواع المشكلات المعقدة الموجودة في التمويل. وتعمل هذه المراجعة كخارطة طريق، تظهر أننا ننتقل من النظرية إلى التطبيق، وأن الصناعة المالية في وضع جيد لتكون من أوائل المستفيدين من هذا العصر الجديد من الحوسبة. إن الرحلة بدأت للتو، لكن الوجهة تعد بعالم تُتخذ فيه القرارات المالية بعمق فهم كان بعيد المنال في السابق.