⚛️ quantum physics

Large-scale portfolio optimization on a trapped-ion quantum computer

تقدم هذه الورقة وتتحقق تجريبياً من مسار متكامل (end-to-end) لتحسين المحافظ الاستثمارية واسعة النطاق على حاسوب كمي ذي أيونات محاصرة بـ 64 كيوبت، والذي يجمع بين تجميع الأصول القائم على نظرية المصفوفات العشوائية (RMT) ومخطط تقسيم جشع مدرك للأجهزة وتحسين كمي مضاد للدياباتي (counterdiabatic) مرقم بمجال انحياز، ليثبت أن المسائل الفرعية القابلة للتنفيذ الأكبر تحسن بشكل منهجي جودة الحل والموازنة بين العائد والمخاطر.

المؤلفون الأصليون: Alejandro Gomez Cadavid, Ananth Kaushik, Pranav Chandarana, Miguel Angel Lopez-Ruiz, Gaurav Dev, Willie Aboumrad, Qi Zhang, Claudio Girotto, Sebastián V. Romero, Martin Roetteler, Enrique Solano, Marc

نُشر 2026-03-02

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Alejandro Gomez Cadavid, Ananth Kaushik, Pranav Chandarana, Miguel Angel Lopez-Ruiz, Gaurav Dev, Willie Aboumrad, Qi Zhang, Claudio Girotto, Sebastián V. Romero, Martin Roetteler, Enrique Solano, Marco Pistoia, Narendra N. Hegade

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك طاهٍ يحاول ابتكار قائمة تذوق مثالية مكونة من 125 طبقاً من مخزن ضخم يحتوي على 250 مكوناً. هدفك هو اختيار أفضل تركيبة توازن بين النكهة (العائد) والمخاطر الصحية (التقلب)، مع الالتزام الصارم بالقاعدة: "يجب أن تختار بالضبط 125 عنصراً".

هذه هي مشكلة العالم الحقيقي لـ تحسين المحفظة الاستثمارية (Portfolio Optimization). إنها كابوس رياضي لأن عدد التوليفات الممكنة هائل جداً لدرجة أن أسرع الحواسيب الفائقة في العالم تجد صعوبة في إيجاد القائمة "المثالية" في وقت معقول.

تصف هذه الورقة طريقة ذكية وجديدة لحل هذه المشكلة باستخدام حاسوب كمي ذي أيونات محاصرة (Trapped-Ion Quantum Computer) (وهو نوع متطور ومستقبلي من الحواسيب). إليك كيف فعلوا ذلك، مشروحاً ببساطة:

1. المشكلة: المخزن "الأكبر من أن يُطهى"

محاولة طهي قائمة مكونة من 250 مكوناً على موقد صغير (الحواسيب الكمية الحالية) أمر مستحيل. فالموقد لا يتسع إلا لبضع قدور في المرة الواحدة. وإذا حاولت طهي كل شيء دفعة واحدة، سينفجر المطبخ (يتعطل الحاسوب أو يعطي نتائج غير منطقية).

2. الحل: استراتيجية "فريق المطبخ الذكي"

بدلاً من محاولة طهي القائمة بأكملها دفعة واحدة، قام المؤلفون ببناء مسار عمل متكامل (وصفة خطوة بخرة) يقسم المشكلة الكبيرة إلى أجزاء أصغر يمكن إدارتها.

الخطوة أ: تجميع المكونات (المحقق المجتمعي)

أولاً، بحثوا في كيفية ارتباط المكونات ببعضها البعض.

التشبيه: تخيل أنك لاحظت أن "الطماطم، والريحان، والموزاريلا" يتماشون دائماً معاً، بينما "السمك والشوكولاتة" لا يمتزجان أبداً.
التقنية: استخدموا خدعة رياضية تسمى نظرية المصفوفات العشوائية (Random Matrix Theory) لتصفية "الضجيج" (تقلبات السوق العشوائية) وإيجاد "المجتمعات" الحقيقية للأصول التي تتحرك معاً. لقد قاموا بتجميع الـ 250 أصلاً في مجموعات بناءً على هذه العلاقات.

الخطوة ب: حد الحجم (قاعدة "حجم القدر")

الحاسوب الكمي (الموقد) لديه حد صارم: يمكنه استيعاب 36 أو 64 قدراً (كيوبت/Qubits) في المرة الواحدة.

التشبيه: إذا كانت مجموعة المكونات تحتوي على 80 عنصراً، فلا يمكنك وضعها جميعاً في قدر واحد. يجب عليك تقسيمها.
التقنية: استخدموا طريقة "التقسيم الجشع" (Greedy Splitting). إذا كانت المجموعة كبيرة جداً، يقومون بتقطيعها إلى مجموعات أصغر تناسب تماماً "حجم قدر" الحاسوب الكمي، مما يضمن عدم ترك أي مكون خلفهم.

الخطوة ج: الطاهي الكمي (BF-DCQO)

الآن، أرسلوا هذه المجموعات الصغيرة إلى الحاسوب الكمي.

التشبيه: بدلاً من طاهٍ بشري يخمن أي المكونات تعمل بشكل أفضل، استخدموا طاهياً كمياً يدعى BF-DCQO.
كيف يعمل: هذا الطاهي لا يحتاج إلى "التعلم" من أخطائه مراراً وتكراراً (مثل الذكاء الاصطناعي التقليدي). بدلاً من ذلك، يستخدم تقنية "اختصار" خاصة (Counter-Diabatic) للانزلاق عبر منحدر الاحتمالات بسرعة فائقة للوصول إلى أدنى نقطة (أفضل حل). الأمر يشبه التزحلق على زلاجة بدلاً من المشي صعوداً وهبوطاً في جبل.

الخطوة د: "اختبار التذوق" والإصلاح (المعالجة اللاحقة)

أعطى الحاسوب الكمي قائمة بالمرشحين ذوي "الطاقة المنخفضة" (الجيدين)، لكنهم لم يكونوا مثاليين.

المشكلة: قد يكون الحاسوب الكمي قد اختار 124 عنصراً بدلاً من 125، أو 126 عنصراً.
الإصلاح: استخدموا "فريق إصلاح" من خطوتين:
1. المُصلح: إذا كان لديك عناصر كثيرة جداً، يقومون باستبدال "الأسوأ" منها. إذا كان لديك عناصر قليلة جداً، يقومون بإضافة "الأفضل" المفقودة.
2. البحث المحلي: قاموا بـ "فحص سريع للجوار"، حيث يستبدلون عنصرين ليروا ما إذا كانت القائمة ستصبح أفضل. هذه خدعة حاسوبية كلاسيكية لصقل نتيجة الحاسوب الكمي.

3. النتائج: قدور أكبر، وجبات أفضل

لقد اختبروا ذلك على حاسوب كمي حقيقي من صنع شركة IonQ (باستخدام الأيونات المحاصرة، والتي تشبه ذرات صغيرة مثبتة في مكانها بواسطة الليزر).

التجربة: حاولوا حل المشكلة باستخدام موقد بـ 36 قدراً وموقد بـ 64 قدراً.
الاكتشاف: الموقد الأكبر (64 كيوبت) أدى مهمة أفضل بكثير.
- لماذا؟ عندما يكون لديك قدر أكبر، لا تضطر لتقطيع المكونات كثيراً. وبذلك تحافظ على المزيد من "روابط النكهة" بين المكونات.
- النتيجة: نسخة الـ 64 كيوبت أنتجت محافظ استثمارية كانت أقرب إلى القائمة "المثالية" النظرية، وقدمت توازناً أفضل بين المخاطر والعوائد مقارنة بالنسخة الأصغر أو التخمين العشوائي.

الخلاصة الكبرى

تثبت هذه الورقة أننا لسنا بحاجة إلى حاسوب كمي ضخم ومثالي لحل المشكلات المالية الضخمة اليوم.

بدلاً من ذلك، يمكننا استخدام نهج هجين:

تفكيك المشكلة بذكاء بناءً على كيفية اتصال البيانات ببعضها.
تكييف القطع لتناسب حدود حجم الحاسوب الكمي الحالي.
استخدام الحاسوب الكمي لإيجاد أفضل الحلول المحلية.
استخدام الحواسيب الكلاسيكية لإعادة تجميع القطع وإصلاح أي أخطاء صغيرة.

الأمر يشبه بناء ناطحة سحاب ضخمة: أنت لا ترفع المبنى بأكمله دفعة واحدة. بل تبني الطوابق طابقاً تلو الآخر، مستخدماً الرافعة (الحاسوب الكمي) لرفع العوارض الثقيلة، والعمال (الحواسيب الكلاسيكية) لربطها معاً. ومع زيادة حجم الرافعات (عدد الكيوبتات)، تصبح المباني التي يمكننا بناؤها أكثر طولاً وإبهاراً.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تحسين المحافظ الاستثمارية واسعة النطاق على حاسوب كمي ذي أيونات محاصرة".

1. بيان المشكلة

تتناول الورقة مشكلة اختيار المحفظة الاستثمارية ذات قيود العدد (cardinality-constrained)، وهي مشكلة تحسين توافقية من نوع (NP-hard) نموذجية في التمويل.

الهدف: اختيار عدد ثابت ( $K$ ) من الأصول من بين مجموعة كونية تضم $N$ من الأصول لتحسين المقايضة بين العائد المتوقع والمخاطر (التباين)، بناءً على إطار "ماركويتز" لمتوسط التباين (Markowitz mean-variance).
القيود: يجب أن يستوفي الحل قيد العدد الصارم ( $\sum x_i = K$ )، حيث تشير $x_i \in \{0,1\}$ إلى إدراج الأصل أو عدم إدراجه.
التحديات:
- النطاق (Scale): المجموعات الكونية في العالم الحقيقي (مثل S&P 500) كبيرة جداً بحيث لا يمكن للمعالجات الكمية (QPs) الحالية حلها مباشرة.
- القيود العتادية (Hardware Limitations): تعاني المعالجات الكمية الحالية من محدودية عدد الكيوبتات، وقيود الاتصال، والضجيج، مما يجعل التنفيذ المباشر لصيغ Ising/QUBO الكثيفة مستحيلاً للمجموعات الكبيرة من $N$ .
- الضجيج: تعاني الأجهزة في الحقبة الحالية من فك الترابط (decoherence) وأخطاء البوابات، مما يتطلب خوارزميات قوية تجاه الضجيج وتتجنب حلقات التدريب التباينية الطويلة.

2. المنهجية: خط معالجة متكامل يراعي خصائص العتاد

يقترح المؤلفون سير عمل كاملاً يربط البيانات السوقية التجريبية بالمسائل الكمية الفرعية القابلة للتنفيذ، ثم يعود بها إلى الحل العالمي. يتكون خط المعالجة من أربع مراحل رئيسية:

أ. التفكيك المراعي للعتاد (Hardware-Aware Decomposition)

لتناسب المشكلة مع معالج كمي مستهدف بحد أقصى للكيوبتات $Q_{max}$ :

إزالة الضجيج (Denoising): يتم تفكيك مصفوفة الارتباط التجريبية $C$ باستخدام نظرية المصفوفات العشوائية (RMT) (عبر الفصل الطيفي لـ Marchenko-Pastur) إلى ضجيج ( $C_{noise}$ )، ونمط سوق عالمي ( $C_{global}$ )، وأنماط معلوماتية مهيكلة ( $C_{\star}$ ). يتم إجراء التجميع (Clustering) فقط على $C_{\star}$ لتخميد الارتباطات الناتجة عن الضجيج.
كشف المجتمعات (Community Detection): تقوم خوارزمية كشف المجتمعات (مثل Louva) بتحديد مجموعات الأصول المترابطة في $C_{\star}$ .
التقسيم الجشع (Greedy Splitting): إذا تجاوز مجتمع ما سعة $Q_{max}$ ، يتم تقسيمه تكرارياً باستخدام خوارزمية جشعة موجهة بالارتباط. تختار هذه الخوارزمية عقدة ذات درجة عالية وتجمعها مع جيرانها الأكثر ارتباطاً بها حتى يصل حجم المجموعة إلى $Q_{max}$ . يضمن ذلك عدم استبعاد أي أصول وأن كل مجموعة تناسب الميزانية العتادية.

ب. التحسين الكمي (BF-DCQO)

يحدد كل مجتمع مسألة QUBO أصغر، تُسقط على هاميلتوني Ising ( $H_f$ ). يتم حل هذه المسائل باستخدام التحسين الكمي الرقمي ذي المجال المنحاز والتحسين المضاد للدياباتي (BF-DCQO):

غير تباينية (Non-Variational): على عكس خوارزمية QAOA، لا تتطلب BF-DCQO حلقات ضبط بارامترات كلاسيكية، مما يجعلها أكثر قوة تجاه الضجيج وأسرع في التنفيذ.
الآلية: تتبع مساراً أديباتياً من هاميلتوني أولي منحاز ( $H_i$ ) إلى الهاميلتوني المستهدف ( $H_f$ ). ولمواجهة الانتقالات غير الأديباتية الناتجة عن أوقات التطور القصيرة، يتم إضافة حد مضاد للدياباتي (Counterdiabatic - CD) ( $A_\lambda$ ).
الرقمنة (Digitization): يتم رقمنة التطور عبر عملية "تروتريزيشن" (Trotterization). ويتم تطبيق تقنية التقليم (Pruning) لاستبعاد البوابات التي تقل زوايا دورانها عن عتبة معينة، مما يقلل من عمق الدائرة والضجيج المتراكم.
تحديث الانحياز (Bias Update): تقوم الخوارزمية بتحديث مجالات الانحياز تكرارياً بناءً على اتجاهات السبين (spin) التجريبية للعينات منخفضة الطاقة، مما يحسن عملية البحث.

ج. ما بعد المعالجة وإعادة التجميع (Post-Processing and Recombination)

بما أن أخذ العينات الكمية لا يحافظ بطبيعته على قيد العدد العالمي ( $K$ )، يتم تطبيق روتين معالجة كلاسيكي من مرحلتين:

الإصلاح القائم على التدرج (Gradient-Based Repair): يقوم بإسقاط الحلول القريبة من الممكنة على فضاء القيد. إذا كان وزن هامينج $w(x) \neq K$ ، يتم قلب حالة الأصول بناءً على تدرج دالة الهدف لتقليل تكلفة التغيير.
البحث المحلي بالتبديل (Swap Local Search): يستكشف البحث المحلي "تحسين الأول" (first-improvement) جوار الوزن الهامينج الثابت عبر تبديل الأصول (إدخال أو إخراج). يعمل هذا على صقل الحل ليصل إلى الحد الأمثل المحلي.
إعادة التجميع (Recombination): يتم إعادة تجميع المرشحات منخفضة الطاقة من جميع المجموعات في محافظ عالمية، والتي تخضع بعد ذلك للبحث المحلي العالمي.

3. الإعداد التجريبي

مجموعة البيانات: كون يضم 250 أصلاً مشتق من مؤشر S&P 500 (أسعار الإغلاق اليومية، 2020–2025). العدد المستهدف $K=125$ .
العتاد:
- IonQ Forte: نظام بـ 36 كيوبت (أيونات اليتيربيوم).
- IonQ Barium Development System: نظام بـ 64 كيوبت (أيونات الباريوم)، مشابه لخط IonQ Tempo القادم.
الإعدادات:
- حد 36 كيوبت: تم التفكيك إلى 14 مجموعة (الحد الأقصى 36).
- حد 64 كيوبت: تم التفكيك إلى 11 مجموعة (الحد الأقصى 60).
المقارنات المرجعية (Baselines): الاختيار العشوائي، حلول المسائل الفرعية المثلى المعاد تجميعها (بدون بحث عالمي)، والمحللات الكلاسيكية (Guropi) للمسائل الفرعية الصغيرة.

4. النتائج الرئيسية

التوسع مع ميزانية الكيوبت: أدى رفع حجم المسألة الفرعية القابلة للتنفيذ من 36 إلى 60 كيوبت (بالانتقال إلى عتاد 64 كيوبت) إلى تحسين منهجي في قيم الهدف النهائية والمقايضات بين المخاطر والعائد. قللت المسائل الفرعية الأكبر من "خطأ التفكيك" الناتج عن تجاهل الارتباطات بين المجموعات.
الأداء مقابل المراجع: تفوق خط المعالجة BF-DCQO مع معالجة ما بعد العمليات باستمرار على المراجع العشوائية وعلى التجميع البسيط للحلول المثلى لكل مجموعة.
دور معالجة ما بعد العمليات: كان البحث المحلي العالمي حاسماً؛ حيث أظهر أن المرشحات الفرعية غير المثلى يمكن توجيهها نحو تكوينات عالمية أقل طاقة بمجرد فرض قيد العدد العالمي والسماح بالتبديلات بين المجموعات.
تأثير التقليم (Pruning): أظهر تنويع مستوى التقليم (إزالة 40-70% من البوابات) أن التقريبات المتوسطة للهاميلتوني يمكن أن تقلل تكلفة الدائرة دون تدهور كبير في جودة الحل على العتاد المليء بالضجيج.
ملف المخاطر والعائد: أنتج خط المعالجة محافظ متنوعة تغطي نطاقاً مستمراً من المخاطر والعائد، بدلاً من التكتل عند القيم القصوى فقط، مما يشير إلى وجود مساحة حل غنية.

5. المساهمات الرئيسية

خط معالجة متكامل (End-to-End Pipeline): إثبات سير عمل كامل من البيانات المالية الخام إلى محفظة قابلة للتنفيذ على عتاد كمي حقيقي، مع مراعاة قيود العتاد صراحة خلال مرحلة التفكيك.
التحسين غير التبايني: التطبيق الناجح لـ BF-DCQO، وهو نهج مضاد للدياباتي وغير تبايني، على مشكلة مالية حقيقية، مما تجنب مشكلة "الهضاب العقيمة" (barren plateaus) وعبء التدريب المرتبط بالخوارزميات التباينية.
التفكيك المراعي للعتاد: تقديم استراتيجية تقسيم محددة تحترم ميزانية الكيوبت مع الحفاظ على هياكل الارتباط عبر إزالة الضجيج المعتمدة على نظرية المصفوفات العشوائية (RMT).
التحقق التجريبي: تقديم أدلة تجريبية على أن زيادة عدد الكيوبتات تؤدي مباشرة إلى جودة حل أعلى في سير عمل التفكيك، مما يرسم مساراً واضحاً لتوسيع نطاق التحسين المالي مع تطور العتاد.

6. الأهمية

يؤسس هذا العمل مساراً مختبراً عتادياً لتوسيع نطاق التحسين الكمي في التمويل. وهو يثبت أن:

استراتيجيات التفكيك المصممة خصيصاً لحدود عتاد معينة هي استراتيجيات قابلة للتطبيق للمسائل واسعة النطاق.
الخوارزميات الكمية غير التباينية (مثل BF-DCQO) هي مرشحات عملية للأجهزة في حقبتها الحالية.
يمكن التنقل بفعالية في "مساحة المقايضة" بين تكلفة الدائرة (التقليم) وجودة الحل (على العتاد المليء بالضجيج).
مع توسع العتاد الكمي (مثل خط IonQ Tempo)، ستتحسن جودة الحلول للمسائل المالية الكثافة والتركيبية بشكل رتيب، مما يوفر ميزة تنافسية على الخوارزميات الكلاسيكية البحتة في سيناريوهات محددة.