⚛️ quantum physics

Learning PDEs for Portfolio Optimization with Quantum Physics-Informed Neural Networks

تقدم هذه الورقة البحثية شبكة عصبية مستنيرة بالفيزياء الكمومية (QPINN) تستخدم دوائر كمومية مُعلمة مع تفكيك رتبة الموتر لحل معادلة ميرتون التفاضلية الجزئية لتحسين المحفظة الاستثمارية، مما يثبت أن النهج الكمومي يحقق دقة أعلى وتقارباً أسرع بـ 80 مرة بعدد أقل من المعلمات مقارنة بنظيراتها من الشبكات العصبية المستنيرة بالفيزياء الكلاسيكية (PINN).

المؤلفون الأصليون: Letao Wang, Abdel Lisser, Sreejith Sreekumar, Zeno Toffano

نُشر 2026-04-07

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Letao Wang, Abdel Lisser, Sreejith Sreekumar, Zeno Toffano

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 مستثمر تحاول اتخاذ قرار بشأن كيفية تقسيم أموالك بين حساب توفير آمن وسوق أسهم محفوف بالمخاطر. أنت تريد تعظيم ثروتك المستقبلية، لكن السوق فوضوي وغير قابل للتنبؤ. في عالم التمويل، هذه معضلة شهيرة تُسمى مسألة ميرتون لتحسين المحفظة الاستثمارية (Merton Portfolio Optimization Problem).

لحل هذه المسألة، يستخدم الرياضيون مجموعة معقدة من القواعد تسمى المعادلات التفاضلية الجزئية (PDEs). فكر في هذه المعادلات كأنها متاهة ضخمة متعددة الأبعاد. العثور على "المخرج" (استراتيجية الاستثمار المثالية) أمر في غاية الصعوبة.

إليك قصة كيف تقترح هذه الورقة البحثية طريقة جديدة فائقة الكفاءة لحل هذه المتاهة باستخدام الفيزياء الكمومية والشبكات العصبية.

١. الطريقة القديمة: الشاحنة الثقلة والبطيئة

تقليديًا، تحاول الحواسيب حل هذه المتاهات المالية عن طريق تقسيمها إلى مربعات شبكية صغيرة (مثل لوحة الشطرنج) وحساب الإجابة لكل مربع على حدة.

المشكلة: كلما زاد تعقيد المسألة، كبر حجم الشبكة. يضطر الكمبيوتر لقيادة شاحنة ثقيلة عبر كل مربع من هذه المربعات. إنه أمر بطيء، ومكلف، وغالبًا ما يعلق في "الازدحام المروري" (البطء في التقارب للحل).
البديل (الذكاء الاصطناي الكلاسيكي): حاول العلماء استخدام الشبكات العصبية الموجهة بالفيزياء (PINNs). تخيل طالبًا يحاول تعلم المتاهة عن طريق التخمين والتجربة. هم أسرع من الشاحنة، لكنهم لا يزالون يعانون في تعلم "شكل" المتاهة بسرعة، وغالبًا ما يحتاجون إلى ملايين التخمينات للوصول إلى النتيجة الصحيحة.

٢. الفكرة الجديدة: العصا السحرية الكمومية

تساءل مؤلفو هذه الورقة: "ماذا لو استطعنا استخدام القواعد الغريبة والقوية للفيزياء الكمومية لحل هذه المسألة؟"

لقد بنوا أداة جديدة تسمى الشبكة العصبية الموجهة بالفيزياء الكمومية (QPINN). ولكن كان هناك عقبة: الحواسيب الكمومية حاليًا صغيرة وهشة. محاولة تشغيل عملية حسابية ضخمة عليها تشبه محاولة حمل بطيخة على دراجة هوائية؛ فهي ثقيلة جدًا وستكسر الدراجة.

٣. السر الخفي: "تفكيك الموتر" (خدعة قطع الليغو)

هذا هو أعظم إنجاز للورقة البحثية. لقد أدركوا أن العديد من الحلول المالية (مثل مسألة ميرتون) لها بنية خاصة. فهي ليست مجرد فوضى عشوائية، بل هي مبنية من أجزاء مستقلة تُضرب في بعضها البعض.

التشبيه:
تخيل أنك بحاجة لبناء قلعة ضخمة.

الطريقة الكمومية القديمة: تحاول بناء القلعة بأكملها ككتلة حجرية واحدة ضخمة. إنها ثقيلة جدًا لرفعها.
طريقة الورقة الجديدة: أدركوا أن القلعة هي في الواقع مجموعة من أبراج "الليغو" المنفصلة (جدران، أبراج صغيرة، بوابات) التي يمكنك تركيبها معًا.
- هم يسمون هذا تفكيك الموتر (Tensor Decomposition). بدلاً من بناء الحل المعقد بالكامل دفعة واحدة، يقومون ببناء قطع "ليغو" بسيطة وصغيرة (أحادية المتغير) ثم يركبونها معًا.

باستخدام نهج "الليغو" هذا، نجحوا في تقليل الموارد الكمومية المطلوبة من أسيّة (مستحيلة) إلى متعددة الحدود (يمكن التحكم بها). الأمر يشبه إدراك أنك لا تحتاج إلى رافعة لنقل القلعة بأكملها، بل تحتاج فقط إلى شاحنة صغيرة لنقل قطع الليغو.

٤. النموذجان: الروبوت الكمومي والشبح الكمومي

أنشأ الفريق نسختين من برنامج الحل الخاص بهم:

١. الشبكة العصبية المستوحاة من الكم والموجهة بالفيزياء (The Quantum-Inspired PINN) - (الشبح):

يستخدم هذا النموذج هيكل "الليغو"، لكنه يعمل على كمبيوتر كلاسيكي (مثل جهاز اللابتوب الخاص بك).
يُسمى "مستوحى من الكم" لأنه يستخدم منطق الرياضيات الكمومية ولكنه لا يحتاج إلى كمبيوتر كمومي.
النتيجة: حل المسألة أسرع بـ ٨٠ مرة وبعدد معاملات أقل بـ ٨٠ مرة (ذاكرة أقل) من الذكاء الاصطناعي القياسي، لأنه عرف بالضبط كيفية بناء قلعة الليغو.

٢. الشبكة العصبية الموجهة بالفيزياء الكمومية (QPINN) - (الروبوت):

هذا هو النموذج الحقيقي. إنه يعمل على دائرة كمومية.
أضاف طبقة خاصة من "التشابك" (خدعة سحرية كمومية حيث تتواصل أجزاء النظام مع بعضها فورياً).
النتيجة: كان أفضل حتى من "الشبح". فقد وجد الحل بدقة أعلى وتعلم (تقارب) بشكل أسرع.

٥. التجربة: السباق

اختبروا هذه النماذج على مسألة ميرتون الاستثمارية.

المنافس: ذكاء اصطناعي قياسي ضخم (Fully Connected PINN) يحتوي على ٤٨١ معاملًا. كان مثل روبوت ضخم وأخرق يحاول تعلم المتاهة.
الفائزون: نماذجهم الكمومية كانت تحتوي على ٧ معاملات فقط.
النتيجة: النماذج الكمومية الصغيرة (بـ ٧ معاملات فقط) هزمت الروبوت الضخم (بـ ٤٨١ معاملًا) في كل مرة. لقد تعلموا شكل المتاهة فورًا تقريبًا ووجدوا استراتيجية الاستثمار المثالية.

لماذا هذا الأمر مهم؟

الكفاءة: لم تعد بحاجة إلى كمبيوتر خارق لحل المشكلات المالية المعقدة. يمكن لنموذج صغير وفعال القيام بذلك بشكل أفضل.
جاهز للمستقبل: هذه الطريقة مصممة للعمل على الحواسيب الكمومية الصغيرة وغير المثالية التي نمتلكها اليوم (وفي المستقبل القريب)، وليس فقط على الحواسيب النظرية البعيدة.
الدرس المستفاد: أحيانًا، أفضل طريقة لحل مشكلة معقدة ليست بضخ المزيد من القوة، بل بفهم بنيتها الخفية (طبيعة "الليغو" الخاصة بها) وبناء أداة تناسب تلك البنية تمامًا.

باخت-صار: أخذ المؤلفون مسألة مالية رياضية صعبة، وأدركوا أنها مكونة من قطع بناء بسيطة، فبنوا روبوتًا صغيرًا فائق الكفاءة يعمل بالطاقة الكمومية يمكنه تركيب تلك القطع معًا بشكل أسرع وأفضل من أي كمبيوتر كلاسيكي ضخم.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تعلم المعادلات التفاضلية الجزئية لتحسين المحفظة الاستثمارية باستخدام الشبكات العصبية المستوحاة من الفيزياء الكمومية" (Learning PDEs for Portfolio Optimization with Quantum Physics-Informed Neural Networks).

1. بيان المشكلة

تتناول الورقة البحثية تحدي حل المعادلات التفاضلية الجزئية (PDEs) في الرياضيات المالية، وتحديداً مسألة ميرتون لتحسين المحفظة الاستثمارية (Merton Portfolio Optimization).

السياق: تسعى مسألة ميرتون إلى إيجال استراتيجية استثمار مثلى لتعظيم المنفعة المتوقدة للثروة النهائية في ظل ديناميكيات سوق عشوائية. يتم تحويل هذه المسألة رياضياً إلى معادلة هاميلتون-جاكوبي-بيلمان (HJB) تفاضلية جزئية غير خطية.
قصور الطرق الكلاسيكية:
- المحللات العددية (FDM/FEM): تتطلب تكاليف حوسبة عالية لتحقيق دقة مرتفعة وتواجه صعوبة مع "لعنة الأبعاد".
- الشبكات العصبية المستوحاة من الفيزياء الكلاسيكية (Classical PINNs): رغم أنها خالية من الشبكات (mesh-free)، إلا أنها غالباً ما تعاني من بطء التقارب، وصعوبة التقاط الميزات عالية التردد، ومشكلات في القابلية للتوسع في الأبعاد العالية. علاوة على ذلك، تتطلب شبكات (FC PINNs) التقلية عدداً هائلاً من المعلمات لتحقيق دقة مماثلة.
قصور النهج الكمومية الحالية:
- الخوارزميات الكمومية الكاملة: تتطلب أجهزة مقاومة للأخطاء وذاكرة وصول عشوائي كمومية (qRAM)، وهي تقنيات غير متوفرة حالياً.
  يدل على أن العديد من حلول المعادلات التفاضلية الجزئية (بما في ذلك معادلة Merton HJB) تمتلك هياكل قابلة للفصل يمكن تقريبها جيداً عبر تفكيك الرتب المنخفضة للموترات.
تعقيد الموارد: بينما تتطلب كثير من كثيرات الحدود متعددة المتغيرات دوائر ذات عمق أسي، يثبت المؤلفون أن كثيرات الحدود المفككة موترياً (TD polynomials) يمكن تنفيذها بـ تعقيد حدودي من حيث العمق والمعلمات، بشرط أن تكون رتبة الموتر (R) معتدلة.

أ. البنية الكمومية

صمم المؤلفون نموذجين محددين:

الشبكة العصبية الكمومية المستوحاة من الفيزياء (QPINN):
- الهيكل: تعتمد على دائرة كمومية ذات معاملات (PQC) تنفذ كثيرات الحدود المفككة موترياً (TD).
- التحسين: تمت إضافة طبقة تشابك (unitary controlled $e^{-iH(\lambda)}$ ) إلى الدائرة. تضيف هذه الطبقة ارتباطات متعددة الكيوبتات غير قابلة للفصل، مما يوسع فضاء الفرضيات بما يتجاوز مجرد النواتج الموترية البسيطة ويزيد من القدرة التعبيرية.
- فضاء الفرضيات: يحتوي على جميع كثيرات الحدود (TD) ذات الدرجة والرتبة الثابتة، بالإضافة إلى حالات متشابكة إضافية.
الشبكة المستوحاة من الكم (Quantum-Inspired PINN):
- الهيكل: محاكاة كلاسيكية لـ (QPINN) حيث تتم إزالة طبقة التشابك (أو ضبطها لتكون هيية).
- الوظيفة: تقوم بتنفيذ هيكل كثيرات الحدود (TD) بدقة.
- الأهمية: تعمل كخط أساس كلاسيكي يشترك في نفس "الانحياز الاستقرائي" (inductive bias) للنموذج الكمومي ولكنها منخفضة التكلفة حوسبياً.

ث. الضمانات النظرية

وجود التقريب: يثبت المؤلفون أن فضاء الفرضيات لـ (QPINN) يحتوي صراحةً على مجموعة جميع كثيرات الحدود (TD). وبما أن العديد من حلول المعادلات التفاضلية الجزئية تقبل هذا النوع من التفكيك، فإن وجود تقريب جيد هو أمر مضمون (على عكس نماذج HEA-based QPINNs).
تحليل التعقيد:
- أحادية المتغير: العمق $O(L)$ .
- متعددة المتغيرات العامة: العمق الأسي $O(L^D)$ .
- كثيرات الحدود (TD): العمق الحدودي $O(RDL \log R)$ والمعلمات $O(RDL)$ .

3. المساهمات الرئيسية

التنفيذ الكمومي الفعال: توفر الورقة تحليلاً مفصلاً للموارد يظهر أن تنفيذ كثيرات الحدود المفككة موترياً يقلل من تعقيد الموارد الكمومية من الأسي إلى الحدودي، مما يجعلها قابلة للتطبيق على الأجهزة الكمومية ذات المقياس المتوسط المتاحة حالياً (NISQ).
الضمانات النظرية: على عكس أعمال (QPINN) السابقة، يضمن هذا النموذج أن فضاء الفرضيات يحتوي على تقريب مناسب للمعادلات التفاضلية الجزئية ذات الحلول القابلة للفصل، بناءً على خصائص تفكيك رتبة الموتر.
إطار النموذج المزدوج: إن تقديم كل من (QPINN) (مع التشابك) و (Quantum-Inspired PINN) (القابل للمحاكاة كلاسيكياً) يسمح بتحليل دقيق لـ "التفوق الكمومي" مقابل "ميزة الانحياز الاستقرائي".
التطبيق على التمويل: تم تطبيق الإطار بنجاح على مسألة ميرتون لتحسين المحفظة الاستثمارية، وهي معادلة تفاضلية جزئية مالية بالغة الأهمية.

4. النتائج التجريبية

تم اختبار النماذج على معادلة Merton HJB مع المعلمات: $r=0.02, T=1.0, \gamma=0.95, \mu=0.0219, \sigma=0.2$ .

المقارنات:
- QPINN: 7 معلمات قابلة للتدريب (6 من هيكل TD + 1 للتشابك).
- Quantum-Inspired PINN: 6 معلمات قابلة للتدريب (هيكل TD فقط).
- Counterpart PINN: شبكة (PINN) كلاسيكية تمتلك نفس الانحياز الاستقرائي (TD) (6 معلمات).
- FC PINN: شبكة (PINN) تقليدية كاملة الاتصال مكونة من 5 طبقات مخفية (481 معلمة، أي حوالي 80 ضعف عدد معلمات النماذج الكمومية).
الأداء:
- التقارب: حقق كل من (QPINN) و (Quantum-Inspired PINN) تقارباً أسرع وحققا خسارة (loss) أقل من (FC PINN)، رغم امتلاكهما 80 ضعفاً أقل من المعلمات.
- الدقة: حققت (QPINN) أعلى دقة، متفوقة على (Quantum-Inspired PINN). وهذا يثبت فائدة طبقة التشابك (القدرة التعبيرية الكمومية) في التقاط الميزات المعقدة بالقرب من الحدود.
- الانحياز الاستقرائي: تفوقت (Quantum-Inspired PINN) على (FC PINN)، مما يثبت أن هيكل التفكيك الموتري (الانحياز الاستقرائي) هو المحرك الأساسي للكفاءة، وليس مجرد الأجهزة الكمومية.
- المرئيات: طابق سطح (QPINN) الحل التحليلي بدقة عبر النطاق بأكمله، بينما أظهرت (FC PINN) انحرافات كبيرة.

5. الأهمية والخاتمة

كفاءة الموارد: يوضح العمل مساراً قابلاً للتطبيق لحل المعادلات التفاضلية الجزئية المهيكلة على الأجهزة الكمومية القريبة المدى من خلال الاستففادة من التفكيك الموتري لتجنب التوسع الأسي للموارد.
الانحياز الاستقرائي مقابل التفوق الكمومي: توضح الدراسة أنه بالنسبة للمسائل المهيكلة مثل تحسين المحفظة، فإن الانحياز الاستقرائي الهيكلي (التفكيك الموتري) هو أمر بالغ الأهمية. أما التفوق الكمومي (التشابك) فيوفر دفعة إضافية في القدرة التعبيرية والدقة، مما يسمح للنموذج بالتفوق حتى على الشبكات الكلاسيكية الكبيرة التي تمتلك نفس الانحياز الهيكلي.
العملية: يشير النموذج "المستوحى من الكم" إلى أنه حتى بدون أجهزة كمومية، فإن تبني هذه الانحيازات الهيكلية المحددة يمكن أن يؤدي إلى حلول كلاسيكية متفوقة. ومع ذلك، تظهر (QPINN) أن التشابك الكمومي يمكن أن يدفع الأداء إلى ما وراء ما يمكن تحقيقه كلاسيكياً بنفس عدد المعلمات.
العمل المستقبلي: يشير المؤلفون إلى أنه بينما تم تحسين القدرة التعبيرية، فإن قابلية التدريب (لتجنب الهضاب المسطحة/barren plateaus) والحدود الخطئية الصارمة تظل مجالات مفتوحة للبحث المستقبلي.

باختصار، تقدم هذه الورقة نهجاً مؤسساً نظرياً ومثبتاً تجريبياً لحل المعادلات التفاضلية الجزئية المالية، مما يسد الفجوة بين إمكانات الحوسبة الكمومية والتطبيقات العملية القريبة من خلال بنيات مفككة موترياً.