🤖 AI

Quantum inspired qubit qutrit neural networks for real time financial forecasting

يُظهر هذا البحث أن الشبكات العصبية القائمة على الكيوتريت الكمي (QQTNs) تتفوق على كل من الشبكات العصبية الاصطناعية الكلاسيكية والشبكات العصبية القائمة على الكيوبت الكمي في التنبؤ المالي في الوقت الفعلي، وذلك من خلال تحقيق عوائد متفوقة معدلة حسب المخاطر، واتساق في التنبؤ، ومتانة مع تقليل أوقات التدريب بشكل كبير.

المؤلفون الأصليون: Kanishk Bakshi, Kathiravan Srinivasan

نُشر 2026-04-22

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Kanishk Bakshi, Kathiravan Srinivasan

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 تحاول التنبؤ بالطقس. لديك ثلاث أدوات مختلفة لمساعدتك:

التقويم القديم (الشبكة العصبية الاصطناعية الكلاسيكية - Classical ANN): كتاب موثوق وتقليدي ينظر في الأنماط الماضية. هو جيد، لكنه يستغرق وقتاً طويلاً لتقليب الصفحات وحساب الاحتمالات.
كرة "ماجيك 8-بول" (الشبكة العصبية للكيوبت الكمي - Quantum Qubit NN): أداة تستخدم القواعد الغريبة للفيزياء الكمية. بدلاً من أن تقول فقط "نعم" أو "لا"، يمكنها أن تدور بطريقة تمثل كليهما في نفس الوقت. وهي أسرع بكثير من التقويم.
الكرة البلورية ذات الثلاثة ألوان (الشبكة العصبية للكيوتريت الكمي - Quantum Qutrit NN): هذه هي الأداة الجديدة والأكثر تطوراً. بدلاً من "نعم" أو "لا" (أو حتى الدوران بينهما)، لديها ثلاث حالات يمكن أن تكون فيها في آن واحد. إنها تشبه امتلاك قرص يمكن ضبطه على الأحمر أو الأخضر أو الأزرق في وقت واحد، بدلاً من مجرد "تشغيل" أو "إيقاف".

السؤال الكبير:
سأل الباحثون في هذه الورقة البحثية: إذا أردنا التنبؤ بسوق الأسهم (وهو أمر فوضوي ويتغير كل ثانية)، فأي من هذه الأدوات الثلاث يعمل بشكل أفضل؟

السباق: كيف قارنوا بينهم

أخذوا بيانات تاريخية من سوق الأسهم الهندي (NIFTY 50) وغذوها في النماذج الثلاثة لمعرفة من يمكنه تخمين ما إذا كان سعر السهم سيرتفع أم سينخفض غداً.

إليكم كيف كانت النتائج:

التقويم القديم (الكلاسيكي): أصاب الإجابة الصحيحة حوالي 69% من المرات. كان دقيقاً، لكنه كان بطيئاً؛ فقد استغرق وقتاً طويلاً في "التفكير" والتدريب.
كرة "ماجيك 8-بول" (الكيوبت): أصاب الإجابة الصحيحة حوالي 71.6% من المرات. كانت أسرع بكثير من التقويم؛ لدرجة أنها أنهت المهمة في 3% فقط من الوقت الذي استغرقه التقويم!
الكرة البلورية (الكيوتريت): كانت هي الفائزة. أصابت الإجابة الصحيحة بنسبة 73.5%. لكن السحر الحقيقي لم يكن في الدقة فحسب؛ بل في السرعة أيضاً. فقد كانت أسرع من "الكيوبت" بنسبة 35-40%.

لماذا أداة "الحالة الثلاثية" (الكيوتريت) أفضل؟

لفهم سبب فوز نموذج "الكيوتريت"، دعونا نستخدم تشبيه قطع الليغو (Lego):

البتات الكلاسيكية (التقويم): تخيل أنك تبني منزلاً باستخدام قطع ليغو حمراء وزرقاء فقط. يمكنك صنع أشياء كثيرة، لكنك محدود بهذين اللونين فقط.
الكيوبتات (كرة ماجيك 8-بول): تخيل أن لديك قطعاً حمراء وزرقاء، ولكن يمكنك أيضاً تدويرها بحيث تبدو كأنها مزيج ضبابي من اللونين معاً. هذا قوي، لكنك لا تزال تعمل مع لونين أساسيين فقط.
الكيوتريتات (الكرة البلورية): الآن، تخيل أن لديك قطعاً حمراء، وزرقاء، وَخضراء. ليس فقط يمكنك تدويرها، بل لديك لون ثالث كامل للعمل به.

لأن سوق الأسهم معقد وفوضوي، فإن وجود هذا الخيار الثالث (الأخضر) يسمح لنموذج "الكيوتريت" بتمثيل البيانات بشكل طبيعي أكثر. فهو لا يضطر لإجبار اتجاه السوق المعقد داخل صندوق بسيط من "نعم/لا" أو "أحمر/أزرق". يمكنه احتواء معلومات أكثر في مساحة أقل، وهذا هو السبب في أنه يتعلم بشكل أسرع ويقدم تنبؤات أفضل.

التأثير في العالم الحقيقي

لماذا يهم هذا الأمر؟
سوق الأسهم يشبه سيارة سباق تسير بسرعة 200 ميل في الساعة. إذا استغرق نظام الملاحة الخاص بك (الذكاء الاصطناعي) وقتاً طويلاً لحساب المنعطف التالي، فستصطدم.

الحاجة للوقت الفعلي: يحتاج المتداولون إلى إجابات فوراً. نموذج "الكيوتريت" يشبه نظام ملاحة يحسب المسار بشكل فوري تقريباً، مما يمنحه ميزة كبيرة على النماذج الكلاسيكية الأبطأ.
إدارة المخاطر: أظهرت الدراسة أن نموذج "الكيوتريت" لم يكتفِ فقط بتخمين الإجابة الصحيحة بشكل متكرر، بل أدار المخاطر بشكل أفضل أيضاً (مقاسة بشيء يسمى "نسبة شارب" - Sharpe Ratio). لقد كان أكثر اتساقاً، مثل سائق لا يقود بسرعة فحسب، بل يقود بسلاسة.

العقبة (لكن...)

هناك عقبة صغيرة. في الوقت الحالي، لا نملك "كرات بلورية" (حواسيب كيوتريت) موضوعة على المكاتب بعد.

استخدم الباحثون محاكاة (برامج حاسوبية قوية جداً تتظاهر بأنها حواسيب كمية) للحصول على هذه النتائج.
بناء أجهزة "كيوتريت" حقيقية أمر صعب لأنها حساسة جداً للضجيج (مثل محاولة موازنة لعبة "البلبل" الدوارة على طريق وعر).

الخلاصة

هذه الورقة البحثية هي بمثابة "إثبات مفهوم". وهي تقول: "إذا تمكنا من بناء حواسيب كمية ذات ثلاث حالات، فستكون هي الأدوات المثالية للتمويل."

إنها أسرع، وأكثر دقة، وأكثر كفاءة من أفضل تقنياتنا الحالية. وبينما لا نزال ننتظر اللحاق بالركب من حيث الأجهزة، إلا أن الرياضيات تظهر أن مستقبل التنبؤ بالأسهم (والعديد من المشكلات المعقدة الأخرى مثل الطقس أو الطب) ينتمي إلى الكيوتريت.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "الشبكات العصبية المستوحاة من الكيوبتات والكيوتريتات الكمومية للتنبؤ المالي في الوقت الفعلي" للباحثين كانيشك باکشي وكاتهيرفان سرينيفاسان.

1. بيان المشكلة

تعالج الورقة البحثية القيود التي تواجهها نماذج التعلم الآلي الكلاسيكية في التعامل مع التقلبات العالية، واللاخطية، ومتطلبات المعالجة في الوقت الفعلي للتنبؤ المالي (تحديداً التنبؤ بسوق الأسهم). وبينما تُستخدم الشبكات العصبية الاصطناعية (ANNs) الكلاسيكية على نطاق واسع، إلا أنها غالباً ما تعاني من كفاءة الحوسبة والقدرة على التقاط الارتباطات المعقدة وعالية الرتب في البيانات. علاوة على ذلك، بينما أظهرت الشبكات العصبية القائمة على الكيوبتات الكمومية (QQBNs) نتائج واعدة، فإن إمكانات الشبكات العصبية القائمة على الكيوتريتات الكمومية (QQTNs) — التي تستخدم أنظمة كمومية ثلاثية المستويات ( $|0\rangle, |1\rangle, |2\rangle$ ) بدلاً من الأنظمة الثنائية للكيوبتات — لا تزال غير مستكشفة إلى حد كبير في التطبيقات المالية العملية. تهدف الدراسة إلى سد هذه الفجوة من خلال المقارنة التجريبية بين النماذج الكلاسيكية، والنماذج القائمة على الكيوبت، والنماذج القائمة على الكيوتريت لتحديد ما إذا كان الفضاء الحالاتي الموسع للكيوتريتات يوفر دقة وسرعة فائقتين.

2. المنهجية

تستخدم الدراسة إطاراً تجريبياً مقارناً باستخدام بيانات تاريخية لسوق الأسهم (مؤشر NIFTY 50، الهند) تمتد لـ 10 سنوات.

إعداد البيانات

مجموعة البيانات: بيانات تاريخية تشمل أسعار الافتتاح، والأعلى، والأدنى، والإغلاق، وحجم التداول.
المدخلات/المخرجات: متجه مدخلات خماسي الأبعاد ( $x \in \mathbb{R}^5$ ) مُطبع في النطاق $[0,1]$ . المخرج هو تسمية ثنائية ( $y \in \{0, 1\}$ ) تتنبأ بما إذا كان سعر الإغلاق في اليوم التالي سيرتفع أم سينخفض.
التقسيم: 80% للتدريب، 20% للاختبار.

بنيات النماذج

الشبكة العصبية الاصطناعية الكلاسيكية (Classical ANN):
- الهيكل: 3 طبقات متصلة بالكامل (128، 64، 32 عصبوناً).
- دالة التنشيط: ReLU (للطبقات الخفية)، Softmax (للمخرج).
- التحسين: مُحسّن Adam، دالة خسارة Binary Cross-Entropy/MSE.
- العتاد: وحدة معالجة رسومات NVIDIA RTX 3090.
الشبكة العصبية القائمة على الكيوبت الكمومي (QQBN):
- الترميز: ترميز السعة (Amplitude encoding) حيث يتم حشو المدخلات إلى 8 أبعاد لنظام مكون من 3 كيوبتات.
- الدائرة: دائرة كمومية متغيرة (VQC) مكونة من 3 طبقات باستخدام بوابات $R_X, R_Z$ مُعلمة وبوابات CNOT للتشابك.
- المحاكاة: Qiskit 1.10 و PennyLane على محاكي IBM Quantum Cloud Aer.
- الخسارة: دالة خسارة قائمة على التماثل (Fidelity-based loss) ( $L = 1 - |\langle \psi_{target} | \psi_{output} \rangle|^2$ ).
الشبكة العصبية القائمة على الكيوتريت الكمومي (QQTN):
- الترميز: استراتيجية ترميز طور هجينة تقوم برسم خرائط المدخلات إلى طور بوابات دوران الكيوتريت المعممة.
- الدائرة: بنية مكونة من 3 طبقات تستخدم بوابات كمومية ثلاثية المستويات (مثل $R_z(\theta)$ المعرفة للأنظمة ثلاثية المستويات).
- المحاكاة: محاكي QuTiP 4.7.3 مخصص مع تكامل PennyLane.
- الميزة: تستفيد من فضاء الحالة $d=3$ لتقليل عمق الدائرة وزيادة كثافة المعلومات.

مقاييس التقييم

الأداء: الدقة (Accuracy)، الدقة المحددة (Precision)، الاستدعاء (Recall)، مقياس F1-Score.
المقاييس المالية: نسبة شارب (Sharpe Ratio) (العوائد المعدلة حسب المخاطر) ومعامل المعلومات (Information Coefficient) (اتساق التنبؤ).
الكفاءة: وقت التدريب والخطوات الحسابية (عدد العمليات).

3. المساهمات الرئيسية

التحقق التجريبي من الكيوتريتات: تعد هذه الدراسة من أوائل الدراسات التي تثبت تجريبياً تفوق الشبكات العصبية القائمة على الكيوتريت على كل من النماذج الكلاسيكية والكيوبت في سياق التنبؤ المالي.
معايرة الكفاءة: تثبت الدراسة أن نماذج QQTN تتطلب خطوات حسابية أقل بكثير من نماذج QQBN وANNs، مما يوفر مساراً للمعالجة في الوقت الفعلي.
تصميم البنية الهجينة: تفصل الورقة تقنيات الترميز المحددة (السعة للكيوبتات، والطور للكيوتريتات) وتصاميم الدوائر المصممة خصيصاً للأنظمة الكمومية ثلاثية المستويات.
المقارنة الشاملة: تقدم الورقة تحليلاً صارماً جنباً إلى جنب لثلاثة نماذج مختلفة (كلاسيكي، كيوبت، كيوتريت) تحت ظروف البيانات والمعلمات الفائقة نفسها.

4. النتائج الرئيسية

أسفرت الدراسة عن النتائج الكمية والنوعية التالية:

الدقة: تجاوزت جميع النماذج دقة 70%، ولكن حققت QQTN النسبة الأعلى (73.5%)، تليها QQBN (71.6%)، ثم الشبكة العصبية الكلاسيكية (69.2%).
كفاءة التدريب:
- قللت QQBN خطوات التدريب إلى 3.2% من الوقت الذي استغرقته الشبكة الكلاسيكية (انخفاض بنسبة 96.8%).
- حققت QQTN تحسناً إضافياً في الكفاءة، حيث كانت أسرع بنسبة 35-40% من QQBN.
- من حيث الخطوات الحسابية، أكملت QQTN المهام في حوالي 60-65% من الوقت الذي استغرقته QQBN.
الأداء المالي: أظهرت QQTN عوائد متفوقة معدلة حسب المخاطر (نسبة شارب أعلى) واتساقاً أكبر في جودة التنبؤ (معامل معلومات أعلى) مقارنة بالنماذج الأخرى.
القابلية للتوسع: تشير النتائج إلى أن كثافة المعلومات العالية للكيوتريتات تسمح بحسابات أكثر تعقيداً بعمق دوائر أقل، مما يخفف من بعض المشكلات المتعلقة بفقدان الترابط (decoherence) والضجيج في المحاكاة القريبة.

5. الأهمية والآثار المستقبلية

التطبيقات المالية في الوقت الفعلي: إن الاختزال الكبير في وقت التدريب والخطوات الحسابية يجعل QQTNs مناسبة بشكل خاص للتداول عالي التردد وتحليل السوق في الوقت الفعلي حيث تكون زمن الاستجابة (latency) أمراً حرجاً.
ما وراء التمويل: يرى المؤلفون أن التمثيل المعزز للبيانات والكفاءة التي توفرها الكيوتريتات يمكن أن تغير مجالات أخرى كثيفة البيانات، بما في ذلك تشخيصات الرعاية الصحية، ونمذجة المناخ، وكشف الشذوذ في الأمن السيبراني.
قيود العتاد والعمل المستقبلي: تقر الدراسة بأن العتاد الكمومي الحالي يعتمد في الغالب على الكيوبتات، وأن أنظمة الكيوتريت لا تزال في مراحلها الناشئة وعرضة للضجيج. توجهات البحث المستقبلية تشمل:
- تطوير طرق تصحيح أخطاء خاصة بالكيوتريتات.
- الاختبار على عتاد كمومي فيزيائي بدلاً من المحاكيات.
- توسيع البنية لتشمل الشبكات العصبية التلافيفية (QCNN) والشبكات العصبية المتكررة (QRNN) الكمومية.
- التكامل مع أطر الحوسبة الكمومية الموزعة وشبكات الإنترنت الكمومي.

الخلاصة:
تخلص الورقة إلى أن الشبكات العصبية القائمة على الكيوتريت الكمومي تمثل خطوة تحولية في الذكاء الاصطناعي الكمومي. ومن خلال الاستفيد من فضاء الحالة ثلاثي المستويات، توفر QQTNs توازناً متفوقاً بين الدقة، والقدرة على التكيف، وسرعة الحوسبة مقارنة بالنماذج الكلاسيكية والثنائية، مما يمهد الطريق لدمجها في التطبيقات الواقعية كثيفة الحوسبة.