← أحدث الأبحاث
⚛️ الفيزياء الكمومية

Quantum Recurrent Architectures for Financial Time Series Prediction

تجد هذه الدراسة أن البنيات المتكررة الهجينة بين الكمي والكلاسيكي، وتحديداً الذاكرة الطويلة قصيرة المدى الكمية (Quantum LSTM) والحوسبة الخزانية الكمية (Quantum Reservoir Computing)، لا تقدم أي ميزة في الدقة أو كفاءة المعلمات مقارنة بنظيراتها الكلاسيكية أو المعايير القياسية في مهمة التنبؤ بالسلاسل الزمنية المالية منخفضة الأبعاد.

المؤلف الأصلي: Danyal Maheshwari, Gerhard Hellstern, Martin Zaefferer, Martin Braun, Tanja Döhler

نُشر 2026-11-13
📖 3 دقيقة قراءة🧠 قراءة متعمّقة

المؤلف الأصلي: Danyal Maheshwari, Gerhard Hellstern, Martin Zaefferer, Martin Braun, Tanja Döhler

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

إن التنبؤ بمستقبل المال هو أحد أصعب الألغاز في العلم. فإيرادات الأعمال لا تتحرك في خطوط مستقيمة؛ بل ترتفع وتنخفض مع المواسم، وتتغير فجأة عند تغير السوق، وغالباً ما تتصرف بطرق تبدو عشوائية. لعقود من الزمن، استخدم الإحصائيون قواعد بسيطة لتخمين ما سيحدث لاحقاً، بينما بنى علماء الحاسوب شبكات معقدة تشبه أدمغة البشر لإيجاد أنماط خفية في الفوضى. ومؤخراً، دخلت أداة جديدة إلى الساحة: الحوسبة الكمومية. تستخدم هذه الآلات قوانين الفيزياء الغريبة التي تحكم الذرات لمعالجة المعلومات بطرق لا تستطيع الحواسيب التقليدية القيام بها. وكان الأمل يكمن في أنه من خلال مزج هذه الأدوات الكمومية مع شبكات الحاسوب القياسية، قد نتمكن من التنبؤ بالاتجاهات المالية بموارد أقل بكثير، محققين نفس الدقة بجهد أقل بكثير.

وضع فريق من الباحثين في ألمانيا نصب أعينهم اختبار هذا الوعد في مشكلة محددة للغاية: التنبؤ بالإيرادات الشهرية. لم يستخدموا بيانات حقيقية من سوق الأسهم، لأنها فوضوية ومليئة بالضجيج الخارجي. بدلاً من ذلك، أنشأوا تاريخاً اصطناعياً واقعياً للغاية لمبيعات منتج واحد، ممتداً على مدار ما يقرب من مائة عام من البيانات الشهرية. سمح هذا الخط الزمني الطويل لهم بتدريب نماذجهم ثم اختبارها على مستقبل لم تره النماذج من قبل. وقارنوا بين نهجين كموميين جديدين مقابل أفضل نماذج الحاسوب القياسية المتاحة اليوم. كان أحد النهجين هو شبكة "الذاكرة الطويلة قصيرة المدى الكمومية" (Quantum Long Short-Term Memory)، وهو تصميم يستبدل الرياضيات القياسية داخل خلايا ذاكرة الحاسوب بدارات كمومية صغيرة قابلة للتعديل. أما النهج الآخر فهو "الحوسبة الخزانية الكمومية" (Quantum Reservoir Computing)، والتي تستخدم نظاماً كمومياً ثابتاً وعشوائياً لتوليد سمات معقدة من البيانات، تاركةً فقط خطوة نهائية بسيطة ليتم تدريبها.

كانت النتائج واضحة، وبالنسبة للمتطلعين إلى ثورة كمومية في التمويل، كانت مخيبة للآمال نوعاً ما. وجد الباحثون أن النموذج الكمومي لم يقدم أي ميزة في الدقة أو الكفاءة. فالشبكة الكمومية، التي استخدمت حوالي 2,100 إعداد قابل للتعديل فقط، قدمت أداءً مساوياً تماماً لشبكة حاسوب قياسية أكبر منها بـ 126 مرة. ومع ذلك، فقد قدمت أيضاً أداءً مطابقاً تماماً لشبكة حاسوب قياسية أصغر بكثير تم بناؤها لتطابق حجم وهيكل النموذج الكمومي. أثبت هذا أن نجاح النموذج الصغير جاء من تصميمه، وليس من الفيزياء الكمومية بداخله. المكون الكمومي نفسه لم يساهم بأي فائدة ملموسة. في الواقع، كان النهج الكمومي الثاني، وهو "الخزان"، أداؤه أسوأ من نظيره الحاسوبي القياسي في كل جولة اختبار، حيث فشل في التغلب حتى على أبسط المعايير الإحصائية.

كما درست الدراسة كيفية سلوك هذه النماذج بمرور الوقت. فعندما طلب الباحثون من النماذج النظر إلى 24 شهراً في المستقبل، حافظت الشبكات الحاسوبية القياسية على استقرارها بشكل أفضل من النسخ الكمومية. فالميل في النماذج الكمومية كان نحو الابتعاد عن الاتجاهات الفعلية بسرعة أكبر كلما طال أفق التنبؤ. وبينما تمكنت جميع النماذج القائمة على الحاسوب من التحسن قليلاً عن التوقعات الإحصائية الأساسية، لم تكن النسخ الكمومية هي الرائدة. وفي هذا الإطار منخفض الأبعاد، حيث كانت البيانات بسيطة نسبياً والنماذج صغيرة، لم توفر الآلات المعقدة للحوسبة الكمومية الطريق المختصر الذي كان يأمله الباحثون. وتخلص الدراسة إلى أنه بالنسبة لهذا النوع من التنبؤ المالي، لم تجعل الدارات الكمومية النماذج أكثر ذكاءً أو كفاءة؛ بل أضافت تعقيداً دون تغيير النتيجة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →