Towards Quantum Decision Intelligence: A Four-Qubit Architecture for Venture Capital's Non-Linear Dilemmas on a 156-Qubit IBM Heron Processor
Diese Arbeit präsentiert HQDIS, einen vier-Qubit-variationalen Quantenschaltkreis, der auf IBMs 156-Qubit-Heron-Prozessor für das Venture-Capital-Screening getestet wurde, welcher eine hohe Hardware-Simulations-Fideltät und eine mit klassischen Modellen vergleichbare Leistung auf einem kleinen synthetischen Benchmark aufweist, wenngleich er von klassischen Algorithmen auf einem zweiten synthetischen Datensatz übertroffen wird, was die derzeitigen Einschränkungen des Quantenvorteils in diesem Bereich verdeutlicht.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Geld mit neuer Technologie zu verdienen, gehört zu den schwierigsten Aufgaben in der Geschäftswelt. Wenn Investoren ein Startup betrachten, das eine brillante Idee, aber keine Verkäufe und keine Historie hat, können sie nicht die Standardmathematik anwenden, die für etablierte Unternehmen funktioniert. Es gibt keine vergangenen Gewinne, die man berechnen könnte, und der Markt existiert möglicherweise noch gar nicht. Stattdessen müssen sich Investoren auf ein Bauchgefühl bezüglich immaterieller Dinge verlassen: Ist das Team ehrlich? Ist die Technologie echt? Kann die Gründerin Kritik vertragen? Diese Entscheidungen beinhalten oft komplexe Abwägungen, bei denen ein großartiges Team ein riskantes Produkt ausgleichen kann oder ein unehrlicher Gründer eine perfekte Idee sofort vernichten kann. Seit Jahrzehnten versuchen Forscher, Computermodelle zu entwickeln, um dabei zu helfen, doch herkömmliche Computer haben Schwierigkeiten, diese komplexen, nicht-linearen menschlichen Urteile zu erfassen, ohne verwirrt zu werden oder einfache Fehler zu machen.
Eine neue Studie untersucht, ob eine andere Art von Computer, der die seltsamen Regeln der Quantenphysik nutzt, diese kniffligen Entscheidungen besser bewältigen kann. Quantencomputer berechnen Zahlen nicht nur in einer geraden Linie; sie können viele Möglichkeiten gleichzeitig halten und sie so interagieren lassen, dass sie die Art und Weise nachahmen, wie menschliche Geister widersprüchliche Faktoren abwägen. Die Forscher entwickelten ein kleines, spezialisiertes Modell, um zu sehen, ob dieser Ansatz in der realen Welt funktionieren könnte. Sie testeten es nicht an einer massiven Datenbank echter Unternehmen, da solche Daten oft geheim oder zu ungeordnet sind, um sie zu verwenden. Stattdessen erstellten sie einen sorgfältig gestalteten Satz von 45 fiktiven Investitionsszenarien, die die schwierigen Entscheidungen, wie sie in Jahrzehnten der Business-Forschung beschrieben wurden, perfekt repräsentierten. Sie ließen dann ihr Quantenmodell gegen diese Szenarien laufen und verglichen die Ergebnisse mit den besten heute verfügbaren Standard-Computerprogrammen.
Das Team unter der Leitung von Enrique Díaz de León López vom Tecnológico de Monterrey entwarf ein System namens HQDIS. Es ist ein sehr kleiner Quantenschaltkreis, der nur vier Quantenbits oder Qubits verwendet, um die vier Hauptfaktoren darzustellen, die ein Investor berücksichtigt: die Reife der Technologie, die Glaubwürdigkeit des Gründers, den Marktfit und frühe Anzeichen von Erfolg. Die Forscher mussten sehr vorsichtig bei der Programmierung der Maschine sein. In frühen Tests stellten sie fest, dass das Quantenmodell manchmal das Ergebnis umkehrte und eine Absage für eine großartige Idee erteilte, wenn ein Startup auf dem Papier perfekt aussah. Sie entdeckten einen spezifischen mathematischen Fehler, der dies verursachte, und behoben ihn durch eine Anpassung der Art und Weise, wie die Informationen in die Maschine flossen, um sicherzustellen, dass bessere Bewertungen stets zu besseren Chancen auf eine Finanzierung führten.
Nachdem das Modell kalibriert worden war, unterzog die Gruppe es einem Test. Sie ließen die 45 Szenarien durch das Quantensystem laufen und verglichen seine Entscheidungen mit denen von drei Standard-Computermethoden: einem einfachen linearen Rechner, einem Random Forest aus Entscheidungsbäumen und einem Gradient Boosting Algorithmus. Das Quantenmodell schnitt bemerkenswert gut ab und traf die richtige Entscheidung etwa 80 % der Zeit. Dies war statistisch nicht von der Leistung der komplexen baumbasierten Programme zu unterscheiden, die dafür bekannt sind, sehr gut darin zu sein, Muster zu erkennen. Interessanterweise erzielte ein einfacherer linearer Rechner in diesem speziellen Test sogar etwas höhere Werte, obwohl der Unterschied nicht groß genug war, um sicher zu sagen, dass er besser sei. Die wichtigste Erkenntnis war, dass das winzige Quantenmodell die Leistung viel größerer, komplexerer Systeme erreichen konnte, und das mit nur einer Handvoll anpassbarer Einstellungen.
Um zu beweisen, dass dies nicht nur eine Simulation war, nahm das Team sein Modell mit auf einen echten Quantencomputer. Sie verwendeten einen 156-Qubit-Prozessor von IBM, eine leistungsstarke Maschine, die heute in einem Labor existiert. Sie schickten alle 45 Fälle an die physische Hardware und beobachteten, wie die Maschine mit dem Rauschen und den Interferenzen umging, die natürlich in echten Quantengeräten vorkommen. Die Ergebnisse waren beeindruckend. Die physische Maschine traf in 93 % der Fälle die richtige Entscheidung und ihre Entscheidungen stimmten in 98 % der Fälle mit der perfekten Simulation überein. Dies zeigte, dass das Modell robust genug war, um die unvollkommenen Bedingungen eines echten Quantenprozessors zu überstehen. Die Forscher demonstrierten auch, dass das System geprüft werden konnte. Sie konnten einen einzelnen Grenzfall nehmen und langsam einen Faktor, wie etwa die Erfahrung des Gründers, verändern, um genau zu sehen, an welchem Punkt die Entscheidung von „Ablehnung“ zu „Finanzierung“ kippte. Dieses Maß an Transparenz ist etwas, das viele moderne KI-Systeme nicht bieten können.
Jedoch offenbarte die Studie auch die Grenzen dieser Technologie. Die Forscher erstellten einen zweiten Satz von 500 fiktiven Fällen, die speziell darauf ausgelegt waren, extrem schwierig und nicht-linear zu sein – die Art von Problem, bei der Quantencomputer glänzen sollen. In diesem härteren Test gewann das Quantenmodell nicht. Es wurde signifikant von dem standardmäßigen baumbasierten Computerprogramm übertroffen, und es konnte auch den einfachen linearen Rechner nicht schlagen. Das Quantenmodell zeigte einen leichten, wenn auch statistisch nicht bewiesenen Vorteil bei der Rangfolge der besten Gelegenheiten, aber es traf nicht mehr korrekte Entscheidungen als die klassischen Methoden. Dies deutet darauf hin, dass der Quantenansatz zwar lebensfähig ist und bei bestimmten Arten von Problemen mit der aktuellen Technologie mithalten kann, aber noch keinen klaren Vorteil gefunden hat, bei dem er die besten traditionellen Werkzeuge schlägt.
Der Wert dieser Arbeit liegt weniger in einem plötzlichen Durchbruch in der Vorhersagekraft als vielmehr in dem, was sie heute für möglich hält. Die Forscher zeigten, dass ein Quantenentscheidungssystem gebaut, auf spezifische Fehler abgestimmt und mit hoher Genauigkeit auf realer Hardware betrieben werden kann. Sie zeigten auch, dass diese Systeme einen klaren, prüfbaren Pfad bieten können, wie eine Entscheidung zustande kam, was für Investoren, die ihre Entscheidungen vor Vorständen und Regulierungsbehörden erklären müssen, entscheidend ist. Die Studie kommt zu dem Schluss, dass Quanten-Entscheidungsintelligenz noch kein Allheilmittel ist, das alle Investitionsdilemmata löst, aber ein funktionales Werkzeug, das bereit für die nächste Entwicklungsstufe ist. Sie bietet eine neue Art, über komplexe Entscheidungen nachzudenken – eine Art, die die chaotische, nicht-lineare Natur menschlichen Urteilsvermögens respektiert und gleichzeitig auf der fortschrittlichsten verfügbaren Hardware läuft.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.