💻 computer science

Towards Quantum Decision Intelligence: A Four-Qubit Architecture for Venture Capital's Non-Linear Dilemmas on a 156-Qubit IBM Heron Processor

Cet article présente HQDIS, un circuit quantique variationnel à quatre qubits testé sur le processeur Heron de 156 qubits d'IBM pour la sélection de capital-risque, qui démontre une haute fidélité matériel-simulation et des performances comparables aux modèles classiques sur un petit banc d'essai synthétique, bien qu'il soit surpassé par les algorithmes classiques sur un second ensemble de données synthétiques, soulignant les limites actuelles de l'avantage quantique dans ce domaine.

Auteurs originaux : Enrique Díaz de León López

Publié 2026-09-21

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Enrique Díaz de León López

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Gagner de l'argent avec de nouvelles technologies est l'une des tâches les plus difficiles du monde des affaires. Lorsque les investisseurs examinent une startup qui possède une idée brillante mais aucune vente et aucun historique, ils ne peuvent pas utiliser les calculs standards qui fonctionnent pour les entreprises établies. Il n'y a pas de profits passés à calculer, et le marché pourrait même ne pas encore exister. Au lieu de cela, les investisseurs doivent se fier à leur intuition concernant des éléments intangibles : l'équipe est-elle honnête ? La technologie est-elle réelle ? Les fondateurs peuvent-ils accepter la critique ? Ces décisions impliquent souvent des compromis complexes où une excellente équipe peut compenser un produit risqué, ou un fondateur malhonnête peut anéantir instantement une idée parfaite. Depuis des décennies, des chercheurs tentent de construire des modèles informatiques pour aider à cela, mais les ordinateurs classiques peinent à capturer ces jugements humains désordonnés et non linéaires sans s'embrouiller ou commettre des erreurs simples.

Une nouvelle étude explore si un autre type d'ordinateur, utilisant les règles étranges de la physique quantique, pourrait mieux gérer ces décisions délicates. Les ordinateurs quantiques ne se contentent pas de calculer des nombres de manière linéaire ; ils peuvent maintenir de nombreuses possibilités simultanément et les laisser interagir de manières qui imitent la façon dont l'esprit humain pèse des facteurs contradictoires. Les chercheurs ont construit un petit modèle spécialisé pour voir si cette approche pourrait fonctionner dans le monde réel. Ils n'ont pas testé le modèle sur une base de données massive de vraies entreprises, car ces données sont souvent secrètes ou trop désordonnées pour être utilisées. Au lieu de cela, ils ont créé un ensemble soigneusement élaboré de 45 scénarios d'investissement fictifs qui représentaient parfaitement les choix difficiles décrits par des décennies de recherche en gestion. Ils ont ensuite fait passer leur modèle quantique à travers ces scénarios et ont comparé les résultats aux meilleurs programmes informatiques standards disponibles aujourd'hui.

L'équipe, dirigée par Enrique Díaz de León López du Tecnológico de Monterrey, a conçu un système appelé HQDIS. Il s'agit d'un circuit quantique très petit, utilisant seulement quatre bits quantiques, ou qubits, pour représenter les quatre principaux facteurs qu'un investisseur considère : la maturité de la technologie, la crédibilité du fondateur, l'adéquation au marché et les premiers signes de succès. Les chercheurs ont dû être très prudents dans la programmation de la machine. Lors des premiers tests, ils ont constaté que lorsqu'une startup semblait parfaite sur le papier, le calcul quantique inversait parfois le résultat, leur disant de rejeter une excellente idée. Ils ont découvert un bug mathématique spécifique qui causait cela et l'ont corrigé en ajustant la manière dont l'information entrait dans la machine, garantissant que de meilleurs scores mènent toujours à de meilleures chances de financement.

Une fois le modèle calibré, les chercheurs l'ont mis à l'épreuve. Ils ont fait passer les 45 scénarios à travers le système quantique et ont comparé ses décisions à celles de trois méthodes informatiques standards : un simple calculateur linéaire, une forêt aléatoire d'arbres de décision et un algorithme de boosting de gradient. Le modèle quantique a obtenu des performances remarquables, trouvant la bonne réponse environ 80 % du temps. Ce résultat était statistiquement indiscernable de la performance des programmes complexes basés sur les arbres, qui sont connus pour être très bons pour détecter des schémas. Curieusement, un simple calculateur linéaire a obtenu un score légèrement supérieur dans ce test spécifique, bien que la différence ne soit pas assez importante pour affirmer qu'il était meilleur. La découverte clé était que le minuscule modèle quantique pouvait égaler la performance de systèmes beaucoup plus larges et complexes en n'utilisant qu'une poignée de paramètres réglables.

Pour prouver qu'il ne s'agissait pas seulement d'une simulation, l'équipe a soumis son modèle à un véritable ordinateur quantique. Ils ont utilisé un processeur de 156 qubits d'IBM, une machine puissante qui existe aujourd'hui dans un laboratoire. Ils ont envoyé les 45 cas au matériel physique et ont observé comment la machine gérait le bruit et les interférences qui surviennent naturellement dans les dispositifs quantiques réels. Les résultats étaient frappants. La machine physique a pris la bonne décision dans 93 % des cas, et ses choix correspondaient à la simulation parfaite dans 98 % des cas. Cela a montré que le modèle était suffisamment robuste pour survivre aux conditions imparfaites d'un processeur quantique réel. Les chercheurs ont également démontré que le système pouvait être audité. Ils pouvaient prendre un seul cas limite et modifier lentement un facteur, comme l'expérience du fondateur, pour voir exactement où la décision basculait de « rejet » à « financement ». Ce niveau de transparence est une chose que de nombreux systèmes d'intelligence artificielle modernes ne peuvent pas fournir.

Cependant, l'étude a également révélé les limites de cette technologie. Les chercheurs ont créé un second ensemble de 500 cas fictifs conçus spécifiquement pour être extrêmement difficiles et non linéaires, le genre de problème où les ordinateurs quantiques sont censés exceller. Dans ce test plus difficile, le modèle quantique n'a pas gagné. Il a été nettement surpassé par le programme informatique standard basé sur les arbres, et il n'a pas battu le simple calculateur linéaire non plus. Le modèle quantique a montré un léger avantage, bien que non prouvé statistiquement, pour classer les meilleures opportunités, mais il n'a pas pris plus de décisions correctes que les méthodes classiques. Cela suggère que, bien que l'approche quantique soit viable et puisse égaler la technologie actuelle sur certains types de problèmes, elle n'a pas encore trouvé d'avantage clair où elle bat les meilleurs outils traditionnels.

La valeur de ce travail réside moins dans une percée soudaine de prédiction que dans ce qu'il prouve être possible aujourd'hui. Les chercheurs ont montré qu'un système de décision quantique peut être construit, réglé pour éviter des erreurs spécifiques et exécuté sur du matériel réel avec une grande précision. Ils ont également montré que ces systèmes peuvent offrir une piste claire et auditable de la manière dont une décision a été prise, ce qui est crucial pour les investisseurs qui doivent expliquer leurs choix à des conseils d'administration et des régulateurs. L'étude conclut que, bien que l'intelligence décisionnelle quantique ne soit pas encore une solution miracle pour résoudre tous les dilemmes d'investissement, c'est un outil fonctionnel prêt pour la prochaine étape de développement. Elle offre une nouvelle façon de penser les choix complexes, une façon qui respecte la nature désordonnée et non linéaire du jugement humain tout en utilisant le matériel le plus avancé disponible.

Résumé technique : Vers l'Intelligence Décisionnelle Quantique (HQDIS)

Énoncé du problème
Le filtrage de capital-risque en phase d'amorçage implique de naviguer dans des compromis compensatoires non linéaires que les modèles de notation linéaires traditionnels ne parviennent pas à capturer. Aux stades de l'amorçage (seed) et du pré-revenu, les investisseurs sont confrontés à une « incertitude knightienne » où les décisions reposent sur des actifs intangibles (ex. : ténacité de l'équipe, coachabilité) plutôt que sur des flux de trésorerie historiques. L'article identifie trois limitations structurelles dans les systèmes d'aide à la décision (SAD) actuels :

Rareté des échantillons : Les dossiers de capital-risque de haute qualité sont rares, ce qui entraîne un surapprentissage (overfitting) dans les réseaux de neurones profonds.
Échec de la modélisation : Les modèles standards supposent une utilité additive, échouant à capturer l'interférence cognitive de type « quantique » où les dimensions d'évaluation interagissent de manière non commutative (ex. : une équipe solide compensant un risque technique élevé, ou une équipe défaillante invalidant un bon marché).
Déficit de gouvernance : Les modèles d'apprentissage profond manquent d'interprétabilité géométrique, ce qui les rend inadaptés à l'auditabilité institutionnelle.

Méthodologie
L'auteur propose le HQDIS (Hybrid Quantum Decision Intelligence System), un circuit quantique variationnel (VQC) parcimonieux de 4 qubits conçu pour modéliser ces dilemmes non linéaires.

Architecture des données : L'étude utilise le Benchmark A, un ensemble de données synthétiques de $N=45$ cas. L'auteur précise explicitement qu'il ne s'agit pas d'un enregistrement historique numérisé, mais d'une construction motivée par la littérature basée sur les conclusions qualitatives de Bachher, Diaz De Leon et Guild (1999) et Diaz De Leon et Guild (2003). Les données projettent quatre construits décisionnels (Préparation technologique, Crédibilité du fondateur, Adéquation stratégique au marché, Traction précoce) sur un registre de 4 qubits.
Formulation mathématique :
- Carte de caractéristiques (Feature Map) : L'auteur introduit un Protocole d'Échelle Angulaire Monotone ( $\pi/4$ ) pour la carte de caractéristiques d'entrée. Cela résout mathématiquement un mode de défaillance d'« aliasing par inversion de phase » où des entrées à score élevé (proches de $x_k=1$ ) déclencheraient autrement un déphasage destructif de $\pi$ , provoquant le rejet catastrophique de propositions excellentes.
- Ansatz : Le circuit se compose de 13 paramètres entraînables (12 angles de rotation + 1 biais classique). Il emploie une structure à 3 couches avec des rotations $R_y$ et des portes d'intrication $CZ$ (linéaires et circulaires) pour projeter les entrées dans un espace de Hilbert de haute dimension.
- Optimisation : Les paramètres sont optimisés à l'aide de l'algorithme sans dérivée COBYLA avec une fonction de perte à marge lissée.
Protocole de validation :
- Fiabilité statistique : Évaluée via une validation croisée stratifiée de 5 plis répétée (100 passages) et une validation croisée « Leave-One-Out » (LOOCV) contre la régression logistique, la forêt aléatoire (Random Forest) et le boosting de gradient (Gradient Boosting).
- Ablation : Des variantes du circuit ont été testées pour isoler la contribution de l'intrication de la carte de caractéristiques par rapport à celle de l'ansatz.
- Exécution matérielle : Le modèle calibré a été déployé sur le processeur IBM Heron de 156 qubits (ibm_fez) utilisant les primitives Qiskit Runtime V2 avec extrapolation d'erreur de lecture tourbillonnante (TREX).
- Test de résistance (Stress Test) : Un second benchmark synthétique (Benchmark B) a été construit avec des règles génératrices non linéaires explicites (seuils disjonctifs) pour tester la capacité du modèle par rapport aux bases linéaires.

Résultats clés

Performance sur le Benchmark A : HQDIS a atteint une précision de 80,33 % (±2,72 % IC 95 %). Ce résultat est statistiquement indiscernable de la forêt aléatoire (83,00 %) et du boosting de gradient (82,78 %) ( $p > 0,7$ ). La régression logistique a obtenu un score nominalement plus élevé de 91,56 %, mais la différence n'était pas statistiquement significative ( $p=0,133$ ), probablement en raison d'une faible puissance statistique à $N=45$ .
Résultats d'ablation : Le retrait de l'intrication de l'ansatz a entraîné une baisse nominale de précision de 7 points (73,44 % contre 80,33 %) avec un effet de taille moyenne ( $d \approx 0,51$ ), mais cette différence n'était pas statistiquement significative ( $p \approx 0,32$ ). Le retrait de l'intrication de la carte de caractéristiques n'a eu aucun impact négatif sur la précision, bien que le protocole d'échelle monotone soit resté essentiel pour prévenir les erreurs d'inversion de phase.
Fidélité matérielle : Sur le processeur IBM Heron, le modèle a atteint une précision de 93,33 % par rapport à la vérité terrain, avec une concordance de 97,78 % avec la simulation sans bruit ( $\kappa = 0,9552$ ). Les valeurs d'attente sont corrélées à $r = 0,9943$ .
Benchmark B (Test de résistance non linéaire) : Dans un environnement synthétique explicitement conçu pour favoriser les règles non linéaires, HQDIS a été nettement surpassé par la forêt aléatoire en termes de précision et d'AUC-ROC. La régression logistique a significativement surpassé HQDIS en précision ( $p=0,025$ ), tandis que HQDIS a montré un avantage nominal non significatif en AUC-ROC ( $p=0,141$ ).
Auditabilité : Le système a démontré un mécanisme d'audit contrefactuel reproductible, identifiant le seuil exact (Crédibilité du Fondateur $\approx 4,6/7$ ) où une décision bascule de « Passer » à « Financer » pour un cas limite.

Signification et affirmations
L'article adopte une position modeste et rigoureuse concernant ses contributions :

Preuve de concept pour la gouvernance NISQ : La principale contribution est de démontrer qu'une architecture de décision quantique peut être exécutée avec une haute fidélité sur le matériel supraconducteur actuel de 156 qubits tout en maintenant la rétention de décision.
Correction mathématique : L'identification et la résolution de l'erreur d'« aliasing par inversion de phase » via l'échelle angulaire monotone est une contribution technique spécifique à la stabilité des cartes de caractéristiques quantiques.
Gouvernance plutôt que prédiction : L'auteur soutient que la valeur de HQDIS réside dans la gouvernance et l'auditabilité (ex. : trajectoires sur la sphère de Bloch, tests de résistance contrefactuels) plutôt que dans une précision prédictive supérieure. Le modèle offre une alternative géométriquement interprétable aux modèles d'apprentissage profond de type « boîte noire ».
Rapport honnête des limites : L'article reconnaît explicitement que le Benchmark A est synthétique et de petite taille ( $N=45$ ), ce qui limite les affirmations de validité prédictive face aux résultats réels du capital-risque. Il rapporte que sur un benchmark conçu pour favoriser les non-linéarités, HQDIS n'a pas surpassé statistiquement les bases classiques, présentant cela comme un résultat nécessaire pour distinguer les affirmations empiriques défendables des artefacts d'échantillonnage.
Efficacité des paramètres : L'auteur affirme que HQDIS égale les performances de méthodes d'ensemble complexes (Forêt Aléatoire/Boosting de Gradient) avec seulement 13 paramètres, bien qu'il concède qu'il ne surpasse pas la régression logistique, pourtant plus simple (5 paramètres), dans ce contexte spécifique.

En résumé, l'article présente HQDIS non pas comme un prédicteur supérieur pour le capital-risque, mais comme un cadre techniquement viable, auditable et prêt pour le matériel, capable de modéliser des dilemmes décisionnels non linéaires, avec une voie claire vers une validation future sur des ensembles de données réels plus vastes.

Résumé technique : Vers l'Intelligence Décisionnelle Quantique (HQDIS)

Articles similaires