एक ऐसी दुनिया की कल्पना करें जहाँ कंप्यूटर केवल एक के बाद एक निर्देशों की एक एकल रेखा का पालन नहीं करते हैं, बल्कि इसके बजाय कई संभावनाओं को एक साथ तलाशते हैं, जैसे कि एक यात्री जो जंगल से बाहर निकलने का रास्ता खोजने के लिए एक साथ हर रास्ते पर चल सकता है। यह क्वांटम कंप्यूटिंग का वादा है, एक ऐसा क्षेत्र जो सूचना को उन तरीकों से संसाधित करने के लिए बहुत छोटे स्तर के अजीब नियमों का उपयोग करता है जिन्हें शास्त्रीय (क्लासिकल) मशीनें नहीं कर सकतीं। जबकि ये मशीनें अभी भी अपने शुरुआती, शोर वाले चरणों में हैं, वैज्ञानिकों का मानना है कि वे जल्द ही उन समस्याओं को हल कर देंगे जो वर्तमान में सबसे शक्तिशाली सुपरकंप्यूटरों के लिए भी असंभव हैं। इस शक्ति को देखने के लिए सबसे रोमांचक स्थानों में से एक वित्त (फाइनेंस) है, एक ऐसा उद्योग जो डेटा की विशाल मात्रा, जटिल जोखिमों और भविष्य की भविष्यवाणी करने की निरंतर आवश्यकता से निपटता है। प्रश्न केवल यह नहीं है कि क्या ये नई मशीनें काम कर सकती हैं, बल्कि यह है कि उन्हें डेटा से सीखना कैसे सिखाया जा सकता है, ठीक वैसे ही जैसे एक इंसान करता है, ताकि पैसे, बाजारों और जोखिम के बारे में बेहतर निर्णय लिए जा सकें।

जेपी मॉर्गन चेज़ के शोधकर्ताओं की एक टीम ने एक व्यापक समीक्षा लिखी है जो यह मानचित्रित करती है कि इन क्वांटम मशीनों को वित्तीय विशेषज्ञों के रूप में कार्य करने के लिए ठीक कैसे प्रशिक्षित किया जा रहा है। वे यह दावा नहीं करते हैं कि यह तकनीक कल हर ट्रेडर या विश्लेषक को बदलने के लिए तैयार है। इसके बजाय, वे वर्तमान अत्याधुनिक स्थिति का एक स्पष्ट, यथार्थवादी चित्र प्रदान करते हैं, जो यह दिखाता है कि कौन से वित्तीय कार्य आज सुधारे जा सकते हैं और किनमें अधिक समय लग सकता है। यह पत्र एक विशिष्ट प्रकार की कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस) पर केंद्रित है जिसे मशीन लर्निंग कहा जाता है, जहाँ कंप्यूटर कठोर नियमों का पालन करने के बजाय डेटा से पैटर्न सीखते हैं। शोधकर्ता सात मुख्य क्षेत्रों की जांच करते हैं जहाँ क्वांटम मशीनों का अनुप्रयोग किया जा रहा है: कीमतों की भविष्यवाणी करना, जानकारी को समूहों में छाँटना, छिपे हुए पैटर्न खोजना, नया डेटा बनाना, सबसे महत्वपूर्ण तथ्यों को चुनना, समय के साथ निर्णय लेना, और मानव भाषा को समझना।

पहला क्षेत्र जो वे तलाशते हैं वह है संख्याओं की भविष्यवाणी करना, जिसे रिग्रेशन (regression) के रूप में जाना जाता है। वित्त में, इसका उपयोग पिछले डेटा के आधार पर भविष्य की स्टॉक कीमतों या बॉन्ड के मूल्य का अनुमान लगाने के लिए किया जाता है। शास्त्रीय कंप्यूटर बिंदुओं के एक बादल के लिए सबसे उपयुक्त रेखा खोजकर यह काम करते हैं, लेकिन जब डेटा बहुत बड़ा होता है तो यह धीमा हो सकता है। शोधकर्ता बताते हैं कि क्वांटम एल्गोरिदम इन समस्याओं के भीतर विशिष्ट गणितीय उप-प्रक्रियाओं (subroutines) को बहुत तेज़ी से हल कर सकते हैं, जिससे संभावित रूप से एक ऐसा गति लाभ मिल सकता है जो डेटा बड़ा होने पर तेजी से बढ़ता है। हालांकि, वे एक महत्वपूर्ण बाधा पर ध्यान देते हैं: डेटा को पहले क्वांटम कंप्यूटर में डालना अभी भी कठिन और धीमा है। जबकि मशीन के भीतर की गणित तेज़ है, सूचना को लोड करने और उत्तर को पढ़ने की प्रक्रिया कभी-कभी लाभ को समाप्त कर सकती है। पेपर नोट करता है कि अभी तक अपने शास्त्रीय समकक्ष की तुलना में घातांकीय (exponential) गति के साथ कोई एंड-टू-एंड क्वांटम मशीन लर्निंग अनुप्रयोग नहीं खोजा गया है। इसके बावजूद, पेपर सुझाव देता है कि विशिष्ट प्रकार के वित्तीय मॉडलों के लिए, क्वांटम विधियाँ दक्षता में सुधार प्रदान कर सकती हैं, बशर्ते कि डेटा लोडिंग चुनौतियों का समाधान किया जाए।

इसके बाद, टीम वर्गीकरण (classification) को देखती है, जो चीजों को श्रेणियों में छाँटने की कला है। वित्तीय दुनिया में, इसका अर्थ यह हो सकता है कि ऋण आवेदक द्वारा ऋण चुकाने की संभावना है या नहीं, या कोई स्टॉक "खरीदने" (buy) के लिए है या "बेचने" (sell) के लिए। शास्त्रीय कंप्यूटर इन समूहों के बीच रेखा खींचने के लिए सपोर्ट वेक्टर मशीन जैसे तरीकों का उपयोग करते हैं। शोधकर्ता बताते हैं कि कैसे इनके क्वांटम संस्करण बहुत अधिक जटिल सीमाएँ बना सकते हैं, जिससे वे उस डेटा को अलग करने में सक्षम होते हैं जो एक शास्त्रीय कंप्यूटर को मिला-जुला दिखाई देता है। वे एक विशिष्ट तकनीक 'क्वांटम फीचर मैप' पर प्रकाश डालते हैं, जो सरल डेटा को लेता है और उसे एक विशाल, बहु-आयामी स्थान में ले जाता है जहाँ पैटर्न स्पष्ट हो जाते हैं। हालांकि ये विधियाँ छोटे डेटासेट पर परीक्षण की गई हैं, पेपर संकेत देता है कि इनमें बैंकिंग और निवेश में पाए जाने वाले अव्यवस्थित, वास्तविक दुनिया के डेटा को संभालने की क्षमता है, हालांकि व्यावहारिक गति लाभ डेटा एक्सेस की बाधाओं को दूर करने पर निर्भर है।

समीक्षा फिर क्लस्टरिंग (clustering) की ओर बढ़ती है, जो डेटा के ढेर में बिना बताए प्राकृतिक समूहों को खोजने के बारे में है। यह धोखाधड़ी का पता लगाने या समान शेयरों को एक साथ समूहित करने के लिए उपयोगी है। शोधकर्ता 'क्वांटम क्लस्टरिंग' नामक एक विधि पर चर्चा करते हैं, जो डेटा बिंदुओं को एक भौतिक प्रणाली के कणों की तरह मानती है, और उन क्षेत्रों की तलाश करती है जहाँ वे स्वाभाविक रूप से एकत्र होते हैं। वे 'डायनेमिक क्वांटम क्लस्टरिंग' नामक एक तकनीक का भी उल्लेख करते हैं, जो समय के साथ इन समूहों में होने वाले बदलावों को देखती है। इस दृष्टिकोण का उपयोग पहले से ही स्टॉक मार्केट डेटा का विश्लेषण करने और विभिन्न प्रकार के निवेश फंडों को वर्गीकृत करने के लिए किया जा चुका है, जिससे निवेशकों को उन कनेक्शनों को देखने में मदद मिली है जो अन्यथा छिपे रह सकते थे। पेपर नोट करता है कि हालांकि इन विधियों को अभी भी परिष्कृत किया जा रहा है, वे वित्तीय बाजारों की संरचना को देखने का एक नया तरीका प्रदान करती हैं, हालांकि उनकी पूर्ण क्षमता वर्तमान हार्डवेयर सीमाओं से सीमित है।

एक अन्य प्रमुख खंड जेनेरेटिव मॉडलिंग (generative modeling) को कवर करता है, जहाँ कंप्यूटर ऐसा नया डेटा बनाना सीखता है जो बिल्कुल असली चीज़ जैसा दिखता है। यह वास्तविक पैसा जोखिम में डाले बिना रणनीतियों के परीक्षण के लिए अविश्वसनीय रूप से उपयोगी है। शोधकर्ता बताते हैं कि कैसे क्वांटम मशीनें वित्तीय घटनाओं के संभाव्यता वितरण (probability distribution) को सीख सकती हैं, जो अनिवार्य रूप से बाजार के "आकार" को सीखना है। वे वर्णन करते हैं कि कैसे ये मशीनें संकट के समय में एक पोर्टफोलियो कैसा प्रदर्शन करेगा, इसका परीक्षण करने के लिए नकली लेकिन यथार्थवादी बाजार परिदृश्य उत्पन्न कर सकती हैं। यह क्वांटम न्यूरल नेटवर्क के संस्करणों का उपयोग करके किया जाता है जो विशिष्ट उप-प्रक्रियाओं में शास्त्रीय कंप्यूटरों की तुलना में जटिल वितरणों से तेजी से नमूने (sample) ले सकते हैं। पेपर का सुझाव है कि यह अंततः बैंकों को अपने सिस्टम का तनाव परीक्षण (stress-test) करने में मदद कर सकता है, जिससे वे दुर्लभ लेकिन खतरनाक घटनाओं को अधिक स्पष्ट रूप से देख सकेंगे, हालांकि अभी तक घातांकीय गति वाला कोई एंड-टू-एंड अनुप्रयोग नहीं खोजा गया है।

टीम यह भी जांचती है कि कैसे क्वांटम कंप्यूटर सूचना के समुद्र से सबसे महत्वपूर्ण तथ्यों को चुनने में मदद कर सकते हैं, जिसे फीचर एक्सट्रैक्शन (feature extraction) कहा जाता है। वित्त में, बहुत अधिक वेरिएबल्स होने से मॉडल भ्रमित हो सकता है, इसलिए जो वास्तव में मायने रखते हैं उन्हें खोजना महत्वपूर्ण है। शोधकर्ता बताते हैं कि कैसे क्वांटम एल्गोरिदम हजारों डेटा बिंदुओं के बीच संबंधों का विश्लेषण करके सबसे महत्वपूर्ण को ढूंढ सकते हैं, प्रभावी रूप से एक विशाल डेटासेट को उसके मूल तक कम कर सकते हैं। यह क्रेडिट स्कोरिंग के लिए विशेष रूप से सहायक है, जहाँ सिस्टम को यह तय करना होता है कि कौन से कारक वास्तव में यह भविष्यवाणी करते हैं कि कोई व्यक्ति ऋण चुकाएगा या नहीं। क्वांटम विधियों का उपयोग करके, सिस्टम सैद्धांतिक रूप से इन प्रमुख कारकों की अधिक कुशलता से पहचान कर सकता है, हालांकि पेपर इस बात पर जोर देता है कि डेटा लोडिंग एक बाधा बनी हुई है जिसे इन लाभों को व्यवहार में पूरी तरह से साकार करने से पहले हल किया जाना चाहिए।

समय के साथ निर्णय लेना एक अन्य महत्वपूर्ण क्षेत्र है, जिसे रीइन्फोर्समेंट लर्निंग (reinforcement learning) कहा जाता है। यह इस बारे में है कि कैसे एक कंप्यूटर इनाम को अधिकतम करने के लिए निर्णयों की एक श्रृंखला लेने के लिए सीखता है, ठीक वैसे ही जैसे एक ट्रेडर दिन-प्रतिदिन पोर्टफोलियो को समायोजित कर सकता है। पेपर बताता है कि क्वांटम कंप्यूटर सैद्धांतिक रूप से इस सीखने की प्रक्रिया को तेज कर सकते हैं, जिससे एजेंट बहुत तेज़ी से सर्वोत्तम ट्रेडिंग रणनीतियाँ खोज सकते हैं। हालांकि, शोधकर्ता बताते हैं कि वर्तमान हार्डवेयर सीमाओं के कारण, क्वांटम रीइन्फोर्समेंट लर्निंग दृष्टिकोण को अभी तक सीधे तौर पर स्वचालित ट्रेडिंग के लिए लागू नहीं किया गया है। वे सुझाव देते हैं कि हालांकि सैद्धांतिक आधार मजबूत है, एल्गोरिथम ट्रेडिंग के घटक अंततः क्वांटम लाभों से लाभान्वित हो सकते हैं, लेकिन हम अभी पूरी तरह से स्वचालित क्वांटम ट्रेडिंग के चरण में नहीं हैं।

अंत में, समीक्षा इस बात पर भी चर्चा करती है कि ये मशीनें मानव भाषा को कैसे समझ सकती हैं। वित्तीय बाजार समाचारों, रिपोर्टों और सोशल मीडिया से संचालित होते हैं, जिनमें सभी में असंरचित पाठ (unstructured text) होता है। शोधकर्ता बताते हैं कि कैसे क्वांटum एल्गोरिदम सेंटेंस के व्याकरण और अर्थ का विश्लेषण करके भावना (sentiment) का आकलन कर सकते हैं या वित्तीय दस्तावेजों में धोखाधड़ी का पता लगा सकते हैं। वाक्यों को एक बड़े ढांचे के हिस्से के रूप में मानकर उपयोग करने वाली विधि का उपयोग करके, ये सिस्टम सैद्धांतिक रूप से समानता गणनाओं (similarity calculations) को शास्त्रीय तरीकों की तुलना में बेहतर जटिलता के साथ संसाधित कर सकते हैं। यह बैंकों को हजारों ऋण आवेदनों या ऑडिट रिपोर्टों को पढ़कर जोखिम का आकलन करने में मदद कर सकता है, हालांकि पेपर स्पष्ट करता है कि यह गति वृद्धि विशिष्ट एल्गोरिथम सुधारों से आती है, न कि सभी परिदृश्यों में साधारण कीवर्ड सर्च की तुलना में संदर्भ को बेहतर ढंग से समझने की सामान्य क्षमता से।

पेपर एक गंभीर लेकिन आशावादी सारांश के साथ समाप्त होता है। शोधकर्ता स्पष्ट करते हैं कि हालांकि क्वांटम मशीन लर्निंग एक जादू की छड़ी नहीं है जो हर वित्तीय समस्या को तुरंत हल कर देती है, लेकिन यह एक शक्तिशाली नया उपकरण है जो तेजी से विकसित हो रहा है। वे स्वीकार करते हैं कि वर्तमान मशीनें शोर और छोटे आकार से सीमित हैं, और डेटा लोड करना एक चुनौती बनी हुई है। हालांकि, उनका तर्क है कि गति और सटीकता की क्षमता वास्तविक है, विशेष रूप से वित्त में पाए जाने वाले जटिल प्रकार के विशिष्ट समस्याओं के लिए। यह समीक्षा एक रोडमैप के रूप में कार्य करती है, जो दिखाती है कि हम सिद्धांत से अभ्यास की ओर बढ़ रहे हैं, और वित्तीय उद्योग इस नए कंप्यूटिंग युग से लाभ उठाने के लिए सबसे पहले अनुकूल स्थिति में है। यात्रा अभी शुरू हुई है, लेकिन मंजिल एक ऐसी दुनिया का वादा करती है जहाँ वित्तीय निर्णय समझ की उस गहराई के साथ लिए जाएंगे जो पहले पहुंच से बाहर थी।