← नवीनतम पेपर
⚛️ क्वांटम भौतिकी

Quantum Recurrent Architectures for Financial Time Series Prediction

यह अध्ययन पाता है कि क्वांटम-क्लासिकल हाइब्रिड रिकरेंट आर्किटेक्चर, विशेष रूप से क्वांटम एलएसटीएम (Quantum LSTM) और क्वांटम रिज़र्वोइर कंप्यूटिंग (Quantum Reservoir Computing), एक निम्न-आयामी वित्तीय समय-श्रृंखला पूर्वानुमान कार्य में अपने क्लासिकल समकक्षों या मानक बेंचमार्क की तुलना में सटीकता या पैरामीटर-दक्षता का कोई लाभ प्रदान नहीं करते हैं।

मूल लेखक: Danyal Maheshwari, Gerhard Hellstern, Martin Zaefferer, Martin Braun, Tanja Döhler

प्रकाशित 2026-11-13
📖 4 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Danyal Maheshwari, Gerhard Hellstern, Martin Zaefferer, Martin Braun, Tanja Döhler

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

पैसे के भविष्य की भविष्यवाणी करना विज्ञान की सबसे कठिन पहेलियों में से एक है। व्यावसायिक राजस्व सीधी रेखाओं में नहीं चलता; यह मौसमों के साथ ऊपर-नीचे होता है, बाजार बदलने पर अचानक बदल जाता है, और अक्सर ऐसे तरीकों से व्यवहार करता है जो यादृच्छिक (रैंडम) लगते हैं। दशकों से, सांख्यिकीविदों ने आगे क्या होगा, इसका अनुमान लगाने के लिए सरल नियमों का उपयोग किया है, जबकि कंप्यूटर वैज्ञानिकों ने अराजकता में छिपे हुए पैटर्न खोजने के लिए जटिल, मस्तिष्क जैसे नेटवर्क बनाए हैं। हाल ही में, एक नया उपकरण इस क्षेत्र में आया है: क्वांटम कंप्यूटिंग। ये मशीनें सूचना को संसाधित करने के लिए उन अजीब भौतिक नियमों का उपयोग करती हैं जो परमाणुओं को नियंत्रित करते हैं, जिन्हें पारंपरिक कंप्यूटर नहीं कर सकते। यह आशा रही है कि इन क्वांटम उपकरणों को मानक कंप्यूटर नेटवर्क के साथ मिलाकर, हम बहुत कम संसाधनों के साथ वित्तीय रुझानों की भविष्यवाणी कर सकते हैं, और प्रयास के एक अंश के साथ समान सटीकता प्राप्त कर सकते हैं।

जर्मनी में शोधकर्ताओं के एक दल ने इस वादे का परीक्षण करने के लिए एक बहुत ही विशिष्ट समस्या पर काम किया: मासिक राजस्व का पूर्वानुमान लगाना। उन्होंने वास्तविक दुनिया के शेयर बाजार के डेटा का उपयोग नहीं किया, जो अव्यवस्थित है और बाहरी शोर से भरा है। इसके बजाय, उन्होंने एक एकल उत्पाद की बिक्री का एक अत्यधिक यथार्थवादी कृत्रिम इतिहास बनाया, जिसे लगभग सौ वर्षों के मासिक डेटा तक फैलाया गया। इस लंबी समयरेखा ने उन्हें अपने मॉडल को प्रशिक्षित करने और फिर उस भविष्य पर परीक्षण करने की अनुमति दी जिसे मॉडल ने पहले कभी नहीं देखा था। उन्होंने दो नए क्वांटम दृष्टिकोणों की तुलना आज उपलब्ध सर्वश्रेष्ठ मानक कंप्यूटर मॉडलों से की। एक दृष्टिकोण "क्वांटम लॉन्ग शॉर्ट-टर्म मेमोरी" नेटवर्क था, एक ऐसा डिज़ाइन जो कंप्यूटर की मेमोरी सेल्स के भीतर मानक गणित को छोटे, समायोज्य क्वांटम सर्किटों से बदल देता है। दूसरा "क्वांटम रिज़र्वोइर कंप्यूटिंग" था, जो डेटा से जटिल विशेषताएं उत्पन्न करने के लिए एक निश्चित, यादृच्छिक क्वांटम प्रणाली का उपयोग करता है, जिससे केवल एक सरल अंतिम चरण को प्रशिक्षित करने के लिए छोड़ा जाता है।

परिणाम स्पष्ट थे और उन लोगों के लिए, जो वित्त में क्वांटम क्रांति की आशा कर रहे थे, कुछ हद तक निराशाजनक थे। शोधकर्ताओं ने पाया कि क्वांटम मॉडल ने सटीकता या दक्षता में कोई लाभ नहीं दिया। क्वांटम नेटवर्क, जिसने केवल लगभग 2,100 समायोज्य सेटिंग्स का उपयोग किया, उतना ही अच्छा प्रदर्शन कर गया जितना कि एक मानक कंप्यूटर नेटवर्क जिसने 126 गुना अधिक आकार लिया था। हालांकि, इसने एक बहुत छोटे मानक कंप्यूटर नेटवर्क के भी बिल्कुल समान प्रदर्शन किया जिसे क्वांटम मॉडल के आकार और संरचना से मेल खाने के लिए बनाया गया था। इससे यह सिद्ध हुआ कि छोटे मॉडल की सफलता उसके डिज़ाइन से आई थी, न कि उसके भीतर मौजूद क्वांटम भौतिकी से। क्वांटम घटक ने स्वयं कोई मापने योग्य लाभ नहीं दिया। वास्तव में, दूसरा क्वांटम दृष्टिकोण, रिज़र्वोइर, हर परीक्षण रन में अपने मानक कंप्यूटर समकक्ष से खराब प्रदर्शन कर गया, और सबसे सरल सांख्यिकीय बेंचमार्क को भी हराने में विफल रहा।

अध्ययन ने यह भी देखा कि ये मॉडल समय के साथ कैसे व्यवहार करते हैं। जब शोधकर्ताओं ने मॉडलों को 24 महीने भविष्य की ओर देखने के लिए कहा, तो क्वांटम संस्करणों की तुलना में मानक कंप्यूटर नेटवर्क बेहतर स्थिति में रहे। जैसे-जैसे भविष्यवाणी की अवधि लंबी होती गई, क्वांटम मॉडल वास्तविक रुझानों से तेजी से दूर होते गए। जबकि सभी कंप्यूटर-आधारित मॉडल बुनियादी सांख्यिकीय पूर्वानुमानों में थोड़ा सुधार करने में सफल रहे, क्वांटम संस्करणों ने नेतृत्व नहीं किया। इस निम्न-आयामी सेटिंग में, जहाँ डेटा अपेक्षाकृत सरल था और मॉडल छोटे थे, क्वांटम कंप्यूटिंग की जटिल मशीनरी वह शॉर्टकट प्रदान नहीं कर सकी जिसकी शोधकर्ताओं को उम्मीद थी। अध्ययन निष्कर्ष निकालता है कि इस प्रकार के वित्तीय पूर्वानुमान के लिए, क्वांटम सर्किटों ने मॉडलों को स्मार्ट या अधिक कुशल नहीं बनाया; उन्होंने केवल परिणाम बदले बिना जटिलता जोड़ दी।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →