💻 computer science

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

Questo articolo presenta HQDIS, un circuito quantistico variazionale a quattro qubit testato sul processore Heron da 156 qubit di IBM per lo screening del venture capital, il quale dimostra un'elevata fedeltà hardware-simulazione e prestazioni comparabili ai modelli classici su un piccolo benchmark sintetico, sebbene sia superato dagli algoritmi classici su un secondo dataset sintetico, evidenziando le attuali limitazioni del vantaggio quantistico in questo dominio.

Autori originali: Enrique Díaz de León López

Pubblicato 2026-09-21

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Enrique Díaz de León López

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Guadagnare denaro con le nuove tecnologie è uno dei compiti più difficili nel mondo del business. Quando gli investitori osservano una startup che ha un'idea brillante ma nessuna vendita e nessuna storia alle spalle, non possono utilizzare la matematica standard che funziona per le aziende consolidate. Non ci sono profitti passati da calcolare e il mercato potrebbe persino non esistere ancora. Invece, gli investitori devono affidarsi all'intuizione su cose intangibili: Il team è onesto? La tecnologia è reale? I fondatori sanno accettare le critiche? Queste decisioni spesso comportano complessi compromessi in cui un grande team può compensare un prodotto rischioso, o un fondatore disonesto può uccidere istantaneamente un'idea perfetta. Per decenni, i ricercatori hanno cercato di costruire modelli informatici per aiutare in questo, ma i computer standard faticano a catturare questi giudizi umani disordinati e non lineari senza confondersi o commettere errori banali.

Un nuovo studio esplora se un tipo diverso di computer, uno che utilizza le strane regole della fisica quantistica, possa gestire meglio queste decisioni complicate. I computer quantistici non si limitano a calcolare numeri in linea retta; possono contenere molte possibilità contemporaneamente e lasciare che interagiscano in modi che mimano come la mente umana pesi fattori contrastanti. I ricercatori hanno costruito un piccolo modello specializzato per vedere se questo approccio potesse funzionare nel mondo reale. Non lo hanno testato su un database massiccio di aziende reali, perché tali dati sono spesso segreti o troppo disordinati per essere utilizzati. Inveve, hanno creato un insieme accuratamente elaborato di 45 scenari di investimento fittizi che rappresentavano perfettamente le scelte difficili descritte in decenni di ricerca aziendale. Hanno poi eseguito il loro modello quantistico contro questi scenari e hanno confrontato i risultati con i migliori programmi informatici standard disponibili oggi.

Il team, guidato da Enrique Díaz de León López del Tecnológico de Monterrey, ha progettato un sistema chiamato HQDIS. Si tratta di un circuito quantistico molto piccolo, che utilizza solo quattro bit quantistici, o qubit, per rappresentare i quattro fattori principali che un investitore considera: la prontezza della tecnologia, la credibilità del fondatore, l'adattabilità al mercato e i primi segnali di successo. I ricercatori hanno dovuto essere molto attenti a come programmavano la macchina. Nei primi test, hanno scoperto che quando una startup sembrava perfetta sulla carta, la matematica quantistica a volte ribaltava il risultato, dicendo loro di rifiutare un'ottima idea. Hanno scoperto un glitch matematico specifico che causava questo fenomeno e lo hanno risolto regolando il modo in cui le informazioni entravano nella macchina, assicurando che punteggi migliori portassero sempre a maggiori possibilità di finanziamento.

Una volta calibrato il modello, i ricercatori lo hanno messo alla prova. Hanno fatto passare i 45 scenari attraverso il sistema quantistico e hanno confrontato le sue decisioni con quelle prese da tre metodi informatici standard: un semplice calcolatore lineare, una foresta casuale di alberi decisionali e un algoritmo di gradient boosting. Il modello quantistico si è comportato in modo notevole, ottenendo la risposta corretta circa l'80% delle volte. Questo era statisticamente indistinguibile dalle prestazioni dei complessi programmi basati su alberi, noti per essere molto bravi a individuare schemi. Interessante è che un calcolatore lineare più semplice ha ottenuto un punteggio leggermente superiore in questo test specifico, sebbene la differenza non fosse abbastanza grande da affermare con certezza che fosse migliore. La scoperta chiave è stata che il minuscolo modello quantistico poteva eguagliare le prestazioni di sistemi molto più grandi e complessi utilizzando solo una manciata di impostazioni regolabili.

Per dimostrare che non si trattasse solo di una simulazione, il team ha portato il proprio modello su un vero computer quantistico. Hanno utilizzato un processore da 156 qubit di IBM, una macchina potente che esiste oggi in un laboratorio. Hanno inviato tutti i 45 casi all'hardware fisico e hanno osservato come la macchina gestisse il rumore e l'interferenza che si verificano naturalmente nei dispositivi quantistici reali. I risultati sono stati sorprendenti. La macchina fisica ha preso la decisione corretta nel 93% dei casi, e le sue scelte corrispondevano alla simulazione perfetta il 98% delle volte. Ciò ha dimostrato che il modello era abbastanza robusto da sopravvivere alle condizioni imperfette di un vero processore quantistico. I ricercatori hanno anche dimostrato che il sistema poteva essere sottoposto ad audit. Potevano prendere un singolo caso limite e cambiare lentamente un fattore, come l'esperienza del fondatore, per vedere esattamente dove la decisione passava da "rifiuta" a "finanzia". Questo livello di trasparenza è qualcosa che molti sistemi di intelligenza artificiale moderna non possono fornire.

Tuttavia, lo studio ha anche rivelato i limiti di questa tecnologia. I ricercatori hanno creato un secondo set di 500 casi fittizi progettati specificamente per essere estremamente difficili e non lineari, il tipo di problema in cui i computer quantistici dovrebbero eccellere. In questo test più duro, il modello quantistico non ha vinto. È stato superato significativamente dal programma informatico standard basato su alberi, e non ha battuto nemmeno il semplice calcolatore lineare. Il modello quantistico ha mostrato un leggero, sebbene non statisticamente provato, vantaggio nel classificare le migliori opportunità, ma non ha preso più decisioni corrette rispetto ai metodi classici. Ciò suggerisce che, sebbene l'approccio quantistico sia praticabile e possa eguagliare la tecnologia attuale su certi tipi di problemi, non ha ancora trovato un chiaro vantaggio in cui superi i migliori strumenti tradizionali.

Il valore di questo lavoro risiede meno in una improvvisa svolta nelle previsioni e più in ciò che dimostra essere possibile oggi. I ricercatori hanno dimostrato che un sistema decisionale quantistico può essere costruito, tarato per evitare errori specifici ed eseguito su hardware reale con alta precisione. Hanno anche dimostrato che questi sistemi possono offrire una traccia chiara e verificabile di come sia stata presa una decisione, il che è fondamentale per gli investitori che devono spiegare le loro scelte ai consigli di amministrazione e ai regolatori. Lo studio conclude che, sebbene l'intelligenza decisionale quantistica non sia ancora una bacchetta magica che risolve tutti i dilemmi di investimento, è uno strumento funzionale pronto per la fase successiva di sviluppo. Offre un nuovo modo di pensare alle scelte complesse, un modo che rispetta la natura disordinata e non lineare del giudizio umano pur operando con l'hardware più avanzato disponibile.

Sintesi Tecnica: Verso l'Intelligenza Decisionale Quantistica (HQDIS)

Problematica
Lo screening nelle prime fasi del venture capital comporta la gestione di compromessi compensativi non lineari che i modelli di punteggio lineari tradizionali non riescono a catturare. Nelle fasi seed e pre-revenue, gli investitori affrontano l'"incertezza Knightiana", dove le decisioni si basano su asset intangibili (ad es. tenacia del team, coachability) piuttosto che su flussi di cassa storici. Il documento identifica tre limitazioni strutturali nei sistemi di supporto alle decisioni (DSS) attuali:

Scarsità di Campioni: I record di alta qualità nel venture capital sono scarsi, portando all'overfitting nelle reti neurali profonde.
Fallimento della Modellazione: I modelli standard assumono un'utilità additiva, fallendo nel catturare l'interferenza cognitiva "simile al quantum" dove le dimensioni di valutazione interagiscono in modo non commutativo (ad es. un team forte che compensa un alto rischio tecnico, o un team carente che veta un buon mercato).
Deficit di Governance: I modelli di deep learning mancano di interpretabilità geometrica, rendendoli inadatti per l'auditabilità istituzionale.

Metodologia
L'autore propone HQDIS (Sistema Ibrido di Intelligenza Decisionale Quantistica), un circuito quantistico variazionale (VQC) parsimonioso a 4 qubit progettato per modellare questi dilemmi non lineari.

Architettura dei Dati: Lo studio utilizza il Benchmark A, un dataset sintetico di $N=45$ casi. L'autore dichiara esplicitamente che non si tratta di un record storico digitalizzato, ma di una costruzione motivata dalla letteratura basata sui risultati qualitativi di Bachher, Diaz De Leon e Guild (1999) e Diaz De Leon e Guild (2003). I dati mappano quattro costrutti decisionali (Prontezza Tecnologica, Credibilità del Fondatore, Adeguatezza Strategica del Mercato, Early Traction) su un registro a 4 qubit.
Formulazione Matematica:
- Mappa delle Caratteristiche (Feature Map): L'autore introduce un Protocollo di Scalatura Angolare Monotonica ( $\pi/4$ ) per la feature map di input. Questo risolve matematicamente un modo di fallimento di "aliasing di inversione di fase" dove input con punteggio elevato (vicino a $x_k=1$ ) avrebbero altrimenti innescato uno shift di fase distruttivo di $\pi$ , causando un rigetto catastrofico di proposte eccellenti.
- Ansatz: Il circuito consiste in 13 parametri addestrabili (12 angoli di rotazione + 1 bias classico). Impiega una struttura a 3 strati con rotazioni $R_y$ e gate di entanglement $CZ$ (lineari e circolari) per mappare gli input in uno spazio di Hilbert ad alta dimensione.
- Ottimizzazione: I parametri sono ottimizzati utilizzando l'algoritmo COBYLA, privo di derivate, con una funzione di perdita a margine smussata (smoothed margin loss).
Protocollo di Validazione:
- Affidabilità Statistica: Valutata tramite Cross-Validazione Stratificata Ripetuta a 5 Fold (100 run) e Leave-One-Out Cross-Validation (LOOCV) rispetto a Regressione Logistica, Random Forest e Gradient Boosting.
- Ablazione: Varianti del circuito sono state testate per isolare il contributo dell'entanglement della feature map rispetto all'entanglement dell'ansatz.
- Esecuzione Hardware: Il modello calibrato è stato implementato sul processore IBM Heron a 156 qubit (ibm_fez) utilizzando Qiskit Runtime Primitives V2 con Twirled Readout Error Extrapolation (TREX).
- Stress Test: Un secondo benchmark sintetico (Benchmark B) è stato costruito con regole generative non lineari esplicite (soglie disgiuntive) per testare la capacità del modello rispetto ai baseline lineari.

Risultati Chiave

Performance su Benchmark A: HQDIS ha raggiunto un'accuratezza dell'80,33% (±2,72% IC 95%). È statisticamente indistinguibile da Random Forest (83,00%) e Gradient Boosting (82,78%) ( $p > 0,7$ ). La Regressione Logistica ha ottenuto un'accuratezza nominalmente superiore del 91,56%, ma la differenza non era statisticamente significativa ( $p=0,133$ ), probabilmente a causa della bassa potenza statistica a $N=45$ .
Risultati dell'Ablazione: La rimozione dell'entanglement dell'ansatz ha causato un calo nominale dell'accuratezza di 7 punti (73,44% vs 80,33%) con un effetto di entità media ( $d \approx 0,51$ ), ma questa differenza non era statisticamente significativa ( $p \approx 0,32$ ). La rimozione dell'entanglement della feature map non ha avuto impatto negativo sull'accuratezza, sebbene il protocollo di scalatura monotonica rimanesse essenziale per prevenire errori di inversione di fase.
Fedeltà Hardware: Sul processore IBM Heron, il modello ha raggiunto un'accuratezza del 93,33% rispetto alla ground truth, con una concordanza del 97,78% con la simulazione priva di rumore ( $\kappa = 0,9552$ ). I valori di aspettativa correlavano a $r = 0,9943$ .
Benchmark B (Stress Test Non Lineare): In un ambiente sintetico esplicitamente progettato per favorire regole non lineari, HQDIS è stato significativamente superato da Random Forest sia in termini di accuratezza che di AUC-ROC. La Regressione Logistica ha superato significativamente HQDIS in accuratezza ( $p=0,025$ ), mentre HQDIS ha mostrato un vantaggio nominale non significativo nell'AUC-ROC ( $p=0,141$ ).
Auditabilità: Il sistema ha dimostrato un meccanismo di audit controfattuale riproducibile, identificando la soglia esatta (Credibilità del Fondatore $\approx 4,6/7$ ) in cui una decisione passa da "Pass" a "Fund" per un caso limite.

Significato e Rivendicazioni
Il documento adotta una posizione modesta e rigorosa riguardo ai suoi contributi:

Prova di Concetto per la Governance NISQ: Il contributo primario è dimostrare che un'architettura decisionale quantistica può essere eseguita con alta fedeltà su attuali hardware superconduttori a 156 qubit mantenendo la ritenzione decisionale.
Correzione Matematica: L'identificazione e la risoluzione dell'errore di "aliasing di inversione di fase" tramite la scalatura angolare monotonica è un contributo tecnico specifico alla stabilità delle feature map quantistiche.
Governance sopra la Predizione: L'autore sostiene che il valore di HQDIS risieda nella governance e nell'auditabilità (ad es. traiettorie sulla sfera di Bloch, stress-test controfattuali) piuttosto che in una superiore accuratezza predittiva. Il modello offre un'alternativa geometricamente interpretabile ai modelli black-box di deep learning.
Reporting Onesto dei Limiti: Il documento riconosce esplicitamente che il Benchmark A è sintetico e di piccole dimensioni ( $N=45$ ), limitando le affermazioni sulla validità predittiva rispetto ai risultati reali del venture capital. Riporta che, in un benchmark progettato per favorire le non linearità, HQDIS non ha superato statisticamente i baseline classici, inquadrando questo come un risultato necessario per distinguere le affermazioni empiriche difendibili dagli artefatti di campionamento.
Efficienza dei Parametri: L'autore afferma che HQDIS eguaglia le performance di complessi metodi d'ensemble (Random Forest/Gradient Boosting) con soli 13 parametri, pur ammettendo di non superare la ancora più semplice Regressione Logistica (5 parametri) in questo specifico contesto.

In sintesi, il documento presenta HQDIS non come un predittore superiore per il venture capital, ma come un framework tecnicamente vitale, auditabile e pronto per l'hardware per modellare dilemmi decisionali non lineari, con un percorso chiaro per una futura validazione su dataset reali più ampi.

Sintesi Tecnica: Verso l'Intelligenza Decisionale Quantistica (HQDIS)

Articoli simili