🤖 AI

Quantum inspired qubit qutrit neural networks for real time financial forecasting

Dit onderzoek toont aan dat quantum-inspiratie op basis van qutrits (QQTN) in neurale netwerken superieure prestaties, kortere trainingstijden en een hogere risicogecorrigeerde rendementen biedt voor real-time financiële voorspellingen in vergelijking met klassieke en qubit-gebaseerde modellen.

Oorspronkelijke auteurs: Kanishk Bakshi, Kathiravan Srinivasan

Gepubliceerd 2026-04-22

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Kanishk Bakshi, Kathiravan Srinivasan

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

🚀 De Grote Winst: Van Klassieke Computers naar Quantum-Neural Netwerken

Stel je voor dat je probeert de toekomst van de beurs te voorspellen. Dat is als proberen het weer van volgende week te raden, maar dan met veel meer chaos en onzekerheid.

De auteurs van dit onderzoek, Kanishk Bakshi en Kathiravan Srinivasan, hebben gekeken naar drie verschillende manieren om dit probleem op te lossen met kunstmatige intelligentie (AI):

De Klassieke Manier (ANN): De "oude school". Dit is een standaard computerprogramma dat werkt met bits (0 en 1). Denk hierbij aan een schakelaar die ofwel aan (1) ofwel uit (0) staat.
De Quantum Qubit-Manier (QQBN): Een geavanceerdere versie die werkt met qubits. Een qubit is als een munt die niet alleen op "kop" of "munt" ligt, maar die in de lucht draait. Zolang hij draait, is hij beide tegelijk. Dit noemen we "superpositie".
De Quantum Qutrit-Manier (QQTN): De nieuwste en slimste uitvinding. Dit werkt met qutrits. Als een qubit een munt is die in de lucht draait, is een qutrit een driezijdige dobbelsteen die in de lucht draait. Hij kan niet alleen "kop" of "munt" zijn, maar ook een derde staat hebben.

🏆 Wat hebben ze ontdekt?

De onderzoekers hebben deze drie systemen getest op het voorspellen van aandelenkoersen (specifiek de Indiase NIFTY 50). Hier zijn de resultaten, vertaald naar alledaagse taal:

1. Snelheid: De Sprinter vs. De Wandeltoerist

De Klassieke Computer (ANN): Dit is als een wandelaar die elke steen op de weg moet controleren voordat hij verder gaat. Het duurt lang.
De Qubit-Computer: Dit is als een snelle fietser. Hij is al veel sneller dan de wandelaar (ongeveer 97% sneller!).
De Qutrit-Computer (De Winnaar): Dit is als een luchtschip dat boven de weg vliegt. Omdat een qutrit meer informatie tegelijk kan dragen (drie staten in plaats van twee), hoeft hij minder "stapjes" te maken.
- Het resultaat: De Qutrit-computer was 35-40% sneller dan de Qubit-computer en ongelooflijk veel sneller dan de klassieke computer. Voor de beurs, waar alles in milliseconden gaat, is dit een enorme winst.

2. Nauwkeurigheid: De Schutter

Alle drie de systemen waren goed (alleen al 70% correct), maar de Qutrit was de beste schutter.

Klassiek: 69,2% correct.
Qubit: 71,6% correct.
Qutrit: 73,5% correct.
Het lijkt misschien niet heel veel, maar in de wereld van geld en aandelen kan een paar procent verschil betekenen tussen winst en verlies. De Qutrit kon de complexe patronen in de markt beter "lezen" omdat hij meer informatie tegelijk kon verwerken.

🧠 Hoe werkt dit precies? (De Analogie)

Stel je voor dat je een enorme bibliotheek met boeken moet doorzoeken om één specifiek verhaal te vinden.

De Klassieke Computer (Bits): Hij loopt langs elke plank, pakt één boek, kijkt of het het juiste is, legt het terug en gaat naar de volgende. Hij doet dit één voor één.
De Qubit-Computer: Hij kan op één moment naar twee boeken tegelijk kijken (door in een superpositie te zijn). Hij is dus al veel sneller.
De Qutrit-Computer: Omdat hij drie staten kan hebben, kan hij op één moment naar drie boeken kijken. Maar het gaat nog verder: door de manier waarop deze systemen werken (met "quantum gates"), kunnen ze de hele bibliotheek op een slimme manier doorzoeken alsof ze door een tunnel lopen die alle boeken tegelijk verbindt. Ze vinden het antwoord niet door te zoeken, maar door de "kans" te manipuleren dat het juiste antwoord naar boven komt.

⚠️ De Huidige Realiteit: Nog niet in je woonkamer

Hoewel dit onderzoek fantastische resultaten laat zien, is er een kleine "maar":
Deze tests zijn gedaan op simulaties (computerprogramma's die doen alsof ze quantum-computers zijn). Echte quantum-computers met "qutrits" (die driezijdige dobbelstenen) zijn nog heel zeldzaam en moeilijk te bouwen. Ze zijn gevoelig voor ruis en storingen, net als een glazen vaas die heel snel breekt als je er een beetje aan komt.

Maar, dit onderzoek is een belangrijke blauwdruk. Het bewijst dat als we ooit stabiele quantum-computers met qutrits bouwen, deze de toekomst van financiële voorspellingen (en misschien ook medische diagnoses of klimaatmodellen) volledig gaan veranderen.

📝 Samenvatting in één zin

Dit onderzoek toont aan dat als je de "bits" van onze huidige computers vervangt door "qutrits" (drie-wegige quantum-bits), je niet alleen veel snellere, maar ook slimmere AI-systemen krijgt die de chaotische wereld van de beurs beter kunnen begrijpen dan ooit tevoren.

Titel: Kwantum-geïnspireerde qubit- en qutrit-neurale netwerken voor real-time financiële forecasting

Auteurs: Kanishk Bakshi & Kathiravan Srinivasan
Publicatie: Scientific Reports (2025)

1. Probleemstelling

Het paper adresseert de beperkingen van klassieke machine learning-modellen (zoals Artificiële Neuronale Netwerken of ANNs) bij het voorspellen van complexe en volatiele financiële markten, zoals de aandelenmarkt. Hoewel kwantumcomputing theoretisch enorme rekenkracht belooft, ontbreekt er vaak empirisch bewijs voor de praktische toepasbaarheid van kwantuminformatie in voorspellende taken.

Specifiek richt deze studie zich op een onderzoeksleemte: terwijl Qubit-gebaseerde neurale netwerken (QQBN) al enigszins zijn onderzocht, zijn Qutrit-gebaseerde neurale netwerken (QQTN) – die gebruikmaken van drie-niveau kwantumtoestanden in plaats van twee – nog nauwelijks onderzocht. De onderzoekers willen vaststellen of het gebruik van qutrits (die een rijkere staatruimte bieden) leidt tot betere nauwkeurigheid, snellere trainingszeiten en robuustere prestaties in real-time financiële forecasting vergeleken met klassieke en qubit-modellen.

2. Methodologie

De studie vergelijkt drie modellen die zijn getraind op historische aandelenmarktdata (NIFTY 50, India) over een periode van 10 jaar. De input bestond uit vijf genormaliseerde financiële indicatoren (opening, sluiting, hoogste, laagste prijs en handelsvolume) om te voorspellen of de sluitingsprijs de volgende dag zou stijgen (1) of dalen (0).

A. Klassiek Neuraal Netwerk (ANN)

Architectuur: Een volledig verbonden netwerk met drie lagen (128, 64, 32 neuronen).
Activatiefuncties: ReLU voor verborgen lagen, Softmax voor de output.
Optimalisatie: Gebruik van backpropagation, gradient descent en kostenfuncties zoals Binary Cross-Entropy en Mean Squared Error (MSE).
Hardware: TensorFlow 2.9 op een NVIDIA RTX 3090 GPU.

B. Kwantum Qubit-gebaseerd Neuraal Netwerk (QQBN)

Principe: Gebruikt twee-niveau kwantumtoestanden (|0⟩ en |1⟩).
Data-encoding: Amplitude-encoding waarbij de genormaliseerde inputvector wordt gemapt naar de amplitude van een superpositietoestand.
Circuit: Een variational quantum circuit (VQC) met drie lagen, gebruikmakend van parameteriseerbare rotatiegaten (RX, RZ) en entanglement via CNOT-gaten.
Simulatie: Qiskit en PennyLane op de IBM Quantum Cloud Aer statevector simulator.

C. Kwantum Qutrit-gebaseerd Neuraal Netwerk (QQTN)

Principe: Gebruikt drie-niveau kwantumtoestanden (|0⟩, |1⟩, |2⟩), wat een grotere informatiecapaciteit per eenheid biedt.
Data-encoding: Een hybride fase-encoding strategie waarbij inputfuncties worden gemapt naar de fase van een gegeneraliseerde qutrit-rotatiegaten.
Circuit: Een VQC-architectuur die specifiek is ontworpen voor drie-niveau systemen, gebruikmakend van qutrit-specifieke rotatiegaten (bijv. $R_z(\theta)$ met een 3x3 matrix).
Simulatie: Een aangepaste qutrit-simulator gebaseerd op QuTiP 4.7.3, geïntegreerd met PennyLane.

Evaluatiemetrics: De modellen werden vergeleken op basis van trainingsduur (gemeten in operationele stappen), nauwkeurigheid, precisie, recall, F1-score, Sharpe-ratio (risicogecorrigeerd rendement) en de Informatiecoëfficiënt.

3. Belangrijkste Bijdragen

Empirisch Bewijs voor Qutrits: Het paper vult een kritieke kennislacune op door de prestaties van Qutrit-neurale netwerken in een real-world scenario (aandelenmarkt) te evalueren.
Vergelijkende Analyse: Een grondige vergelijking tussen klassieke ANN, Qubit-QNN en Qutrit-QNN, waarbij de specifieke voordelen van de drie-niveau architectuur worden gedemonstreerd.
Efficiëntie en Snelheid: Het aantonen dat Qutrit-modellen niet alleen nauwkeuriger zijn, maar ook aanzienlijk efficiënter trainen dan hun qubit- en klassieke tegenhangers.
Real-time Toepasbaarheid: Het onderstrepen van de potentie van deze modellen voor real-time financiële toepassingen waar lage latentie en hoge snelheid cruciaal zijn.

4. Resultaten

De resultaten tonen aan dat alle modellen robuust zijn (nauwkeurigheid >70%), maar dat het QQTN-model overtuigend de beste prestaties levert.

Nauwkeurigheid:
- Klassiek ANN: 69,2%
- Qubit QQBN: 71,6%
- Qutrit QQTN: 73,5% (Hoogste prestatie)
TrainingsEfficiëntie (Snelheid):
- Het QQBN-model is ongeveer 96,8% sneller dan het klassieke ANN (vereist slechts 3,2% van de operationele stappen).
- Het QQTN-model is 35-40% sneller dan het QQBN-model.
- In totaal is de QQTN ongeveer 98% sneller dan het klassieke ANN in termen van operationele stappen.
Financiële Metrics: Het QQTN-model behaalde de beste risicogecorrigeerde rendementen (Sharpe-ratio) en de hoogste consistentie in voorspellingen (Informatiecoëfficiënt).
Architectuur: De QQTN vereiste een lagere circuitdiepte (4 lagen) vergeleken met de QQBN (6 lagen) om vergelijkbare of betere resultaten te bereiken, dankzij de hogere informatie-dichtheid van qutrits.

5. Betekenis en Conclusie

De studie concludeert dat Quantum Qutrit-based Neural Networks (QQTN) een transformatieve potentie hebben voor complexe computationele taken, met name in de financiële sector.

Technische Superioriteit: De drie-niveau aard van qutrits zorgt voor een efficiëntere data-encoding en het vermogen om complexere, niet-lineaire correlaties in marktdata te modelleren dan qubits of klassieke bits.
Praktische Impact: Hoewel de huidige hardware voor qutrits nog in een experimentele fase zit (de studie gebruikt simulaties), tonen de resultaten aan dat de overgang naar qutrit-architecturen de volgende logische stap is voor schaalbaarheid en snelheid in kwantum-AI.
Toekomstperspectief: De auteurs pleiten voor verdere onderzoek naar hybride kwantum-klassieke algoritmen, verbetering van kwantumfoutcorrectie voor qutrits en de implementatie van deze modellen op toekomstige fysieke kwantumhardware.

Samenvattend bewijst dit paper dat kwantum-geïnspireerde benaderingen, en specifiek die gebaseerd op qutrits, niet alleen theoretisch interessant zijn, maar ook concrete voordelen bieden in nauwkeurigheid en rekentijd voor real-time besluitvorming in volatiele markten.