💻 computer science

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

Dit artikel presenteert HQDIS, een variatieel kwantumcircuit met vier qubits dat is getest op IBM's 156-qubit Heron-processor voor het screenen van durfkapitaal, wat een hoge hardware-simulatiegetrouwheid en prestaties vergelijkbaar met klassieke modellen op een kleine synthetische benchmark demonstreert, hoewel het wordt overtroffen door klassieke algoritmen op een tweede synthetische dataset, wat de huidige beperkingen van kwantumvoordeel in dit domein benadrukt.

Oorspronkelijke auteurs: Enrique Díaz de León López

Gepubliceerd 2026-09-21

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Enrique Díaz de León López

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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

Geld verdienen met nieuwe technologie is een van de moeilijkste taken in de zakenwereld. Wanneer investeerders kijken naar een startup die een briljant idee heeft maar geen omzet en geen historie, kunnen ze niet de standaard wiskunde gebruiken die werkt voor gevestigde bedrijven. Er zijn geen eerdere winsten om te berekenen, en de markt bestaat misschien nog niet eens. In plaats daarvan moeten investeerders vertrouwen op een intuïtief gevoel bij immateriële zaken: Is het team eerlijk? Is de technologie echt? Kan de oprichter met kritiek omgaan? Deze beslissingen brengen vaak complexe afwegingen met zich mee waarbij een geweldig team een riskant product kan compenseren, of een onbetrouwbare oprichter een perfect idee direct kan vernietigen. Decennialang hebben onderzoekers geprobeerd computer modellen te bouwen om hiermee te helpen, maar standaard computers worstelen met het vastleggen van deze rommelige, niet-lineaire menselijke oordelen zonder in de war te raken of eenvoudige fouten te maken.

Een nieuwe studie onderzoekt of een ander soort computer, één die gebruikmaakt van de vreemde regels van de kwantumfysica, deze lastige beslissingen beter kan afhandelen. Kwantumcomputers berekenen niet alleen getallen in een rechte lijn; ze kunnen veel mogelijkheden tegelijk vasthouden en laten deze interageren op manieren die nabootsen hoe de menselijke geest tegenstrijdige factoren afweegt. De onderzoekers bouwden een klein, gespecialiseerd model om te zien of deze aanpak in de echte wereld zou kunnen werken. Ze testten het niet op een enorme database van echte bedrijven, omdat dergelijke gegevens vaak geheim of te rommelig zijn om te gebruiken. In plaats daarvan creëerden ze een zorgvuldig samengestelde set van 45 fictieve investeringsscenario's die de moeilijke keuzes uit decennia aan bedrijfsonderzoek perfect representeerden. Vervolgens draaiden ze hun kwantummodel tegen deze scenario's en vergeleken de resultaten met de beste standaard computerprogramma's van dit moment.

Het team, onder leiding van Enrique Díaz de León López van Tecnológico de Monterrey, ontwierp een systeem genaamd HQDIS. Het is een zeer kleine kwantumcircuit, gebruikmakend van slechts vier kwantumbits, of qubits, om de vier belangrijkste factoren te vertegenwoordigen waar een investeerder naar kijkt: de gereedheid van de technologie, de geloofwaardigheid van de oprichter, de marktgeschiktheid en vroege tekenen van succes. De onderzoekers moesten zeer voorzichtig zijn met de manier waarop ze de machine programmeerden. In vroege tests ontdekten ze dat wanneer een startup op papier perfect leek, de kwantumwiskunde soms het resultaat omdraaide, waardoor ze een geweldig idee afwezen. Ze ontdekten een specifieke wiskundige fout die dit veroorzaakte en herstelden dit door de manier waarop informatie de machine inging aan te passen, zodat betere scores altijd leidden tot een grotere kans op financiering.

Zodra het model gekalibreerd was, zetten de onderzoekers het op de proef. Ze draaiden de 45 scenario's door het kwantumsysteem en vergeleken de beslissingen met die van drie standaard computermethoden: een eenvoudige lineaire rekenmachine, een random forest van beslissingsbomen en een gradient boosting algoritme. Het kwantummodel presteerde opmerkelijk goed en had in ongeveer 80% van de gevallen het juiste antwoord. Dit was statistisch niet te onderscheiden van de prestaties van de complexe boomgebaseerde programma's, die erom bekend staan zeer goed te zijn in het herkennen van patronen. Interessant genoeg scoorde een eenvoudigere lineaire rekenmachine in deze specifieke test zelfs iets hoger, hoewel het verschil niet groot genoeg was om met zekerheid te zeggen dat deze beter was. De belangrijkste bevinding was dat het kleine kwantummodel de prestaties van veel grotere, complexere systemen kon evenaren met slechts een handvol aanpasbare instellingen.

Om te bewijzen dat dit niet slechts een simulatie was, nam het team hun model mee naar een echte kwantumcomputer. Ze gebruikten een 156-qubit processor van IBM, een krachtige machine die vandaag de dag in een laboratorium bestaat. Ze stuurden alle 45 gevallen naar de fysieke hardware en observeerden hoe de machine omging met de ruis en interferentie die van nature voorkomen in echte kwantumapparaten. De resultaten waren opvallend. De fysieke machine nam in 93% van de gevallen de juiste beslissing, en de keuzes kwamen in 98% van de gevallen overeen met de perfecte simulatie. Dit toonde aan dat het model robuust genoeg was om de imperfecte omstandigheden van een echte kwantumprocessor te overleven. De onderzoekers toonden ook aan dat het systeem gecontroleerd kon worden. Ze konden een enkel grensgeval nemen en langzaam één factor veranderen, zoals de ervaring van de oprichter, om precies te zien waar de beslissing omsloeg van "afwijzen" naar "financieren". Dit niveau van transparantie is iets wat veel moderne kunstmatige intelligentiesystemen niet kunnen bieden.

Echter, de studie onthulde ook de grenzen van deze technologie. De onderzoekers creëerden een tweede set van 500 fictieve gevallen die specifiek ontworpen waren om extreem moeilijk en niet-lineair te zijn, het soort probleem waar kwantumcomputers juist in zouden moeten uitblinken. In deze zwaardere test won het kwantummodel niet. Het werd aanzienlijk overtroffen door het standaard boomgebaseerde computerprogramma, en het versloeg ook de eenvoudige lineaire rekenmachine niet. Het kwantummodel vertoonde een lichte, maar niet statistisch bewezen, voorsprong in het rangschikken van de beste kansen, maar het maakte niet meer correcte beslissingen dan de klassieke methoden. Dit suggereert dat hoewel de kwantumbenadering levensvatbaar is en de huidige technologie kan evenaren bij bepaalde soorten problemen, het nog geen duidelijk voordeel heeft gevonden waarbij het de beste traditionele instrumenten verslaat.

De waarde van dit werk ligt minder in een plotselinge doorbraak in voorspelling en meer in wat het vandaag de dag mogelijk maakt. De onderzoekers hebben aangetoond dat een kwantumbeslissingssysteem gebouwd, afgesteld om specifieke fouten te vermijden en gedraaid kan worden op echte hardware met een hoge nauwkeurigheid. Ze hebben ook aangetoond dat deze systemen een helder, controleerbaar spoor kunnen bieden van hoe een beslissing tot stand is gekomen, wat cruciaal is voor investeerders die hun keuzes aan raden van bestuur en toezichthouders moeten uitleggen. De studie concludeert dat hoewel kwantum beslissingsintelligentie nog geen wondermiddel is dat alle investeringsdilemma's oplost, het een functioneel hulpmiddel is dat klaar is voor de volgende fase van ontwikkeling. Het biedt een nieuwe manier om over complexe keuzes na te denken, een manier die de rommelige, niet-lineaire aard van menselijk oordeel respecteert terwijl het draait op de meest geavanceerde hardware die beschikbaar is.

Technische Samenvatting: Naar Quantum Decision Intelligence (HQDIS)

Probleemstelling
De vroege fase van screening door durfkapitalisten (venture capital) houdt in dat men moet navigeren door niet-lineaire, compensatoire afwegingen die traditionele lineaire scoremodellen niet kunnen vatten. In de seed- en pre-revenue fasen worden investeerders geconfronteerd met "Knightiaanse onzekerheid", waarbij beslissingen afhangen van immateriële activa (bijv. doorzettingsvermogen van het team, leerbaarheid) in plaats van historische kasstromen. Het artikel identificeert drie structurele beperkingen in huidige besluitvormingsondersteunende systemen (DSS):

Steekproeftekort: Kwalitatief hoogwaardige durfkapitaalgegevens zijn schaars, wat leidt tot overfitting in diepe neurale netwerken.
Modelleringsfalen: Standaardmodellen gaan uit van additieve nut, waardoor ze niet in staat zijn om "quantum-achtige" cognitieve interferentie te vatten waarbij evaluatiedimensies niet-commutatief interageren (bijv. een sterk team dat een hoog technisch risico compenseert, of een gebrekkig team dat een goede markt blokkeert).
Governance-tekort: Diepe leermodellen missen geometrische interpreteerbaarheid, waardoor ze ongeschikt zijn voor institutionele controleerbaarheid.

Methodologie
De auteur stelt HQDIS (Hybrid Quantum Decision Intelligence System) voor, een parsimonieuze 4-qubit Variational Quantum Circuit (VQC) die ontworpen is om deze niet-lineaire dilemma's te modelleren.

Data-architectuur: De studie maakt gebruik van Benchmark A, een synthetische dataset van $N=45$ gevallen. De auteur stelt expliciet dat dit geen gedigitaliseerd historisch record is, maar een op de literatuur gebaseerde constructie op basis van de kwalitatieve bevindingen van Bachher, Diaz De Leon, en Guild (1999) en Diaz De Leon en Guild (2003). De data brengt vier besluitvormingsconstructen (Technologische Gereedheid, Geloofwaardigheid van de Oprichter, Strategische Marktfit, Vroege Tractie) in kaart op een 4-qubit register.
Wiskundige Formulering:
- Feature Map: De auteur introduceert een Monotone Angulaire Schalingsprotocol ( $\pi/4$ ) voor de input feature map. Dit lost wiskundig een "fase-inversie aliasing"-foutmodus op waarbij hoog scorende inputs (nabij $x_k=1$ ) anders een destructieve $\pi$ faseverschuiving zouden triggeren, wat zou leiden tot een catastrofale afwijzing van uitstekende voorstellen.
- Ansatz: Het circuit bestaat uit 13 trainbare parameters (12 rotatiehoeken + 1 klassieke bias). Het maakt gebruik van een 3-laagse structuur met $R_y$ rotaties en $CZ$ verstrengelingspoorten (lineair en circulair) om inputs in een hoogdimensionale Hilbertruimte te mappen.
- Optimalisatie: Parameters worden geoptimaliseerd met behulp van het afgeleide-vrije COBYLA-algoritme met een gladgestreken margin loss functie.
Validatieprotocol:
- Statistische Betrouwbaarheid: Geëvalueerd via Repeated Stratified 5-Fold Cross-Validation (100 runs) en Leave-One-Out Cross-Validation (LOOCV) tegen Logistic Regression, Random Forest en Gradient Boosting.
- Ablatie: Circuitvarianten werden getest om de bijdrage van de verstrengeling van de feature map versus de verstrengeling van de ansatz te isoleren.
- Hardware-executie: Het gekalibreerde model werd uitgerold op de 156-qubit IBM Heron processor (ibm_fez) met behulp van Qiskit Runtime Primitives V2 met Twirled Readout Error Extrapolation (TREX).
- Stress-test: Een tweede synthetische benchmark (Benchmark B) werd geconstrueerd met expliciete niet-lineaire generatieve regels (disjunctieve drempelwaarden) om het vermogen van het model tegen lineaire baselines te testen.

Belangrijkste Resultaten

Prestaties op Benchmark A: HQDIS bereikte een nauwkeurigheid van 80,33% (±2,72% 95% CI). Dit is statistisch niet te onderscheiden van Random Forest (83,00%) en Gradient Boosting (82,78%) ( $p > 0,7$ ). Logistic Regression behaalde een nominaal hogere waarde van 91,56%, maar het verschil was niet statistisch significant ( $p=0,133$ ), waarschijnlijk door een lage statistische power bij $N=45$ .
Ablatiebevindingen: Het verwijderen van de verstrengeling van de ansatz resulteerde in een nominale daling van 7 punten in nauwkeurigheid (73,44% vs. 80,33%) met een medium effectgrootte ( $d \approx 0,51$ ), maar dit verschil was niet statistisch significant ( $p \approx 0,32$ ). Het verwijderen van de verstrengeling van de feature map had geen negatieve impact op de nauwkeurigheid, hoewel het monotone schalingsprotocol essentieel bleef om fase-inversiefouten te voorkomen.
Hardware-getrouwheid: Op de IBM Heron processor bereikte het model een nauwkeurigheid van 93,33% ten opzichte van de grondwaarheid, met een concordantie van 97,78% met de ruisvrije simulatie ( $\kappa = 0,9552$ ). De verwachtingswaarden correleerden met $r = 0,9943$ .
Benchmark B (Niet-lineaire Stress-test): In een synthetische omgeving die expliciet ontworpen is om niet-lineaire regels te bevoordelen, werd HQDIS significant overtroffen door Random Forest in zowel nauwkeurigheid als AUC-ROC. Logistic Regression presteerde significant beter dan HQDIS in nauwkeurigheid ( $p=0,025$ ), terwijl HQDIS een niet-significante nominale voorsprong vertoonde in AUC-ROC ( $p=0,141$ ).
Auditbaarheid: Het systeem demonstreerde een reproduceerbaar contrafactueel auditmechanisme, waarbij de exacte drempelwaarde (Founder Credibility $\approx 4,6/7$ ) werd geïdentificeerd waar de beslissing omslaat van "Pass" naar "Fund" voor een grensgeval.

Betekenis en Claims
Het artikel neemt een bescheiden, rigoureuze houding aan met betrekking tot de bijdragen:

Proof of Concept voor NISQ Governance: De primaire bijdrage is het aantonen dat een quantum beslissingsarchitectuur met hoge getrouwheid kan worden uitgevoerd op de huidige 156-qubit supergeleidende hardware, terwijl de beslissingsretentie behouden blijft.
Wiskundige Correctie: De identificatie en resolutie van de "fase-inversie aliasing"-fout via monotone angulaire schaling is een specifieke technische bijdrage aan de stabiliteit van quantum feature maps.
Governance boven Predictie: De auteur voert aan dat de waarde van HQDIS ligt in governance en auditbaarheid (bijv. Bloch-sfeer trajecten, contrafactische stress-testen) in plaats van superieure voorspellende nauwkeurigheid. Het model biedt een geometrisch interpreteerbaar alternatief voor black-box deep learning.
4.Eerlijke Rapportage van Beperkingen: Het artikel erkent expliciet dat Benchmark A synthetisch en klein is ( $N=45$ ), wat de beweringen over voorspellende validiteit tegen echte wereldresultaten beperkt. Het rapporteert dat HQDIS op een benchmark die ontworpen is om niet-lineariteiten te bevoordelen, de klassieke baselines niet statistisch overtrof, en presenteert dit als een noodzakelijke bevinding om verdedigbare empirische claims te onderscheiden van steekproefartefacten.
Parameter-efficiëntie: De auteur beweert dat HQDIS de prestaties van complexe ensemble-methoden (Random Forest/Gradient Boosting) evenaart met slechts 13 parameters, hoewel hij toegeeft dat het in deze specifieke context niet de nog eenvoudigere Logistic Regression (5 parameters) overtreft.

Samenvattend presenteert het artikel HQDIS niet als een superieure voorspeller voor durfkapitaal, maar als een technisch levensvatbaar, controleerbaar en hardware-klaar framework voor het modelleren van niet-lineaire beslissingsdilemma's, met een duidelijke route naar toekomstige validatie op grotere, real-world datasets.

Technische Samenvatting: Naar Quantum Decision Intelligence (HQDIS)

Meer zoals dit