⚛️ quantum physics

Large-scale portfolio optimization on a trapped-ion quantum computer

Os autores apresentam e validam experimentalmente um pipeline de ponta a ponta para otimização de portfólios em larga escala com restrições de cardinalidade em computadores quânticos de íons presos, utilizando decomposição guiada por correlações e o método BF-DCQO para demonstrar que o aumento do tamanho dos subproblemas executáveis melhora sistematicamente a qualidade da solução financeira.

Autores originais: Alejandro Gomez Cadavid, Ananth Kaushik, Pranav Chandarana, Miguel Angel Lopez-Ruiz, Gaurav Dev, Willie Aboumrad, Qi Zhang, Claudio Girotto, Sebastián V. Romero, Martin Roetteler, Enrique Solano, Marc

Publicado 2026-03-02

📖 4 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Alejandro Gomez Cadavid, Ananth Kaushik, Pranav Chandarana, Miguel Angel Lopez-Ruiz, Gaurav Dev, Willie Aboumrad, Qi Zhang, Claudio Girotto, Sebastián V. Romero, Martin Roetteler, Enrique Solano, Marco Pistoia, Narendra N. Hegade

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um chef de cozinha tentando criar o prato perfeito para um banquete gigante. Você tem 250 ingredientes diferentes (ações da bolsa de valores) e precisa escolher exatamente 125 deles para fazer a melhor combinação possível: algo que seja saboroso (alto retorno) mas que não estrague a saúde do cliente (baixo risco).

O problema é que testar todas as combinações possíveis de 125 ingredientes entre 250 levaria mais tempo do que a vida inteira do universo. Computadores comuns ficam travados nessa tarefa. É aqui que entra a "magia" da computação quântica, mas com um pequeno problema: os computadores quânticos atuais são como cozinhas de teste muito pequenas. Eles só conseguem processar uma pequena panela de ingredientes por vez.

Este artigo descreve uma receita inovadora para resolver esse problema gigante usando uma dessas "cozinhas pequenas" (um computador quântico de íons presos da IonQ).

Aqui está como eles fizeram isso, passo a passo, em linguagem simples:

1. O Problema: A Cozinha Muito Cheia

O desafio é escolher 125 ações entre 250. É um quebra-cabeça complexo onde cada ingrediente afeta os outros. Se você escolher o tomate, talvez não queira a cebola porque eles estragam o sabor juntos (correlação negativa), ou talvez queira o manjericão porque combina perfeitamente (correlação positiva).

2. A Estratégia: Dividir para Conquistar (O "Desmonte Inteligente")

Como a cozinha quântica é pequena (tem apenas 36 ou 64 "mãos" ou qubits), eles não podem tentar cozinhar tudo de uma vez.

O que fizeram: Eles usaram um algoritmo inteligente para analisar os 250 ingredientes e agrupá-los em "turmas" ou "cliques" de amigos.
A Analogia: Imagine que você tem 250 pessoas em uma festa. Você não consegue fazer todos conversarem ao mesmo tempo em uma sala pequena. Então, você divide a festa em grupos menores de amigos que já se conhecem e se dão bem.
O Truque: Eles garantiram que nenhum grupo fosse maior do que a capacidade da cozinha quântica. Se um grupo de amigos fosse muito grande, eles o dividiam em grupos menores, mas mantendo a lógica de que os "melhores amigos" (ações correlacionadas) ficassem juntos.

3. A Cozinhada: O Computador Quântico como um "Gênio do Paladar"

Para cada um desses grupos menores, eles usaram o computador quântico.

A Técnica: Eles usaram um método chamado BF-DCQO. Imagine que é como um guia de sabor que ajusta o tempero em tempo real. Em vez de tentar adivinhar o prato perfeito de uma vez, o computador "anda" suavemente por diferentes combinações, corrigindo erros rapidamente e evitando ficar preso em sabores ruins (o que chamam de "otimização contra-diabática").
O Resultado: O computador quântico encontrou as melhores combinações dentro de cada pequeno grupo.

4. A Montagem: Juntando as Peças (Pós-processamento)

Agora, eles tinham as melhores receitas para cada pequeno grupo, mas precisavam montar o prato final com 125 ingredientes.

O Problema: Ao juntar as peças, o número total de ingredientes podia ficar errado (ex: 124 ou 126 em vez de 125).
A Solução: Eles usaram um "ajuste fino" clássico (feito por computadores normais, mas muito rápido).
1. Conserto Rápido: Se faltava um ingrediente, eles adicionavam o melhor candidato; se sobrava, removiam o pior.
2. Troca de Lugar: Eles faziam pequenas trocas (trocar um ingrediente por outro) para ver se o prato ficava ainda mais saboroso, sem mudar o número total de ingredientes.

5. O Resultado: O Prato Perfeito

Eles testaram isso em um computador quântico real (IonQ) e compararam com métodos aleatórios.

A Descoberta: Quanto maior o grupo que o computador quântico conseguia cozinhar de uma vez (ou seja, quanto mais "mãos" ele tinha disponíveis), melhor era o resultado final.
A Lição: Dividir o problema em pedaços que cabem no computador quântico funciona muito bem. Mesmo com máquinas pequenas de hoje, eles conseguiram criar carteiras de investimento melhores do que métodos tradicionais aleatórios, especialmente quando conseguiam processar grupos um pouco maiores (de 36 para 64 qubits).

Resumo em uma Frase

Os autores criaram um método inteligente para dividir um problema de investimento gigante em pedaços pequenos que cabem na "boca" de um computador quântico atual, usam a máquina para encontrar as melhores soluções locais e depois juntam tudo com um ajuste fino, provando que mesmo com máquinas pequenas, podemos resolver problemas financeiros complexos de forma eficiente.

É como se, em vez de tentar montar um quebra-cabeça de 10.000 peças sozinho em uma mesa pequena, você dividisse o quebra-cabeça em 10 caixas menores, usasse um robô super-rápido para montar cada caixa e, no final, apenas encaixasse as bordas das caixas para ter a imagem completa.

Resumo Técnico: Otimização de Portfólio em Grande Escala em Computadores Quânticos de Íons Aprisionados

1. Problema Abordado

O artigo foca no problema de seleção de portfólio com restrições de cardinalidade, um desafio clássico e NP-difícil na finanças computacional. O objetivo é selecionar um subconjunto fixo de $K$ ativos (de um universo total de $n$ ativos) que otimize o trade-off entre retorno esperado e risco (variância), baseado no modelo de média-variância de Markowitz.

Desafios Principais:
- A natureza combinatória do problema (escolha binária de ativos).
- A necessidade de impor uma restrição exata de cardinalidade ( $\sum x_i = K$ ).
- O tamanho do problema (ex: 250 ativos) excede a capacidade de qubits dos processadores quânticos atuais (NISQ).
- Ruído e limitações de coerência nos dispositivos quânticos atuais.

2. Metodologia Proposta

Os autores desenvolveram um pipeline end-to-end (de ponta a ponta) que integra decomposição de dados, otimização quântica e pós-processamento clássico. A abordagem é "consciente do hardware" (hardware-aware), adaptando o problema às limitações físicas do dispositivo.

A. Decomposição Consciente do Hardware

Denoising e Detecção de Comunidades: Utilizam a Teoria de Matrizes Aleatórias (RMT) para limpar a matriz de correlação de ativos, removendo ruído e isolando modos de mercado globais. Em seguida, aplicam detecção de comunidades (ex: algoritmo Louvain) para agrupar ativos correlacionados.
Divisão Greedy (Avarenta): Como os grupos (comunidades) podem ser maiores que o número de qubits disponíveis ( $Q_{max}$ ), eles aplicam um esquema de divisão greedy baseado em correlação. Isso garante que cada cluster resultante tenha um tamanho $\le Q_{max}$ , transformando o problema global em múltiplos subproblemas menores e executáveis.

B. Otimizador Quântico: BF-DCQO

Para resolver os subproblemas de Ising/QUBO gerados, utilizam o algoritmo Bias-Field Digitized Counterdiabatic Quantum Optimization (BF-DCQO).
Características: É um método não variacional (evita loops de treinamento de parâmetros clássicos).
Mecanismo: Segue um caminho adiabático de um Hamiltoniano inicial enviesado para o Hamiltoniano alvo, utilizando termos counterdiabatic (CD) para acelerar a evolução e evitar excitações indesejadas.
Implementação Digital: O tempo de evolução é discretizado via Trotterização. Para reduzir a profundidade do circuito e o ruído, aplicam uma técnica de "poda" (pruning), descartando portas com ângulos de rotação abaixo de um limiar.
Iteração: O algoritmo ajusta campos de viés (bias fields) iterativamente com base nas orientações de spin medidas, refinando a busca pela solução de baixa energia.

C. Hardware Utilizado

Os experimentos foram realizados em processadores quânticos de íons aprisionados da IonQ.
Sistemas:
- IonQ Forte/Forte Enterprise: 36 qubits (íons de Ytterbium-171).
- Sistema de Desenvolvimento Barium: Até 64 qubits (íons de Bário), similar à futura linha IonQ Tempo.
Vantagem: A arquitetura de íons aprisionados permite interações quase "todos-com-todos" (all-to-all), reduzindo a necessidade de operações de troca (SWAP) e mantendo circuitos mais curtos para problemas densos.

D. Pós-Processamento Clássico

Como os circuitos quânticos não preservam estritamente a cardinalidade devido ao ruído, aplica-se um protocolo de duas etapas:
1. Reparo Determinístico: Projeta a solução quântica na variedade de restrição (ajusta o peso de Hamming para $K$ ) usando gradientes da função de custo.
2. Busca Local de Troca: Realiza uma busca local leve (troca de pares de ativos) mantendo a cardinalidade fixa para refinar a solução.

3. Resultados Experimentais

O pipeline foi testado em um universo de 250 ativos (extraídos do S&P 500) com um horizonte temporal de 2020 a 2025.

Configurações Testadas:
- 36 Qubits: O universo foi dividido em 14 clusters (máximo de 36 ativos por cluster).
- 64 Qubits: O universo foi dividido em 11 clusters (máximo de 60 ativos por cluster).
Desempenho:
- Escalabilidade: Aumentar o orçamento de qubits (de 36 para 64) reduziu o erro de decomposição, resultando em valores objetivos finais melhores e melhores trade-offs risco-retorno.
- Qualidade da Solução: As soluções pós-processadas obtidas com o BF-DCQO superaram as linhas de base aleatórias e se aproximaram mais do ótimo global (calculado via solver clássico Gurobi) do que as soluções de referência recombinadas.
- Poda de Circuitos: A variação nos níveis de poda (remoção de portas) mostrou que representações de Hamiltoniano com recursos reduzidos (poda média vs. alta) mantiveram desempenho competitivo, sugerindo que a complexidade do circuito pode ser reduzida sem degradar significativamente a qualidade da solução em hardware ruidoso.
- Diversidade: O pipeline gerou uma distribuição ampla de portfólios viáveis no plano risco-retorno, demonstrando que a otimização não se limita a extremos, mas explora trade-offs financeiros interpretáveis.

4. Contribuições Chave

Pipeline Integrado: Demonstração experimental completa de um fluxo de trabalho que vai desde dados de mercado reais até portfólios finais em hardware quântico.
Decomposição Adaptativa: Um método robusto para dividir problemas financeiros massivos em subproblemas que cabem em dispositivos quânticos atuais, respeitando limites de hardware.
Validação de BF-DCQO: Evidência experimental de que algoritmos não variacionais com counterdiabatic são eficazes para otimização combinatória densa em hardware de íons aprisionados.
Análise de Trade-off: Estabelecimento de uma relação clara entre o tamanho do subproblema executável, o custo do circuito e a qualidade da solução final.

5. Significado e Implicações

O trabalho estabelece uma rota viável e testada em hardware para escalar problemas de otimização financeira para dispositivos quânticos de próxima geração.

Para a Indústria: Demonstra que, mesmo com limitações atuais de qubits, é possível abordar problemas industriais reais (centenas de ativos) através de decomposição inteligente e otimização híbrida.
Para a Pesquisa: Mostra que a melhoria na qualidade da solução é monotônica com o aumento do número de qubits, validando a estratégia de "subproblemas maiores = melhores soluções globais".
Futuro: O método é naturalmente paralelizável (subproblemas independentes) e se beneficiará diretamente de futuros hardwares com maior contagem de qubits e fidelidade de portas, prometendo uma transição suave para a vantagem quântica prática em finanças.

Em resumo, o artigo prova que a combinação de decomposição baseada em correlação, otimização quântica não variacional e pós-processamento clássico inteligente é uma estratégia eficaz para resolver problemas de portfólio complexos em hardware quântico atual.