Q-PhotoMarket: A Design Space Exploration Framework for Photonic Hybrid Quantum Neural Networks in Financial Market Prediction

No mundo das finanças, prever se o preço de uma ação irá subir ou cair amanhã é uma tarefa que tem desafiado a intuição humana e os modelos matemáticos há décadas. Os sinais são frequentemente tênues, os movimentos de mercado são caóticos e os dados mudam constantemente. Recentemente, cientistas começaram a recorrer a um novo tipo de computador para ajudar a resolver este enigma: o computador quântico. Ao contrário dos dispositivos que usamos hoje, que processam informações como simples interruptores de ligar ou desligar, as máquinas quânticas podem manter a informação num estado muito mais complexo, permitindo-lhes explorar muitas possibilidades ao mesmo tempo. Uma versão promissora desta tecnologia utiliza a luz, especificamente partículas chamadas fotões, para realizar estes cálculos. Como a luz é rápida e pode ser manipulada com alta precisão, os investigadores estão a construir sistemas híbridos que combinam estes circuitos quânticos baseados em luz com as ferramentas familiares e poderosas da inteligência artificial clássica. A esperança é que, ao misturar estes dois mundos, consigam encontrar padrões nos dados financeiros que os computadores tradicionais não detetam.

Uma equipa de investigadores da Universidade de Nova Iorque Abu Dhabi e da Universidade do Sul da Dinamarca deu um passo significativo em frente na compreensão de como construir estes sistemas baseados em luz para as finanças. Eles criaram um novo framework chamado Q-PhotoMarket, que atua como um enorme campo de testes para milhares de designs diferentes. Em vez de adivinhar qual a combinação de circuitos de luz e configurações que funcionaria melhor, exploraram sistematicamente mais de 5.000 configurações válidas. Testaram estes designs em dados do mundo real de três mercados financeiros muito diferentes: o principal índice de ações dos EUA, um índice de ações líder da Índia e o mundo volátil das criptomoedas. O seu objetivo era ver como as escolhas no design físico dos circuitos de luz — tais como a forma como a luz entra no sistema, como os espelhos e lentes são arranjados e como o resultado final é medido — afetam a capacidade de prever os movimentos do mercado.

Os investigadores descobriram que a forma como a luz é arranjada dentro da máquina importa muito mais do que o tipo específico de partículas de luz utilizadas no início. Descobriram que certos layouts arquitetónicos, particularmente aqueles que permitem que a luz interaja de formas complexas e universais, produziam consistentemente melhores previsões do que configurações mais simples. Uma das descobertas mais surpreendentes foi que tornar a tarefa de previsão mais difícil ajudava o sistema a ter um melhor desempenho. Quando os investigadores pediram aos modelos para preverem apenas grandes saltos económicos significativos, em vez de qualquer movimento pequeno, os modelos tornaram-se mais precisos. Isto aconteceu porque a filtragem das flutuações minúsculas e ruidosas deixou um sinal mais claro para o computador aprender. No entanto, isto também introduziu um novo desafio: à medida que a tarefa se tornava mais difícil, os modelos por vezes deixavam de fazer previsões, um modo de falha que a equipa aprendeu a detetar e a corrigir através do ajuste cuidadoso dos seus limiares de decisão.

Para garantir que estavam a encontrar os melhores designs e não apenas palpites de sorte, a equipa utilizou um método de busca inteligente que aprendia com as suas próprias tentativas. Começaram por testar um vasto número de possibilidades e depois utilizaram os resultados para guiar a sua busca para as áreas mais promissoras. Este processo revelou que, embora nenhum design único funcionasse perfeitamente para todos os mercados, existiam padrões claros. Por exemplo, um tipo específico de layout de circuito conhecido como malha (mesh), que permite que a luz se misture em muitas direções, frequentemente superava outras formas. Também descobriram que o método utilizado para ler o resultado final da luz era tão importante quanto o próprio circuito. Ao medir a probabilidade de encontrar fotões em estados específicos, o sistema conseguia extrair informações úteis de forma mais eficaz do que ao medir outras propriedades.

Quando compararam os seus melhores designs baseados em luz com os programas de computador padrão utilizados para finanças, os modelos quânticos mantiveram-se à altura. Não venceram sempre os métodos clássicos por uma margem enorme, mas apresentaram um desempenho competitivo, especialmente na tarefa difícil de prever movimentos de mercado raros e de grande magnitude. Isto sugere que estes sistemas híbridos não são apenas curiosidades teóricas, mas têm potencial real para uso prático. O estudo também destacou que o campo evoluiu para além da simples construção de um computador quântico; o foco está agora em compreender exatamente como projetar estas máquinas para tarefas específicas. Os investigadores mostraram que, ao explorar o espaço de design de forma exaustiva, em vez de depender de um único palpite, conseguiram identificar configurações robustas que funcionam através de diferentes tipos de dados financeiros.

O trabalho serve como um roteiro para o futuro desta tecnologia. Demonstra que o caminho para uma melhor previsão financeira não reside apenas na construção de máquinas quânticas maiores ou mais rápidas, mas na compreensão dos detalhes intrincados de como a luz é manipulada dentro delas. As conclusões da equipa sugerem que os sistemas mais bem-sucedidos serão aqueles que equilibram cuidadosamente a complexidade do circuito com o método utilizado para ler a resposta. Embora os experiências tenham sido conduzidas utilizando simulações avançadas em vez de hardware físico, os resultados fornecem um mapa claro para o que construir a seguir. À medida que a tecnologia quântica amadurece, estes insights ajudarão os engenheiros a construir máquinas que possam navegar nas águas imprevisíveis da economia global com maior precisão, transformando o ruído caótico do mercado em inteligência acionável.