Analizuje zjawiska makroekonomiczne i polityczne. Współtworzyła Forum Ekonomiczne w Krynicy
(©Envato)
Czym różni się komputer klasyczny od kwantowego?
W komputerach klasycznych nośnikiem informacji jest bit, który przyjmuje wartości zero lub jeden (binarny system reprezentacji danych). Bity są przetwarzane przez bramki logiczne, które z kolei wykonują obliczenia logiczne (np. koniunkcja, alternatywa, negacja). Działając na wejściu na jedynkach i zerach, bramki generują na wyjściu kolejne bity w postaci jedynek lub zer, a te mogą stanowić nowe dane wejściowe do obliczeń. Bramki wykonują obliczenia za pomocą tranzystorów tworzących układy scalone i na postawie programu implementującego algorytm, który ma rozwiązywać dany problem obliczeniowy.
W komputerze kwantowym zmienia się sposób reprezentacji danych. Zamiast bitów funkcjonują kubity (jądra atomowe, elektrony lub fotony), które są nośnikami informacji kwantowej. Każdy kubit posiada dwa stany czyste (1 lub 0) oraz nieskończoną liczbę stanów mieszanych (tzw. superpozycji dwóch stanów bazowych). Bramki kwantowe modyfikują stany kubitów oraz prawdopodobieństwo otrzymania 1 lub 0 w wyniku pomiaru. O ile w komputerze klasycznym w każdej chwili bit znajduje się w stanie 0 lub 1, o tyle w komputerach kwantowych stan kubitu pozostaje nieznany do momentu pomiaru.
Skoro światem kwantowym rządzi losowość, to obliczenia kwantowe są probabilistyczne (nie deterministyczne): wyniki obliczeń w takim samym układzie kwantowym mogą się różnić nawet wtedy, gdy dane wejściowe są takie same. W praktyce oznacza to, że to samo obliczenie musi być wykonywane wiele razy, aby uzyskać najbardziej prawdopodobny wynik. W komputerach klasycznych zawsze musimy zastosować pewien algorytm, natomiast w komputerach kwantowych w pewnym sensie przyroda wykonuje tę pracę za człowieka.
Wykładniczy wzrost mocy
Moc obliczeniowa komputerów kwantowych powstaje w wyniku zjawiska zwanego splątaniem kubitów. Po dodaniu każdego dodatkowego kubitu moc obliczeniowa procesora podwaja się, gdyż do liczby splątań dochodzą splątania nowego kubitu ze wszystkimi stanami już istniejącymi. Niestety kubity są bardzo czułe na oddziaływanie środowiska zewnętrznego, którego siły mogą wybijać je ze splątania, czyli powodować dekoherencję układu kwantowego. Co więcej, cząstki mogą być ze sobą powiązane bez względu na to, jak daleko znajdują się od siebie. To tzw. splątanie stanowi trzecią właściwość kwantów, obok superpozycji i dekoherencji. Jeśli mamy do czynienia ze splątaniem, wówczas wystarczy, że jeden kwant zmieni swój stan, a wszystkie splątane z nią cząstki zrobią to samo. Zjawisko to, nazwane przez Alberta Einsteina „upiornym odziaływaniem na odległość”, znalazło potwierdzenie w badaniach eksperymentalnych.
Największym wyzwaniem dla deweloperów procesorów kwantowych jest projektowanie kubitów o wyższej wierności, odpornych na wspomnianą dekoherencję, czyli niekontrolowane interakcje pomiędzy systemem a jego otoczeniem. Prowadzi ona bowiem do utraty zachowania kwantowego, niszcząc przewagę, jaką mógłby zapewnić algorytm kwantowy. Czas dekoherencji wyznacza sztywny limit liczby operacji, które można wykonać w algorytmie kwantowym.
Nowa jakość dla sektora finansów
Wykorzystanie technologii kwantowej w finansach stworzy zupełnie nową jakość dla sektora. Przyspieszenie to może przejawiać się na wiele różnych sposobów, z których każdy będzie niósł ogromne oszczędności dla instytucji finansowych. Pozwoli to zredukować rządzącą rynkami niepewność, ograniczyć ryzyko, zwiększyć trafność arbitrażu, prognozować notowania giełdowe, optymalizować i odpowiednio dywersyfikować portfel, poprawić compliance (zgodność z prawem powszechnym i regulacjami wewnętrznymi), wykrywać oszustwa, przeprowadzać scoring kredytowy, wreszcie dynamicznie wykorzystywać dane behawioralne, aby skuteczniej realizować potrzeby klientów.
Wykorzystanie technologii kwantowej w finansach stworzy zupełnie nową jakość dla sektora. Przyspieszenie to może przejawiać się na wiele różnych sposobów, z których każdy będzie niósł ogromne oszczędności dla instytucji finansowych.
Pandemia COVID-19 pokazała, że dokładna ocena ryzyka pozostaje poważnym wyzwaniem dla instytucji finansowych. Jeszcze przed 2020 r. w ciągu ostatnich dwóch dekad mieliśmy do czynienia z wydarzeniami, które przyspieszyły zmiany w ocenie ryzyka różnych klas aktywów przez banki i innych uczestników rynku. Poskutkowało to wprowadzaniem coraz bardziej złożonych modeli ryzyka w czasie rzeczywistym opartych na sztucznej inteligencji, wciąż jednak implementowanych w ramach klasycznych komputerów o wielkiej mocy.
Sztuczna inteligencja w bankach powinna być szybciej wdrażana
Obecnie stosowane modele finansowe mogą dokonywać błędnych prognoz w jakościowo nowych sytuacjach. Spektakularnym tego przykładem jest krach z 2008 r., który był spowodowany ekstrapolacją przeszłego niskiego ryzyka, cechującego hipoteczne instrumenty pochodne, na jakościowo odmienną sytuację, powstałą w wyniku masowego udzielania kredytów typu subprime. Potężne procesory kwantowe (które wciąż nie istnieją) być może mogłyby przewidzieć to ryzyko.
Dwa typy komputerów kwantowych
Procesory kwantowe można podzielić na dwie główne gałęzie. Pierwsza z nich to komputery kwantowe oparte na modelu bramki kwantowej i obwodach kwantowych, które są najbardziej zbliżone do komputerów klasycznych. Pod względem liczby kubitów (dla architektury modelu bramkowego) Google jest obecnym rekordzistą z 72 kubitowym procesorem kwantowym. Istnieje wiele różnych strategii implementacji kubitów. Do głównych deweloperów procesorów kwantowych ogólnego przeznaczenia należą: Alibaba, IBM, Google i Rigetti (kubity nadprzewodzące), IonQ (uwięzione kubity jonowe), Xanadu (fotoniczny komputer kwantowy) i Microsoft (kubity topologiczne).
Wiele problemów w finansach sprowadza się do optymalizacji. Jest ona trudna do osiągnięcia dla klasycznych komputerów i stanowi idealne pole działania dla metod optymalizacji kwantowej. W ostatnich latach dziedzina ta odnotowała ogromny wzrost, częściowo ze względu na komercyjną dostępność tzw. wyżarzaczy kwantowych. Komputery te zostały zaprojektowane w celu rozwiązywania problemów optymalizacyjnych i stanowią drugą gałąź obliczeń kwantowych.
Niektóre eksperymentalne urządzenia do wyżarzania kwantowego są już dostępne na rynku, a najbardziej znanym przykładem jest procesor D-Wave, który zawiera ponad 5000 kubitów nadprzewodzących. Rozwiązywanie problemów optymalizacyjnych w przypadku kwantowych wyżarzaczy nie wymaga projektowania obwodu składającego się z bramek kwantowych. W idealnych warunkach są one porównywalnie potężne, jak te oparte na modelu obwodu kwantowego.
„Trzeba zdefiniować problem optymalizacyjny przy pomocy tzw. sformułowania QUBO (Quadratic Unconstrained Binary Optimization), które jest odpowiednio kodowane w kwantowym wyżarzaczu (dzięki powiązaniu pomiędzy QUBO i modelem Isinga występującym w ferromagnetyzmie). Następnie, zmieniając natężenie pola magnetycznego, sprawiamy, że obliczenia wykonuje za nas przyroda i dzięki prawom fizyki (np. zjawisku kwantowego tunelowania, czyli zjawisku przejścia cząstki przez barierę potencjału o wysokości większej niż energia cząstki) możemy efektywnie znajdować rozwiązania danego problemu optymalizacyjnego” – mówi Paweł Góra, matematyk z UW, założyciel i prezes Fundacji Quantum AI.
Potrzebne nowe metody szyfrowania
Naukowcy policzyli, że gdyby wszystkie klasyczne komputery współpracowały w celu złamania klucza szyfrującego (np. chroniącego konto bankowe), zajęłoby to około 14 miliardów lat. Tymczasem teoretycznie udowodniono, że komputer kwantowy byłby w stanie dokonać tego w ciągu kilku minut.
Rozwój obliczeń kwantowych nieuchronnie wymusi więc na bankach zmianę całej architektury bezpieczeństwa cyfrowego. Bo gdy tylko pojawią się wielkoskalowe, odporne na dekoherencję uniwersalne komputery kwantowe, istnieje ryzyko, że dane dotyczące ludzi, firm i transakcji zostaną zhakowane. Nic dziwnego, że giganci bankowości, tacy jak JP Morgan, Wells Fargo, Barclays, Mitsubishi Financial Group, Citigroup, Goldman Sachs czy Caixa Bank, inwestują w badania nad obliczeniami kwantowymi.
Metoda Monte Carlo i kwantowe uczenie maszynowe
Ze względu na niepewność i zmienność rynków zwykło się myśleć o aktywach i portfelach jako o systemach z natury losowych. „Komputery kwantowe są w stanie symulować idealną losowość, czyli taką, jaka występuje w świecie rzeczywistym (w komputerach klasycznych stosuje się generatory liczb losowych, sztucznie generujące losowość)” – dodaje Paweł Góra.
Losowość jest oczywiście źródłem ryzyka, które może być niezwykle trudne do oszacowania. Tak jest, choćby, w przypadku opcji, czyli instrumentów pochodnych, z których zwrot zależy od wartości odpowiadających im instrumentów bazowych. Problem wartości danej opcji w prostych przypadkach można rozwiązać za pomocą zamkniętych formuł, ale w skali makro zastosowanie do niego mają metody symulacji, takie jak metoda Monte Carlo. Jest to potężna statystyczna metoda próbkowania (proces pomiaru sygnału w określonych punktach czasu), niezwykle przydatna do modelowania złożonych symulacji zachowania aktywów w czasie (komputery kwantowe są w stanie próbkować z rozkładów prawdopodobieństwa, zbyt skomplikowanych dla komputerów klasycznych). Poza przewidywaniem cen opcji symulacje Monte Carlo miałyby szerokie zastosowanie do prognozowania rynków kapitałowych i w ogóle oceny ryzyka w modelach finansowych z szeregiem zmiennych.
Do rozwiązywania problemów finansowych dotyczących prognozowania często szuka się wzorców w postaci danych z przeszłości. Jest to naturalny obszar, w którym metody uczenia maszynowego okazały się niezwykle skuteczne. Koszty tego są jednak często zaporowe, toteż w ostatnich latach podjęto prace nad opracowaniem algorytmów kwantowego uczenia maszynowego. Optymalizując uczenie maszynowe i stosując algorytmy zdolne do rozpoznawania wzorców w wielkich zbiorach danych, komputery kwantowe będą mogły robić wysoce złożone prognozy.
Spośród startupów zajmujących się oprogramowaniem kwantowym na całym świecie Multiverse Computing i Chicago Quantum opracowały już konkretne rozwiązania kwantowe dla sektora finansowego i ogłosiły zachęcające wyniki w obszarze optymalizacji portfela. Najbardziej dojrzały jest produkt Multiverse Computing, narzędzie do optymalizacji inwestycji, zdolne poprawić alokację aktywów i zarządzanie nimi, generując – jak zapewniają jego twórcy – średnio dwukrotnie większy zwrot z inwestycji przy stałym ryzyku i zmienności. Poza tym firma opracowuje inspirowane kwantami rozwiązania do przewidywania krachów finansowych, określania anomalii w wielkich nieustrukturyzowanych zbiorach danych oraz identyfikowania oszustw podatkowych. Zastrzeżony algorytm Chicago Quantum rzekomo pokonuje indeksy S&P 500 i NASDAQ Composite 100.
Wyścig trwa
W świecie pełnym danych coraz mocniejsze komputery są niezbędne do dokładnego obliczania prawdopodobieństwa. Możliwości komputera kwantowego będą o rzędy wielkości większe niż w przypadku komputerów tradycyjnych – nawet tych potężnych. A to dlatego, że podwojenie mocy klasycznego komputera wymaga około dwukrotnie większej liczby tranzystorów pracujących nad problemem, podczas gdy moc komputera kwantowego można w przybliżeniu podwoić za każdym razem, gdy dodany zostanie tylko jeden kubit.
Możliwości komputera kwantowego będą o rzędy wielkości większe niż w przypadku komputerów tradycyjnych – nawet tych potężnych.
Chociaż obecnie dostępne są tylko małe procesory kwantowe, oczekiwania wobec tej technologii są ogromne. O ile szerokie zastosowanie komercyjne to wciąż pieśń przyszłości, o tyle w sektorze finansowym (bankowość, rynki finansowe i ubezpieczenia) komputery kwantowe zaczną rozwiązywać specyficzne kwestie prawdopodobnie już w tej dekadzie.
Ta rozwijająca się technologia przyspieszy i zwiększy wydajność procesu liczenia i usprawni uczenie maszynowe. Obliczenia kwantowe zapewnią wykładniczą moc rozwiązywania matematycznie trudnych problemów, skrócą czas wykonywania obliczeń i w ogóle umożliwią obliczenia, które są obecnie poza zasięgiem najpotężniejszych komputerów klasycznych.
Wielkie instytucje finansowe łączą siły z deweloperami systemów kwantowych, ponieważ wiedzą, że supremacja kwantowa to gra o wielką stawkę i ten, kto jako pierwszy ją osiągnie, stanie się liderem sektora finansowego w skali globu.
W ostatnich miesiącach ceny ropy naftowej utrzymywały się w relatywnie wąskim przedziale wahań. Główne czynniki wpływające na rynek tego strategicznego surowca to eskalacja działań wojennych w kilku regionach świata oraz polityka krajów OPEC.
W styczniu 2020 roku Wielka Brytania formalnie opuściła Unię Europejską. Oczekiwane korzyści z brexitu, poza odzyskaniem suwerenności w zakresie kształtowania prawa i zewnętrznych relacji gospodarczych, jednak się nie zmaterializowały. Widoczny jest natomiast spadek wydajności i konkurencyjności brytyjskiej gospodarki, co wpływa także na kondycję rynku pracy.
