Árazás kvantum lehűtéssel

Számos fontos probléma (például gépi tanulás és mesterséges intelligencia, pénzügy, fehérje kutatás vagy akár orvosi alkalmazások) numerikus megoldása alapszik kombinatorikus optimalizáláson, vagy egy nem konvex célfüggvény globális optimumának meghatározásán. Hatékony módszerek fejlesztése az ilyen típusú feladatok megoldására hatalmas jelentőséggel bír.
A szimulált lehűtés (Simulated Annealing) egy sztochasztikus keresési eljárás, amely sokdimenziós keresési terekben képes megtalálni az optimális pontot. A gyakorlati alkalmazásokban azonban sokszor korlátozza a felhasználhatóságát ennek a számítási szempontból költséges algoritmusnak a lassú konvergenciasebessége.
Az – egyelőre nem általános célú – kvantumszámítógépek megjelenése nyújthat erre alternatívát, azok ugyanis kvantumfizikai hatások kihasználásával bizonyos feladatokat exponenciálisan gyorsabban tudnak végrehajtani, mint a hagyományos számítógépek. A kvantum lehűtés (Quantum annealing) a vákuum-fluktuáció elvén alapuló metaheurisztika, amely a lehetséges megoldások kvantummechanikai szuperpozíciójából kiindulva az alagúthatás által hatékonyan képes megtalálni a globális optimumot sok lokális szélsőértékkel rendelkező hiperfelületek esetén is. A lehetséges állapotok, azaz az alapprobléma lehetséges megoldásainak hullámfüggvénye időben követi a Schrödinger-egyenletet, ahol az egyes állapotokhoz tartozó valószínűségek alakulását, a sokprocesszoros rendszerekhez hasonlóan, párhuzamosításnak is lehet értelmezni. Ezáltal például egy D-Wave 2X eszközzel akár nyolc nagyságrendnyi növekedés érhető el a végrehajtási sebességben, miközben egy tipikus szuperszámítógép energiafelhasználásának töredéke is elegendő a működtetéséhez.
A fenti módszer gyakorlati előnyeit pénzügyi matematikai alkalmazásokon keresztül mutatom be, ahol a szignifikánsan nagyobb hatékonyság mellett a klasszikus megközelítésekhez képest új lehetőségeket is megnyit.