Sintesi del progetto
CHQO-CFN HQLA esplora l’uso del calcolo quantistico per affrontare il problema dell’ottimizzazione del cash flow netting, operazione essenziale per gli istituti bancari che devono ridurre l’ammontare di liquidità da coprire con High-Quality Liquid Assets (HQLA). Il progetto dimostra che problemi complessi e con crescita esponenziale possono essere affrontati tramite architetture quantistiche, distribuendo il calcolo su più circuiti paralleli.
Obiettivi
Il progetto mia a: ottimizzare la compensazione dei flussi di cassa su molteplici conti; ridurre significativamente il fabbisogno di HQLA; verificare la possibilità di gestire problemi di grandi dimensioni grazie alla decomposizione quantistica del problema in sottocomponenti eseguibili su QPU di dimensioni ridotte.
Problemi e necessità
Gli attuali algoritmi classici affrontano il cash flow netting con soluzioni approssimate, spesso lente e difficili da scalare. Con l’aumento della complessità e del volume delle transazioni, è quindi necessario trovare modi più efficienti per ottimizzare i flussi e contenere i costi di liquidità.
Soluzioni sviluppate
Il progetto ha ottenuto la risoluzione di un problema da 50 variabili utilizzando tre circuiti quantistici da 20 e 10 Qubit, dimostrando che problemi superiori alla dimensione dei singoli QPU possono essere suddivisi e gestiti in parallelo. L’algoritmo segmenta il problema in sottoproblemi indipendenti, li esegue su QPU per raccogliere campioni utili alla convergenza e ricompone poi la soluzione complessiva mantenendo le correlazioni rilevanti.
Benefici e ricadute
Le tecniche sviluppate possono essere applicate a compiti di classificazione, generazione e preparazione efficiente di stati quantistici, con ricadute future in ambiti come scienza dei materiali, finanza, cybersecurity e simulazione quantistica. Il progetto intende inoltre avvicinare la comunità scientifica agli strumenti di Quantum Machine Learning tramite software open source.
Settori che possono beneficiare
Oltre al dominio Quantum computing, i risultati sono rilevanti per i settori dell’Intelligenza Artificiale, del Software e della Ricerca Fondamentale, con possibilità di essere sfruttati in ambiti che richiedono ottimizzazione complessa e modelli avanzati di apprendimento quantistico.
