کتاب Quantum Machine Learning and Optimisation in Finance: Drive financial innovation with quantum-powered algorithms and optimisation strategies (یادگیری ماشین کوانتومی و بهینه‌سازی در امور مالی: نوآوری مالی را با الگوریتم‌ها و استراتژی‌های بهینه‌سازی مبتنی بر کوانتوم پیش ببرید) یک راهنمای جامع برای ورود به دنیای هیجان‌انگیز تقاطع محاسبات کوانتومی و امور مالی است.
این کتاب به شما کمک می‌کند تا درک عمیقی از نحوه استفاده از قدرت محاسبات کوانتومی برای حل چالش‌های پیچیده در حوزه مالی پیدا کنید. با استفاده از مثال‌های عملی و الگوریتم‌های پیشرفته، این کتاب به شما نشان می‌دهد که چگونه می‌توانید از یادگیری ماشین کوانتومی و بهینه‌سازی کوانتومی برای توسعه مدل‌های مالی دقیق‌تر، پیش‌بینی بازارهای مالی با دقت بیشتر و ایجاد استراتژی‌های سرمایه‌گذاری نوآورانه بهره‌برداری کنید.
در ادامه مقدمه‌ای از کتاب Quantum Machine Learning and Optimisation in Finance را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Quantum Machine Learning and Optimisation in Finance:
چرا محاسبات کوانتومی؟ محاسبات کوانتومی و هوش مصنوعی جامعه ما را به همان شکلی که محاسبات دیجیتال کلاسیک در نیمه دوم قرن بیستم و اینترنت در دو دهه اول قرن بیست و یکم انجام دادند، متحول و دگرگون خواهند کرد.
محاسبات کوانتومی (یا به طور کلی‌تر، نظریه اطلاعات کوانتومی) از دهه 1960 موضوع تحقیقات گسترده‌ای بوده است، اما تنها در دهه گذشته پیشرفت در سخت‌افزار امکان آزمایش الگوریتم‌های محاسبات کوانتومی را فراهم کرده است و تنها در چند سال گذشته برتری محاسبات کوانتومی به عنوان یک واقعیت تجربی ادعا شد (زمانی که یک آزمایش مهم روی تراشه کوانتومی Sycamore 53 کیوبیتی گوگل انجام شد [16]).
داستان محاسبات کوانتومی از این نظر شبیه به داستان هوش مصنوعی است: هوش مصنوعی در دهه 1950 متولد شد اما سپس دو “زمستان” را تجربه کرد، زمانی که علاقه به هوش مصنوعی و یادگیری ماشین به میزان قابل توجهی کاهش یافت (پس از گزارش لایت‌هیل در بریتانیا، شکست تحقیقات درک گفتار در ایالات متحده در دهه 1970 و فروپاشی LISP در دهه 1990)، قبل از اینکه به طور گسترده مورد استفاده و پذیرش قرار گیرد تا جایی که دیگر نمی‌توانیم زندگی خود را بدون آن تصور کنیم.
حتی اگر نتوانیم “زمستان محاسبات کوانتومی” را قبل از اینکه فناوری محاسبات کوانتومی به همان اندازه اینترنت، تلفن‌های هوشمند و هوش مصنوعی در زندگی روزمره ما جای گیرد، رد کنیم، طیف پیشرفت‌های محاسبات کوانتومی که در چند سال گذشته شاهد آن بوده‌ایم، تا حدودی آن را بعید می‌کند.
با پیشرفت‌های اخیر در این زمینه، ما در نهایت به عصر محاسبات کوانتومی نویزی مقیاس متوسط (NISQ) رسیده‌ایم [259]. رایانه‌های عصر NISQ به اندازه کافی قدرتمند هستند تا الگوریتم‌های محاسبات کوانتومی را آزمایش کنند و مشکلات غیرقابل‌حل دنیای واقعی را حل کنند – و برتری کوانتومی و مزیت کوانتومی را نسبت به سخت‌افزار کلاسیک قابل مقایسه ثابت کنند.
با این حال، احتمالاً اولین کاربردهای تجاری سطح تولید واقعی، پروتکل ترکیبی کوانتومی-کلاسیک خواهد بود، که در آن بیشتر محاسبات و پردازش داده‌ها به صورت کلاسیک انجام می‌شود، اما سخت‌ترین مشکلات به تراشه کوانتومی برون‌سپاری می‌شود. در امور مالی، مشکلات بهینه‌سازی پرتفوی گسسته، که NP-hard هستند، نمونه‌هایی از این دست و اهداف روشنی برای رسیدگی هستند.
چرا یادگیری ماشین کوانتومی؟
این ترکیبی از محاسبات کوانتومی و هوش مصنوعی است که احتمالاً هیجان‌انگیزترین فرصت‌ها را ایجاد می‌کند، از جمله طیف کاملی از کاربردهای احتمالی در امور مالی، بلکه در پزشکی، شیمی، فیزیک و غیره.
ما قبلاً شاهد اولین نتایج امیدوارکننده‌ای بوده‌ایم که با مدارهای کوانتومی پارامتریزه شده به عنوان مدل‌های مولد (مانند یک ماشین متولد شده با مدار کوانتومی، که می‌تواند به عنوان یک تولیدکننده داده مصنوعی استفاده شود) یا مدل‌های تبعیض‌آمیز (مانند یک شبکه عصبی کوانتومی که می‌تواند به عنوان یک طبقه‌بندی‌کننده آموزش داده شود) به دست آمده است. موارد استفاده ممکن شامل تولیدکنندگان بازار، ناشناس‌سازی داده‌ها، امتیازدهی اعتباری و تولید سیگنال‌های معاملاتی است.
تمام مدل‌ها و تکنیک‌های ذکر شده تاکنون به وجود رایانه‌های کوانتومی مدل دروازه جهانی متکی هستند. با این حال، نوع دیگری از سخت‌افزار کوانتومی وجود دارد – آنیلرهای کوانتومی – که اصل محاسبات کوانتومی آدیاباتیک را تحقق می‌بخشند.
آنیلرهای کوانتومی رایانه‌های کوانتومی آنالوگ هستند که برای حل مشکلات بهینه‌سازی پیچیده‌ای که برای رایانه‌های کلاسیک NP-hard هستند بسیار مناسب هستند. مشکلات بهینه‌سازی کلاس بزرگی از مشکلات مالی دشوار برای حل هستند، به علاوه این واقعیت که بسیاری از ابزارهای یادگیری نظارت‌شده و تقویتی که در امور مالی استفاده می‌شوند از طریق حل مشکلات بهینه‌سازی (به حداقل رساندن تابع هزینه، به حداکثر رساندن پاداش) آموزش داده می‌شوند.
یک مثال از مشکلات یادگیری ماشین تبعیض‌آمیز حل شده با استفاده از آنیلرهای کوانتومی، ساخت یک طبقه‌بندی‌کننده قوی از چندین طبقه‌بندی‌کننده ضعیف خواهد بود – الگوریتم تقویت کوانتومی. طبقه‌بندی‌کننده قوی در برابر بیش‌آموزی و خطاها در همبستگی‌های مشاهدات فیزیکی در داده‌های آموزشی بسیار مقاوم است.
طبقه‌بندی‌کننده‌های آموزش‌دیده با آنیلینگ کوانتومی عملکردی مشابه روش‌های یادگیری ماشین کلاسیک پیشرفته دارند. با این حال، در مقابل این روش‌ها، طبقه‌بندی‌کننده‌های مبتنی بر آنیلینگ توابع ساده‌ای از پارامترهای تجربی قابل تفسیر مستقیم با معنای فیزیکی واضح هستند و برخی مزایا را نسبت به روش‌های سنتی یادگیری ماشین برای مجموعه داده‌های آموزشی کوچک نشان می‌دهند.
کاربرد دیگر آنیلینگ کوانتومی در یادگیری مولد است. در یادگیری عمیق، رویکرد شناخته‌شده‌ای برای آموزش یک شبکه عصبی عمیق با آموزش یک ماشین بولتزمن عمیق مولد، معمولاً با استفاده از الگوریتم واگرایی متضاد (CD)، و سپس تنظیم دقیق وزن‌ها با استفاده از پس‌انتشار یا سایر تکنیک‌های تبعیض‌آمیز آغاز می‌شود.
با این حال، آموزش مولد اغلب به دلیل اختلاط آهسته نمونه‌گیری بولتزمن (گیبس) زمان‌بر است. رویکرد آموزشی مبتنی بر نمونه‌گیری کوانتومی می‌تواند دقت قابل مقایسه یا بهتری را با تعداد تکرارهای بسیار کمتری از آموزش مولد نسبت به آموزش مبتنی بر CD معمولی به دست آورد.
بنابراین تمرکز اصلی کتاب Quantum Machine Learning and Optimisation in Finance بر رسیدگی به کاربردهای عملی دنیای واقعی الگوریتم‌های یادگیری ماشین کوانتومی (QML) قابل اجرا بر روی سخت‌افزار NISQ است، نه اتخاذ رویکرد متداول‌تر کتاب‌های درسی محاسبات کوانتومی، که با دقت الگوریتم‌های استاندارد محاسبات کوانتومی (شور، گروور، …) را توصیف می‌کنند، که نیازهای سخت‌افزار کوانتومی آن‌ها بسیار فراتر از قابلیت‌های رایانه‌های NISQ است.
تمرکز همچنین بر روی پروتکل‌های محاسباتی ترکیبی کوانتومی-کلاسیک است که نشان‌دهنده موثرترین راه برای بهره‌برداری از قدرت محاسبات کوانتومی است – این در کنار محاسبات کلاسیک است که راه‌حل‌های محاسبات کوانتومی می‌توانند حداکثر مزایا را برای کاربران فراهم کنند.
در کتاب Quantum Machine Learning and Optimisation in Finance، ما تمام الگوریتم‌های اصلی QML را پوشش می‌دهیم که موضوع تحقیقات فشرده توسط صنعت بوده و نشانه‌های اولیه‌ای از مزیت کوانتومی بالقوه را نشان داده‌اند. ما همچنین دیدگاه متعادلی از هر دو رایانه کوانتومی آنالوگ و دیجیتال ارائه می‌دهیم و سعی نمی‌کنیم در مورد اینکه کدام فناوری محاسبات کوانتومی (کیوبیت‌های ابررسانا، یون‌های به دام افتاده، اتم‌های خنثی و غیره) برنده نهایی خواهد بود، اظهار نظر کنیم.
مطالب به روشی مستقل از سخت‌افزار با تاکید قوی بر ویژگی‌های اساسی الگوریتم‌ها ارائه می‌شود، اگرچه ما سؤال مربوط به جاسازی الگوریتم‌ها و محدودیت‌های عملی سخت‌افزار موجود محاسبات کوانتومی را نادیده نمی‌گیریم.
چرا امور مالی؟ انتظار می‌رود که سرعت باورنکردنی بهبود سخت‌افزار کوانتومی که در چند سال گذشته شاهد آن بوده‌ایم، منجر به پذیرش گسترده تکنیک‌های محاسبات کوانتومی در امور مالی شود. صنعت مالی در حال بررسی پتانسیل QML برای حل مشکلات عملی دشوار کلاسیک و کمک به دستیابی به تحول دیجیتال است. ممکن است از نقطه برتری محاسبات کوانتومی عبور کرده باشیم، اما جستجوی ما برای ایجاد مزیت محاسبات کوانتومی تازه آغاز شده است.
امور مالی کمی شاخه‌ای غنی از مشکلات جالب اما محاسباتی دشوار است. بسیاری از این مشکلات ماهیت بین رشته‌ای دارند و اغلب نیاز به تغییر شکل و پذیرش تکنیک‌های ریاضی و محاسباتی توسعه‌یافته در زمینه‌های دیگر دارند. در اینجا، می‌توانیم به عنوان مثال، کاربرد نظریه معادلات دیفرانسیل تصادفی در قیمت‌گذاری اختیار [241]، روش‌های نظریه کنترل بهینه در مدیریت علمی و اقتصاد [284]، تکنیک‌های یادگیری ماشین در ساخت پرتفوی و بهینه‌سازی [208]
به همین دلیل است که زمانی که به دنبال طیف گسترده‌ای از موارد استفاده واقعی برای آزمایش (و بهبود!) الگوریتم‌های محاسبات کوانتومی هستیم، به امور مالی روی می‌آوریم. کتاب Quantum Machine Learning and Optimisation in Finance نمونه‌های متعددی از تکنیک‌ها و الگوریتم‌های محاسبات کوانتومی را که برای حل مسائل عملی مالی مانند بهینه‌سازی پرتفوی، پیش‌بینی پیش‌فرض کارت اعتباری، تأیید اعتبار و تولید داده‌های مصنوعی بازار اعمال می‌شوند، ارائه می‌کند.
در عین حال، روش‌ها و تکنیک‌ها به شکلی کلی فرموله و ارائه می‌شوند – ما امیدواریم خوانندگان ما موارد استفاده جدید و هیجان‌انگیز بسیاری از محاسبات کوانتومی را در امور مالی و فراتر از آن کشف کنند.
کتاب Quantum Machine Learning and Optimisation in Finance برای چه کسانی مناسب است؟
این کتاب در درجه اول برای سه گروه اصلی در نظر گرفته شده است: محققان دانشگاهی و دانشجویان رشته‌های علوم، فناوری، مهندسی و ریاضیات، متخصصان مالی که در حوزه امور مالی کمی و حوزه‌های مرتبط کار می‌کنند و دانشمندان کامپیوتر و متخصصان ML/AI. در عین حال، این کتاب به گونه‌ای سازماندهی شده است که برای مخاطبان بسیار گسترده‌تری قابل دسترسی و مفید باشد.
کتاب Quantum Machine Learning and Optimisation in Finance به هیچ دانش قبلی از مکانیک کوانتومی نیاز ندارد و پیچیدگی دستگاه ریاضی نباید دلهره‌آور باشد: اگرچه ما از دقت ریاضی چشم‌پوشی نمی‌کنیم، اما تاکید بسیار بر درک خواص اساسی مدل‌ها و الگوریتم‌ها است.
کتاب Quantum Machine Learning and Optimisation in Finance چه مواردی را پوشش می‌دهد
این کتاب به دو بخش تقسیم شده است که نشان‌دهنده پیشرفت طبیعی از محاسبات کوانتومی آنالوگ به دیجیتال است، با افزایش عمق در تجزیه و تحلیل و درک الگوریتم‌ها. با این حال، ما با فصلی شروع می‌کنیم که اصول اولیه مکانیک کوانتومی را پوشش می‌دهد و انگیزه روش‌های محاسباتی مبتنی بر این اصول را فراهم می‌کند.
فصل 1 کتاب Quantum Machine Learning and Optimisation in Finance، اصول مکانیک کوانتومی، اصول ریاضی اولیه مکانیک کوانتومی را پوشش می‌دهد. این فصل تعاریف لازم را ارائه می‌دهد و اصول مکانیک کوانتومی و ارتباط آن‌ها با محاسبات کوانتومی را مورد بحث قرار می‌دهد.
بخش اول: محاسبات کوانتومی آنالوگ – آنیلینگ کوانتومی
برای چندین سال، آنیلرهای کوانتومی تنها دستگاه‌های محاسبات کوانتومی در مقیاس بزرگ بودند که برای آزمایش در حل مسائل بهینه‌سازی ترکیبی NP-hard غیرقابل‌حل کلاسیک در دسترس بودند. اگرچه آنیلینگ کوانتومی به طور خاص برای حل مشکلات بهینه‌سازی دشوار کلاسیک هدف قرار دارد، اما می‌تواند برای بسیاری از مشکلات ترکیبی کوانتومی-کلاسیک مختلف، مانند نمونه‌گیرها و طبقه‌بندی‌کننده‌ها نیز استفاده شود.
کتاب Quantum Machine Learning and Optimisation in Finance پوشش مفصلی از این کاربردها را ارائه می‌دهد و آن‌ها را در موارد استفاده خاص مالی نشان می‌دهد.
فصل 2، محاسبات کوانتومی آدیاباتیک، مفهوم محاسبات کوانتومی آنالوگ را معرفی می‌کند. این فصل با اصول محاسبات کوانتومی آدیاباتیک آغاز می‌شود و با قضیه آدیاباتیک کوانتومی ادامه می‌یابد. تحقق فیزیکی محاسبات کوانتومی آدیاباتیک، آنیلینگ کوانتومی است که در کنار همتای کلاسیک آن – شبیه‌سازی تبریدی – توضیح داده شده است. این فصل همچنین پیاده‌سازی، محدودیت‌ها و جهانی بودن محاسبات کوانتومی آدیاباتیک را مورد بحث قرار می‌دهد.
فصل 3 کتاب Quantum Machine Learning and Optimisation in Finance، بهینه‌سازی دودویی بدون محدودیت درجه دوم، مهم‌ترین کاربرد آنیلینگ کوانتومی را توصیف می‌کند: حل مسائل بهینه‌سازی دشوار کلاسیک. طیف گسترده‌ای از مسائل بهینه‌سازی ترکیبی را می‌توان به عنوان مسائل بهینه‌سازی دودویی بدون محدودیت درجه دوم (QUBO) (یا به طور معادل، به عنوان مسائل Ising) فرموله کرد که بر روی یک آنیلر کوانتومی قابل حل هستند.
این فصل از کتاب Quantum Machine Learning and Optimisation in Finance پوشش عمیقی از تکنیک‌های آنیلینگ کوانتومی مستقیم و معکوس را ارائه می‌دهد و قدرت آنیلینگ کوانتومی را در یک مورد استفاده بهینه‌سازی پرتفوی گسسته نشان می‌دهد.
فصل 4 کتاب Quantum Machine Learning and Optimisation in Finance، تقویت کوانتومی، دامنه کاربردهای QUBO را فراتر از بهینه‌سازی ترکیبی گسترش می‌دهد و الگوریتم تقویت کوانتومی طراحی‌شده برای ترکیب تعداد زیادی از طبقه‌بندی‌کننده‌های کلاسیک ضعیف به یک طبقه‌بندی‌کننده قوی را تشریح می‌کند. این الگوریتم به عنوان یک مسئله QUBO فرموله شده است که بر روی یک آنیلر کوانتومی قابل اجرا است و برای مورد استفاده ساخت یک پیش‌بینی‌کننده قوی از پیش‌فرض کارت‌های اعتباری از تعداد زیادی پیش‌بینی‌کننده ضعیف اعمال می‌شود.
فصل 5 کتاب Quantum Machine Learning and Optimisation in Finance، ماشین بولتزمن کوانتومی، کاربردهای بیشتر یادگیری ماشین آنیلینگ کوانتومی را بررسی می‌کند. ماشین بولتزمن کوانتومی می‌تواند به عنوان یک مدل مولد برای نمونه‌گیری از یک توزیع احتمال یاد گرفته شده و همچنین یک روش کارآمد برای پیش‌آماده‌سازی شبکه‌های عصبی پیشخور عمیق استفاده شود.
بخش دوم: محاسبات کوانتومی مدل دروازه
سخت‌افزار محاسبات کوانتومی مدل دروازه در سال‌های اخیر پیشرفت چشمگیری داشته است و به سرعت به آستانه برتری کوانتومی نزدیک می‌شود. جستجو برای برتری کوانتومی – کاربرد عملی و تولیدی یک راه‌حل محاسبات کوانتومی که از هر جایگزین کلاسیک قابل اجرا بهتر عمل می‌کند – یکی از قوی‌ترین انگیزه‌ها برای تحقیقات محاسبات کوانتومی در امور مالی و سایر زمینه‌ها است.
کتاب Quantum Machine Learning and Optimisation in Finance الگوریتم‌های اصلی محاسبات کوانتومی قابل پیاده‌سازی بر روی دستگاه‌های NISQ موجود را بررسی می‌کند و طیف وسیعی از کاربردهای مالی احتمالی را که ممکن است از این الگوی محاسباتی جدید بهره‌مند شوند، برجسته می‌کند.
فصل 6 کتاب Quantum Machine Learning and Optimisation in Finance، کیوبیت‌ها و دروازه‌های منطق کوانتومی، الگوی محاسبات کوانتومی مدل دروازه را معرفی می‌کند. ما با مفاهیم اولیه محاسبات دیجیتال کلاسیک شروع می‌کنیم و منطق محاسباتی را برای تطبیق با اصول جدید برهم‌نهی و درهم‌تنیدگی گسترش می‌دهیم. این فصل بین دروازه‌های منطق کلاسیک و کوانتومی موازی می‌کشد و نشان می‌دهد که چگونه مدارهای کوانتومی را از دروازه‌های منطق کوانتومی منفرد مونتاژ کنیم.
فصل 7 کتاب Quantum Machine Learning and Optimisation in Finance، مدارهای کوانتومی پارامتریزه شده و رمزگذاری داده‌ها، با ساخت الگوریتم‌های کوانتومی ادامه می‌یابد و جنبه‌های نظری و عملی ساخت مدارهای کوانتومی پارامتریزه شده (PQC) را پوشش می‌دهد و نشان می‌دهد که چگونه نمونه‌های کلاسیک را می‌توان به حالت‌های کوانتومی پردازش‌شده توسط PQCها رمزگذاری کرد. این فصل توصیف مفصلی از تکنیک‌های خاص رمزگذاری داده‌ها را ارائه می‌دهد.
فصل 8 کتاب Quantum Machine Learning and Optimisation in Finance، شبکه عصبی کوانتومی، مدارهای کوانتومی پارامتریزه شده را به عنوان طبقه‌بندی‌کننده‌های آموزش‌دیده در نظر می‌گیرد.
در طول این فصل از کتاب Quantum Machine Learning and Optimisation in Finance، ما نشان می‌دهیم که چگونه می‌توان از الگوریتم‌های یادگیری قابل تمایز و غیرقابل تمایز برای آموزش کارآمد شبکه‌های عصبی کوانتومی استفاده کرد. این فصل همچنین محدودیت‌های QPUهای موجود را مورد بحث قرار می‌دهد و نحوه طراحی مدارهای کوانتومی را که حداکثر بهره را از سخت‌افزار محاسبات کوانتومی موجود می‌گیرند، نشان می‌دهد. ما عملکرد QNN را در یک مورد استفاده تأیید اعتبار بررسی می‌کنیم و آن را با چندین طبقه‌بندی‌کننده استاندارد کلاسیک مقایسه می‌کنیم.
فصل 9 کتاب Quantum Machine Learning and Optimisation in Finance، ماشین متولد شده با مدار کوانتومی، یک همتای کوانتومی برای مدل‌های مولد کلاسیک مانند ماشین‌های بولتزمن – ماشین متولد شده با مدار کوانتومی (QCBM) را معرفی می‌کند. این فصل با تعریف QCBM و نحوه پیکربندی و اجرای کارآمد آن بر روی QPUهای موجود آغاز می‌شود، با روش‌های یادگیری و آموزش قابل تمایز و غیرقابل تمایز ادامه می‌یابد و با مورد استفاده تولیدکننده بازار که با ماشین بولتزمن محدود کلاسیک مقایسه می‌شود، پایان می‌یابد.
فصل 10 کتاب Quantum Machine Learning and Optimisation in Finance، حل کننده ویژه کوانتومی متغیر، اصل تغییراتی را معرفی می‌کند و رویکرد حل کننده ویژه کوانتومی متغیر (VQE) را برای مسائل بهینه‌سازی فرموله می‌کند. این فصل رویکرد ترکیبی کوانتومی-کلاسیک را برای آموزش VQE مورد بحث قرار می‌دهد و به جنبه‌های عملی اجرای آن بر روی دستگاه‌های NISQ می‌پردازد.
فصل 11 کتاب Quantum Machine Learning and Optimisation in Finance، الگوریتم تقریبی بهینه‌سازی کوانتومی، رویکرد محاسبات کوانتومی مدل دروازه (الهام گرفته از آنیلینگ کوانتومی) را برای حل مسائل نوع QUBO، مانند مسائل بهینه‌سازی Max-Cut NP-hard توصیف می‌کند.
فصل 12 کتاب Quantum Machine Learning and Optimisation in Finance، هسته‌های کوانتومی و آزمون دو نمونه کوانتومی، دو الگوریتم پیشرفته QML مبتنی بر نقشه‌های ویژگی کوانتومی را که با کمک مدارهای کوانتومی پارامتریزه شده تحقق می‌یابند، پوشش می‌دهد.
فصل 13 کتاب Quantum Machine Learning and Optimisation in Finance، قدرت مدارهای کوانتومی پارامتریزه شده، منابع اصلی برتری کوانتومی را که انتظار داریم در کاربردهای عملی مدارهای کوانتومی پارامتریزه شده نشان دهیم، بررسی می‌کند. این فصل بر روی دو عنصر تمرکز می‌کند: تنظیم قوی ارائه شده توسط شبکه‌های عصبی کوانتومی و قدرت بیان مدل‌های مولد کوانتومی.
فصل 14 کتاب Quantum Machine Learning and Optimisation in Finance، مدل‌های پیشرفته QML، الگوریتم‌ها و تکنیک‌های جدید امیدوارکننده کوانتومی مانند GAN کوانتومی، مدار کوانتومی بیزی، رمزگذاری متقارن و برنامه‌نویسی نیمه‌معین کوانتومی را مورد بحث قرار می‌دهد.
فصل 15 کتاب Quantum Machine Learning and Optimisation in Finance، فراتر از NISQ، فراتر از قابلیت‌های رایانه‌های عصر NISQ را بررسی می‌کند. این فصل چندین الگوریتم را ارائه می‌دهد که در پایه بسیاری از کاربردهای آینده تصور شده رایانه‌های کوانتومی قرار دارند. این الگوریتم‌ها شامل تبدیل فوریه کوانتومی، تخمین فاز کوانتومی، مونت کارلو کوانتومی و حل کننده خطی کوانتومی هستند.
سرفصل‌های کتاب Quantum Machine Learning and Optimisation in Finance:
- Preface
- Chapter 1 The Principles of Quantum Mechanics
- Part I Analog Quantum Computing – Quantum Annealing
- Chapter 2 Adiabatic Quantum Computing
- Chapter 3 Quadratic Unconstrained Binary Optimisation
- Chapter 4 Quantum Boosting
- Chapter 5 Quantum Boltzmann Machine
- Part II Gate Model Quantum Computing
- Chapter 6 Qubits and Quantum Logic Gates
- Chapter 7 Parameterised Quantum Circuits and Data Encoding
- Chapter 8 Quantum Neural Network
- Chapter 9 Quantum Circuit Born Machine
- Chapter 10 Variational Quantum Eigensolver
- Chapter 11 Quantum Approximate Optimisation Algorithm
- Chapter 12 Quantum Kernels and Quantum Two-Sample Test
- Chapter 13 The Power of Parameterised Quantum Circuits
- Chapter 14 Advanced QML Models
- Chapter 15 Beyond NISQ
- Bibliography
- Index
- Other Books You Might Enjoy
جهت دانلود کتاب Quantum Machine Learning and Optimisation in Finance می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.