Inde i OQC-JPMorganChase-AMD's Kvante-AI-Datacenter: Porteføljeoptimering, Kvantemaskinlæring og jagten på nye algoritmer

Samarbejdet er struktureret med tydelige rollefordelinger. OQC leverer kvantehardwarelaget ved hjælp af sin superledende arkitektur og næste generation af GENESIS-systemet . AMD bidrager med den klassiske computer- og AI-infrastruktur, der muliggør de hybride arbejdsgange . JPMorganChase bringer sit mangeårige kvante- og AI-udviklingsprogram i spil, som allerede har produceret algoritmer til alt fra optionsprisfastsættelse og risikoanalyse til svindelregistrering og sprogbehandling . De tre organisationer har sammen forpligtet sig til en forskningsplan, der er målrettet en række specifikke finansielle anvendelsesområder.

Porteføljeoptimering: Hybride strategier testes i virkelighedstro rammer

Porteføljeoptimering er et af de mest omtalte nærfremtidige anvendelsesområder for kvantecomputere inden for finans, og det står øverst på samarbejdets dagsorden. JPMorganChase's forskere vil bruge det nye datacenter til at teste nærfremtidige kvante- og hybride kvante-klassiske metoder med henblik på at forbedre porteføljesammensætning og risikojusterede afkast . Målet er ikke blot teoretisk udforskning – platformen er eksplicit designet til at benchmarke, hvordan disse hybride arbejdsgange performer, når de måles op mod de krav til latenstid, datareplikation og reproducerbarhed, som en global bank stiller til sine produktionssystemer .

JPMorganChase's bredere kvanteforskningshistorik tilføjer vigtig kontekst her. Bankens forskningsgruppe, Global Technology Applied Research, har allerede udviklet nye kvantealgoritmer til porteføljeoptimering og har været en af de mest aktive finansielle institutioner i krydsfeltet mellem kvantecomputing, AI og kryptografi . Med dedikeret adgang til GENESIS kan teamet nu køre sammenlignende eksperimenter på tværs af klassiske, kvante- og hybride tilgange under forhold, der minder om det, en ægte handelsenhed i sidste ende ville kræve.

Kvantemaskinlæring bevæger sig fra teori til kontrolleret eksperiment

Kvantemaskinlæring har længe været et akademisk interesseområde, men stringent, reproducerbar test inde i en banks egen sikre infrastruktur har været en mangelvare. Londons nye center ændrer på det. Partnerne har udtalt, at platformen vil blive brugt til at udvide udforskningen af kvantemaskinlæringsteknikker, der kan anvendes til finansiel modellering og forudsigelse .

Det, der adskiller dette fra mindre eksperimenter, er den fysiske samlokalisering af kvanteprocessoren med højtydende AI-beregningskraft. Arkitekturen er designet til hybride arbejdsgange i realtid, hvilket gør det muligt at træne konventionelle neurale netværk og køre kvantekredsløb i den samme kontrollerede løkke . For JPMorganChase er de anvendte spørgsmål konkrete: Kan kvantekerner, variationelle kredsløb eller kvanteneurale netværk tilføre prædiktiv værdi til opgaver som kreditvurdering, anomalidetektion eller klassificering af markedsregimer, når de testes i en skala og med en latenstid, der ligner et levende finansielt miljø?

Nylige kvantemilepæle fra banken understreger dens alvor med at bygge bro mellem forskning og praksis. I marts 2025 genererede og matematisk certificerede forskere fra JPMorganChase – i samarbejde med Quantinuum, Argonne National Laboratory, Oak Ridge National Laboratory og University of Texas i Austin – ægte tilfældige tal ved hjælp af en kvantecomputer . Arbejdet, der blev offentliggjort i det anerkendte tidsskrift Nature, demonstrerede ikke blot en teoretisk evne, men et håndgribeligt output med direkte anvendelser inden for sikkerhed, kryptografi og Monte Carlo-simuleringer til trading. Det nye datacenter giver rammerne til at forfølge lignende stringent, outputdrevet kvanteforskning i bankens eget tempo.

Kvanteforstærkede AI-modeller og jagten på nye algoritmer

Måske det mest fremadskuende spor i samarbejdet undersøger, om kvanteforstærkede AI-modeller kan accelerere opdagelsen af nye algoritmer, der er skræddersyet til finansielle anvendelsesområder . Det handler ikke kun om at bruge kvantehardware til at speede eksisterende machine learning-pipelines op; det er en mere åben udforskning, der spørger, om AI – herunder store sprogmodeller (LLM'er) og specialiserede AI-systemer – kan hjælpe med at designe bedre kvantekredsløb, og om kvanteprocessorer omvendt kan forbedre de AI-modeller, der søger efter nye finansielle algoritmer.

To adskilte, men relaterede forskningsretninger ligger inden for dette spor. Den første er AI-assisteret forbedring af kvantekredsløb: at bruge AI til at forbedre ydeevnen og troværdigheden af selve kvantekredsløbene og derved gøre kvantehardwaren mere nyttig ved at forbedre det softwarelag, der styrer den . Den anden retning spørger, om kvanteforstærkede AI-modeller, potentielt inklusiv LLM'er, kan opdage nye kvantealgoritmer, der tidligere var ukendte – algoritmer, der måske kan løse specifikke finansielle optimerings- eller risikomodelleringsproblemer mere effektivt end nogen eksisterende klassisk eller kvantebaseret metode .

Denne tilgang passer ind i et bredere branchemønster, hvor man bruger machine learning til at kortlægge det enorme designrum for kvantekredsløb. Hvad der gør Londons projekt bemærkelsesværdigt, er, at det er forankret i et specifikt domæne – finans – og kører inden for sikkerhedsperimeteret af en bank, der præcist kan definere, hvilke problemer der er mest kommercielt relevante. Kombinationen af domæneekspertise, dedikeret hardware og det beskyttede datamiljø gør det til en unik testplatform for algoritmeopdagelse i den finansielle sektor.

Sikkerhed, skalerbarhed og vejen til produktionsklarhed

Platformens formål rækker ud over en enkelt algoritme. JPMorganChase har understreget, at datacenteret fungerer som en enterprise-grade sikkerhedstestplatform, hvor virksomheders og akademiske forskerhold kan evaluere hybride klassisk-kvante softwarekonfigurationer mod de standarder for datareplikation, fejltolerance og sikkerhed, der gælder for finansielle tjenester . AMD's inklusion er særligt betydningsfuld her, fordi det klassiske lag skal kunne håndtere de datamængder og inferensbelastninger, som en stor bank genererer, og ikke et forenklet benchmark-datasæt.

Faciliteten forventes at være fuldt operationel inden for 12 måneder efter annonceringen i juni 2026, med JPMorganChase som den første dedikerede bruger . Denne tidslinje flugter med OQC's bredere hardwareplaner: GENESIS-systemet repræsenterer virksomhedens indtog i den logiske qubit-æra med 16 logiske qubits, der er i stand til at levere tusindvis af pålidelige kvanteoperationer – en tærskel, som OQC beskriver som "KiloQuOp"-regimet . At teste hybride algoritmer på hardware, der har bevæget sig fra støjfyldte fysiske qubits til fejlreducerede logiske qubits, er et afgørende skridt mod at demonstrere, om kvantecomputing kan levere praktiske fordele i finanssektoren.

Dette London-samarbejde er ikke bankens eneste kvantenetværksinvestering. I marts 2026 implementerede JPMorgan Chase separat et højhastigheds kvantesikret krypto-agilt netværk, der forbinder to datacentre over udlagte fibre, med en tredje kvante-node, der fungerer som en forskningsplatform for næste generations kvanteteknologier, der kan anvendes i bankverdenen . Samlet set signalerer disse investeringer, at JPMorganChase bygger både forbindelseslaget og beregningslaget samtidigt – og forbereder infrastrukturen til en verden, hvor kvantesikrede netværk og kvanteforstærkede algoritmer sameksisterer i et produktionsmiljø.

Hvorfor Londons center er mere end blot en pressemeddelelse

De fleste kvantecomputing-samarbejder mellem hardwareleverandører og banker fungerer efter en delt cloud-model, hvor en banks forskere tilgår en kvanteprocessor over internettet side om side med akademiske og kommercielle brugere. OQC-JPMorganChase-AMD-faciliteten er anderledes: fysisk samlokaliseret, privat drevet og specialbygget til en enkelt virksomheds arbejdsbyrder og sikkerhedskrav. Denne konfiguration tillader eksperimenter, som cloud-baserede adgangsmodeller ikke let kan replikere, herunder tætkoblede hybride sløjfer, hvor klassisk HPC, AI-inferens og kvantekredsløb skal kommunikere med en latenstid målt i mikrosekunder snarere end netværksroundtrips.

For finanssektoren, hvor få millisekunders latenstid kan have materielle økonomiske omkostninger, kan denne samlokaliseringsarkitektur vise sig vigtigere end det rene antal qubits. Samarbejdets succes vil i sidste ende ikke blive målt på pressemeddelelser, men på om JPMorganChase kan demonstrere – på ægte finansielle arbejdsbyrder og op imod stringente benchmarks – at hybride kvante-klassiske tilgange leverer en ydeevne, skalerbarhed og omkostningseffektivitet, som ren klassisk infrastruktur ikke kan matche. Forskningssporene inden for porteføljeoptimering, kvantemaskinlæring og AI-drevet algoritmeopdagelse er de første konkrete skridt mod denne demonstration.