Di Sebalik Pusat Data OQC-JPMorganChase-AMD: Pengoptimuman Portfolio, Pembelajaran Mesin Kuantum, dan Pencarian Algoritma Baharu

Kerjasama ini distrukturkan dengan peranan yang berbeza. OQC menyediakan lapisan perkakasan kuantum, menggunakan seni bina superkonduktor dan sistem GENESIS generasi seterusnya . AMD menyumbangkan infrastruktur pengkomputeran klasikal dan AI yang membolehkan aliran kerja hibrid ini berfungsi . JPMorganChase membawa program R&D kuantum dan AI yang telah lama berjalan, yang telah menghasilkan algoritma untuk pelbagai kes penggunaan daripada penetapan harga opsyen dan analisis risiko kepada pengesanan penipuan dan pemprosesan bahasa semula jadi . Bersama-sama, ketiga-tiga organisasi ini komited kepada satu pelan hala tuju penyelidikan yang mensasarkan beberapa aplikasi perkhidmatan kewangan yang spesifik.

Pengoptimuman portfolio: Menguji strategi hibrid dalam suasana dunia sebenar

Pengoptimuman portfolio merupakan salah satu kes penggunaan pengkomputeran kuantum jangka terdekat yang paling kerap disebut dalam kewangan, dan ia berada di kedudukan teratas agenda kerjasama ini. Penyelidik JPMorganChase akan menggunakan pusat data baharu ini untuk menguji pendekatan kuantum jangka terdekat dan kuantum-klasikal hibrid yang bertujuan untuk menambah baik pembinaan portfolio dan pulangan terlaras risiko . Matlamatnya bukan sekadar penerokaan teori—platform ini direka secara eksplisit untuk menanda aras prestasi aliran kerja hibrid ini apabila diukur berdasarkan keperluan kependaman, replikasi data, dan kebolehulangan yang dikenakan oleh bank global terhadap sistem produksi .

Sejarah penyelidikan kuantum JPMorganChase yang lebih luas menambah konteks penting di sini. Kumpulan Penyelidikan Gunaan Teknologi Global firma itu telah pun menghasilkan algoritma kuantum novel untuk pengoptimuman portfolio, dan ia merupakan salah satu institusi kewangan paling aktif dalam menerokai persimpangan antara pengkomputeran kuantum, AI, dan kriptografi . Dengan akses khusus kepada GENESIS, pasukan itu kini boleh menjalankan eksperimen perbandingan merentasi pendekatan klasikal, kuantum, dan hibrid dalam keadaan yang menyerupai apa yang mungkin diperlukan oleh meja dagangan sebenar kelak.

Pembelajaran mesin kuantum berkembang dari teori ke eksperimen terkawal

Pembelajaran mesin kuantum telah lama menjadi bidang minat akademik, tetapi ujian yang rapi dan boleh diulang di dalam infrastruktur selamat bank sendiri amat terhad. Pusat London itu mengubah keadaan ini. Rakan kongsi telah menyatakan bahawa platform ini akan digunakan untuk mengembangkan penerokaan ke dalam teknik pembelajaran mesin kuantum yang boleh diaplikasikan untuk pemodelan dan ramalan kewangan .

Apa yang membezakan ini daripada eksperimen berskala lebih kecil ialah penempatan bersama pemproses kuantum dengan pengkomputeran AI berprestasi tinggi. Seni bina ini direka untuk beban kerja hibrid masa nyata, membolehkan untuk melatih rangkaian neural konvensional dan menjalankan litar kuantum di dalam gelung terkawal yang sama . Bagi JPMorganChase, persoalan gunaannya adalah konkrit: bolehkah kernel kuantum, litar variasi, atau rangkaian neural kuantum menambah nilai ramalan untuk tugas seperti pemarkahan kredit, pengesanan anomali, atau klasifikasi rejim pasaran apabila diuji pada skala dan kependaman yang menyerupai persekitaran kewangan langsung?

Pencapaian kuantum terkini dari bank itu menekankan kesungguhannya untuk merapatkan jurang antara penyelidikan dan amalan. Pada Mac 2025, penyelidik JPMorganChase—bekerjasama dengan Quantinuum, Makmal Kebangsaan Argonne, Makmal Kebangsaan Oak Ridge, dan Universiti Texas di Austin—menjana dan mengesahkan secara matematik nombor rawak tulen menggunakan komputer kuantum . Diterbitkan dalam Nature, kerja itu menunjukkan bukan sahaja keupayaan teori tetapi output ketara yang mempunyai aplikasi langsung dalam keselamatan, kriptografi, dan simulasi Monte Carlo untuk perdagangan. Pusat data baharu ini menyediakan tempat untuk menjalankan penyelidikan kuantum yang sama rapi dan dipacu output mengikut kadar sendiri firma itu.

Model AI dipertingkat kuantum untuk penemuan algoritma novel

Mungkin landasan yang paling berpandangan jauh dalam kerjasama ini menyiasat sama ada model AI yang dipertingkat kuantum boleh mempercepat penemuan algoritma novel yang dibina khusus untuk kes penggunaan kewangan . Ini bukan sekadar tentang menggunakan perkakasan kuantum untuk mempercepat saluran paip pembelajaran mesin sedia ada; ia adalah penerokaan yang lebih terbuka yang mempersoalkan sama ada AI—termasuk model bahasa besar (LLM) dan sistem AI khusus—boleh membantu mereka bentuk litar kuantum yang lebih baik, dan sama ada pemproses kuantum seterusnya boleh menambah baik model AI yang mencari algoritma kewangan baharu.

Dua hala tuju penyelidikan yang berbeza tetapi berkait terletak dalam landasan ini. Yang pertama adalah penambahbaikan litar kuantum berbantukan AI: menggunakan AI untuk meningkatkan prestasi dan ketepatan litar kuantum itu sendiri, dengan berkesan menjadikan perkakasan kuantum lebih berguna dengan menambah baik lapisan perisian yang mengawalnya . Hala tuju kedua mempersoalkan sama ada model AI yang dipertingkat kuantum, yang berpotensi termasuk LLM, boleh menemui algoritma kuantum novel yang sebelum ini tidak diketahui—algoritma yang mungkin menyelesaikan masalah pengoptimuman atau pemodelan risiko kewangan tertentu dengan lebih cekap daripada mana-mana kaedah klasikal atau kuantum sedia ada .

Pendekatan ini selari dengan corak industri yang lebih luas dalam menggunakan pembelajaran mesin untuk meneroka ruang reka bentuk litar kuantum yang luas. Apa yang menjadikan projek London ini penting adalah ia berpaksikan kepada satu domain tertentu—kewangan—dan dijalankan di dalam perimeter keselamatan sebuah bank yang boleh menentukan dengan tepat masalah mana yang paling relevan secara komersial. Gabungan kepakaran domain, perkakasan khusus, dan persekitaran data yang dilindungi menjadikannya platform ujian unik untuk penemuan algoritma dalam perkhidmatan kewangan.

Keselamatan, skalabiliti, dan jalan menuju kesiapan produksi

Tujuan platform ini melangkaui sebarang algoritma tunggal. JPMorganChase telah menekankan bahawa pusat data ini berfungsi sebagai platform ujian keselamatan gred perusahaan di mana pasukan penyelidikan korporat dan akademik boleh menilai konfigurasi perisian hibrid klasikal-kuantum mengikut piawaian replikasi data, toleransi kerosakan, dan keselamatan yang terpakai untuk perkhidmatan kewangan . Penglibatan AMD amat signifikan di sini, kerana lapisan klasikal mesti mengendalikan volum data dan beban inferens yang dihasilkan oleh bank utama, bukan set data penanda aras yang dipermudahkan.

Kemudahan ini dijangka beroperasi sepenuhnya dalam tempoh 12 bulan dari pengumuman Jun 2026, dengan JPMorganChase sebagai pengguna khusus pertama . Garis masa itu selari dengan trajektori perkakasan OQC yang lebih luas: sistem GENESIS mewakili kemasukan syarikat ke dalam era qubit logik, dengan 16 qubit logik yang mampu memberikan beribu-ribu operasi kuantum yang boleh dipercayai, satu ambang yang digambarkan oleh OQC sebagai rejim "KiloQuOp" . Menguji algoritma hibrid pada perkakasan yang telah beralih dari qubit fizikal yang hingar kepada qubit logik yang terkurang ralat adalah langkah penting ke arah menunjukkan sama ada pengkomputeran kuantum boleh memberikan kelebihan praktikal dalam kewangan.

Kerjasama London ini bukanlah satu-satunya pelaburan rangkaian kuantum bank tersebut. Pada Mac 2026, JPMorgan Chase secara berasingan menggunakan rangkaian tangkas-kripto terjamin kuantum berkelajuan tinggi yang menghubungkan dua pusat data melalui gentian yang digunakan, dengan nod kuantum ketiga berfungsi sebagai platform ujian penyelidikan untuk teknologi kuantum generasi seterusnya yang boleh digunakan untuk perbankan . Secara keseluruhan, pelaburan ini memberi isyarat bahawa JPMorganChase sedang membina kedua-dua lapisan ketersambungan dan lapisan pengkomputeran secara serentak—menyediakan infrastruktur untuk dunia di mana rangkaian terjamin kuantum dan algoritma dipertingkat kuantum wujud bersama dalam persekitaran produksi.

Mengapa pusat London ini penting melangkaui pengumuman

Kebanyakan kerjasama pengkomputeran kuantum antara vendor perkakasan dan bank beroperasi pada model awan kongsi, di mana penyelidik bank mengakses pemproses kuantum melalui internet bersama pengguna akademik dan komersial yang lain. Kemudahan OQC-JPMorganChase-AMD adalah berbeza: ditempatkan bersama secara fizikal, dikendalikan secara persendirian, dan dibina khas untuk beban kerja dan keperluan keselamatan satu pengguna perusahaan. Konfigurasi itu membolehkan eksperimen yang model capaian berasaskan awan tidak boleh tiru dengan mudah, termasuk gelung hibrid gandingan ketat di mana HPC klasikal, inferens AI, dan litar kuantum mesti berkomunikasi dengan kependaman yang diukur dalam mikrosaat dan bukannya perjalanan pergi-balik rangkaian.

Untuk perkhidmatan kewangan, di mana beberapa milisaat kependaman boleh membawa kos ekonomi yang material, seni bina penempatan bersama ini mungkin terbukti lebih penting daripada kiraan qubit mentah. Kejayaan kerjasama ini akhirnya akan diukur bukan melalui siaran akhbar tetapi dengan sama ada JPMorganChase boleh menunjukkan—pada beban kerja kewangan sebenar dan berdasarkan penanda aras yang rapi—bahawa pendekatan hibrid kuantum-klasikal memberikan prestasi, skalabiliti, dan keberkesanan kos yang tidak dapat ditandingi oleh infrastruktur klasikal semata-mata. Landasan penyelidikan mengenai pengoptimuman portfolio, pembelajaran mesin kuantum, dan penemuan algoritma dipacu AI adalah langkah konkrit pertama ke arah demonstrasi tersebut.