Inne i OQC-JPMorganChase-AMD Quantum-AI-datasenteret: Porteføljeoptimalisering, kvantemaskinlæring og jakten på nye algoritmer

Samarbeidet har tydelige rollefordelinger. OQC leverer kvantemaskinvaren, basert på sin superledende arkitektur og neste generasjons GENESIS-system . AMD bidrar med den klassiske datakraften og KI-infrastrukturen som muliggjør de hybride arbeidsflytene . JPMorganChase bringer sitt langvarige program for kvante- og KI-forskning, som allerede har produsert algoritmer for alt fra opsjonsprising og risikoanalyse til svindeldeteksjon og språkprosessering . Sammen har de tre organisasjonene forpliktet seg til en forskningsplan rettet mot flere konkrete anvendelser innen finansielle tjenester.

Porteføljeoptimalisering: Tester hybride strategier i en virkelig setting

Porteføljeoptimalisering er et av de hyppigst siterte nærliggende bruksområdene for kvantedatabehandling i finans, og det står øverst på samarbeidets agenda. JPMorganChases forskere vil bruke det nye datasenteret til å teste nærliggende kvante- og hybride kvante-klassiske tilnærminger ment for å forbedre porteføljekonstruksjon og risikojustert avkastning . Målet er ikke bare teoretisk utforskning – plattformen er eksplisitt designet for å måle hvordan disse hybride arbeidsflytene presterer når de måles mot de kravene til ventetid, datareplikering og reproduserbarhet som en global bank stiller til produksjonssystemer .

JPMorganChases bredere kvanteforskningshistorie gir viktig kontekst her. Bankens forskningsgruppe for anvendt teknologi har allerede utviklet nye kvantealgoritmer for porteføljeoptimalisering, og den har vært en av de mest aktive finansinstitusjonene i å utforske skjæringspunktet mellom kvantedatabehandling, KI og kryptografi . Med dedikert tilgang til GENESIS kan teamet nå kjøre sammenlignende eksperimenter med klassiske, kvante- og hybride tilnærminger under forhold som speiler hva en reell handelsavdeling til slutt kan kreve.

Kvantemaskinlæring går fra teori til kontrollerte eksperimenter

Kvantemaskinlæring har lenge vært et akademisk interesseområde, men streng, reproduserbar testing innenfor en banks egen sikre infrastruktur har vært sjelden. London-senteret endrer dette. Partnerne har uttalt at plattformen vil bli brukt til å utvide utforskningen av kvantemaskinlæringsteknikker anvendelige for finansiell modellering og prediksjon .

Det som skiller dette fra mindre eksperimenter er samlokaliseringen av kvanteprosessoren med høyytelses KI-beregning. Arkitekturen er designet for sanntids hybride arbeidsbelastninger, noe som gjør det mulig å trene konvensjonelle nevrale nettverk og kjøre kvantekretser i samme kontrollerte sløyfe . For JPMorganChase er de anvendte spørsmålene konkrete: Kan kvantekjerner, variasjonskretser eller kvante-nevrale nettverk tilføre prediktiv verdi for oppgaver som kredittscoring, avviksdeteksjon eller klassifisering av markedsregimer når de testes i en skala og med en ventetid som ligner operative finansmiljøer?

Nylige kvantegjennombrudd fra banken understreker deres seriøsitet i å bygge bro mellom forskning og praksis. I mars 2025 genererte og matematisk sertifiserte JPMorganChase-forskere – i samarbeid med Quantinuum, Argonne National Laboratory, Oak Ridge National Laboratory og University of Texas i Austin – genuint tilfeldige tall ved hjelp av en kvantedatamaskin . Publisert i Nature, demonstrerte arbeidet ikke bare en teoretisk evne, men et håndfast resultat med direkte anvendelser innen sikkerhet, kryptografi og Monte Carlo-simuleringer for handel. Det nye datasenteret gir et sted å forfølge lignende streng, resultatdrevet kvanteforskning i bankens eget tempo.

Kvanteforsterkede KI-modeller for å oppdage nye algoritmer

Kanskje det mest fremtidsrettede sporet i samarbeidet undersøker om kvanteforsterkede KI-modeller kan akselerere oppdagelsen av nye algoritmer spesialbygd for finansielle bruksområder . Dette handler ikke bare om å bruke kvantemaskinvare for å øke hastigheten på eksisterende maskinlæringspipelines; det er en mer åpen utforskning som spør om KI – inkludert store språkmodeller (LLM-er) og spesialiserte KI-systemer – kan hjelpe til med å designe bedre kvantekretser, og om kvanteprosessorer i sin tur kan forbedre KI-modellene som søker etter nye finansalgoritmer.

To distinkte, men beslektede forskningsretninger ligger innenfor dette sporet. Den første er KI-assistert forbedring av kvantekretser: å bruke KI for å forbedre ytelsen og nøyaktigheten til selve kvantekretsene, og effektivt gjøre kvantemaskinvaren mer nyttig ved å forbedre programvarelaget som kontrollerer den . Den andre retningen spør om kvanteforsterkede KI-modeller, potensielt inkludert LLM-er, kan oppdage nye kvantealgoritmer som tidligere var ukjente – algoritmer som kan løse spesifikke problemer innen finansiell optimalisering eller risikomodellering mer effektivt enn noen eksisterende klassisk eller kvantebasert metode .

Denne tilnærmingen passer inn i et bredere bransjemønster der man bruker maskinlæring for å utforske det enorme designrommet for kvantekretser. Det som gjør London-prosjektet bemerkelsesverdig, er at det er forankret i et bestemt domene – finans – og kjører innenfor sikkerhetsperimeteren til en bank som kan definere nøyaktig hvilke problemer som er mest kommersielt relevante. Kombinasjonen av domeneekspertise, dedikert maskinvare og det beskyttede datamiljøet gjør det til en unik testarena for algoritmeoppdagelse innen finansielle tjenester.

Sikkerhet, skalerbarhet og veien mot produksjonsklarhet

Plattformens formål strekker seg utover en enkeltalgoritme. JPMorganChase har understreket at datasenteret fungerer som en sikkerhetstestplattform i bedriftsklasse der forskerteam fra næringsliv og akademia kan evaluere hybride klassisk-kvante-programvarekonfigurasjoner mot de standardene for datareplikering, feiltoleranse og sikkerhet som gjelder for finansielle tjenester . AMDs inkludering er spesielt viktig her, fordi det klassiske laget må håndtere datamengdene og inferensbelastningene som en stor bank genererer, ikke et forenklet benchmark-datasett.

Anlegget forventes å være fullt operativt innen 12 måneder etter kunngjøringen i juni 2026, med JPMorganChase som den første dedikerte brukeren . Denne tidslinjen samsvarer med OQCs bredere maskinvareplan: GENESIS-systemet representerer selskapets inntreden i æraen for logiske qubits, med 16 logiske qubits som er i stand til å levere tusenvis av pålitelige kvanteoperasjoner, en terskel OQC beskriver som «KiloQuOp»-regimet . Å teste hybride algoritmer på maskinvare som har beveget seg fra støyende fysiske qubits til feildempede logiske qubits er et sentralt steg mot å demonstrere om kvantedatabehandling kan levere praktiske fordeler i finans.

Dette London-samarbeidet er ikke bankens eneste investering i kvantenettverk. I mars 2026 distribuerte JPMorgan Chase separat et høyhastighets kvantesikret krypto-agilt nettverk som forbinder to datasentre over utplassert fiber, med en tredje kvanteknude som fungerer som en forskningsplattform for neste generasjons kvanteteknologier anvendbare i bankvirksomhet . Samlet signaliserer disse investeringene at JPMorganChase bygger både tilkoblingslaget og beregningslaget samtidig – og forbereder infrastruktur for en verden der kvantesikrede nettverk og kvanteforsterkede algoritmer sameksisterer i et produksjonsmiljø.

Hvorfor London-senteret betyr noe utover pressemeldingene

De fleste kvantedatabehandlingssamarbeid mellom maskinvareleverandører og banker opererer på en delt sky-modell, der bankens forskere får tilgang til en kvanteprosessor over internett sammen med akademiske og kommersielle brukere. OQC-JPMorganChase-AMD-anlegget er annerledes: fysisk samlokalisert, privatdrevet og spesialbygd for én enkelt bedrifts arbeidsbelastning og sikkerhetskrav. Denne konfigurasjonen tillater eksperimenter som skybaserte tilgangsmodeller ikke lett kan replikere, inkludert tett koblede hybride sløyfer der klassisk HPC, KI-inferens og kvantekretser må kommunisere med ventetid målt i mikrosekunder i stedet for nettverksforsinkelser.

For finansielle tjenester, der noen få millisekunders ventetid kan ha materiell økonomisk kostnad, kan denne samlokaliserte arkitekturen vise seg å være viktigere enn det rene antallet qubits. Samarbeidets suksess vil til syvende og sist ikke måles i pressemeldinger, men av om JPMorganChase kan demonstrere – på reelle finansielle arbeidsbelastninger og mot strenge måleparametere – at hybride kvante-klassiske tilnærminger leverer ytelse, skalerbarhet og kostnadseffektivitet som rent klassisk infrastruktur ikke kan matche. Forskningssporene for porteføljeoptimalisering, kvantemaskinlæring og KI-drevet algoritmeoppdagelse er de første konkrete stegene mot den demonstrasjonen.