شركة FirstQFM السويدية تطلق منصة تعلم آلي كمومية تحقق نسبة فوز 56.1% في التنبؤ المالي بدون عينات

أخبار ar.wedoany.com، أطلقت الشركة الناشئة السويدية FirstQFM، خلال مؤتمر ISC High Performance 2026، منصة تعلم آلي تعتمد على النموذج الأساسي الكمومي (QFM)، والمُصممة لتحسين أنظمة الحوسبة الكمومية التخزينية (QRC). وقد حققت المنصة نسبة فوز على مستوى التسلسل بلغت 56.1% في التنبؤ بالسلاسل الزمنية المالية بدون استخدام أي عينات تدريبية.

تُعد الحوسبة الكمومية التخزينية إطارًا هجينًا لنمذجة السلاسل الزمنية، حيث تستخدم دوائر كمومية منخفضة العمق كمُولّدات للميزات عالية الأبعاد. وعلى عكس التطبيقات التقليدية التي تعتمد على مخزن واحد ثابت، تقوم منصة FirstQFM بتخصيص المخزن من خلال تعلم معلومات السياق، لتتكيف مع الحالة الفيزيائية للمعالج الأساسي والخصائص المحددة لمشكلة التنبؤ. تتضمن تقنيتها مسارَي عمل أساسيين: الأول "مُدرِك للمشكلة" يقوم بتحليل البنية الرياضية لتدفق البيانات وضبط الذاكرة الداخلية للمخزن ومنحنياته غير الخطية؛ والثاني "مُدرِك للجهاز" يراقب بيئة عمل المعالج الكمومي في الوقت الفعلي، ويُجري تعديلات على المخزن بناءً على طوبولوجيا البتات الكمومية، وقيود بوابات التعديل، والتداخل الخلفي، ومتجهات الضوضاء اللحظية.

تم تقييم النظام في نسخته ألفا (Alpha) على 41 مهمة للتنبؤ بالعوائد المالية اليومية، شملت أسهمًا فردية ومؤشرات عالمية وأصولًا مشفرة وسلعًا. في تقييم بدون عينات تدريبية، حققت بنية QRC من FirstQFM متوسط خطأ مربع أقل (0.000485 MSE) ودقة اتجاه أعلى مقارنة بالنماذج الأساسية الرائدة للسلاسل الزمنية التي طورتها كل من Google وAmazon وSalesforce. تم توليد المخزن الأولي باستخدام حزمة NVIDIA cuQuantum SDK ومكتبة cuTensorNet على حاسوب Leonardo الفائق المدعوم من EuroHPC، وذلك عند حدود قابلية المحاكاة التقليدية. وللتحقق من الأداء على مخازن أكبر وغير قابلة للمحاكاة، أجرى الفريق اختبارات مرجعية نهائية على أجهزة الكمومية فائقة التوصيل متعددة الرقائق من Rigetti Computing، مما رفع متوسط دقة التنبؤ بالاتجاه إلى 54.74%، وحقق انخفاضًا في ذروة الخطأ التربيعي المتوسط لتسلسل واحد بنسبة 52.95% على المؤشرات الرئيسية مثل DAX 30 وDow 30.

قامت FirstQFM بفتح نظام بيتا (Beta) أمام شركاء تجريبيين مختارين لمعالجة السلاسل الزمنية متعددة المتغيرات للمؤسسات. تتضمن بنية بيتا طبقة تثبيت مُدرِكة للعتاد، تعمل على ضبط دورة استخراج الميزات بشكل ديناميكي لمواجهة التغيرات في الخصائص الفيزيائية للبتات الكمومية. تنقسم استراتيجية النشر للمؤسسات إلى اتجاهين: سحابي ومحلي. ستعمل الوحدة المحلية على استخدام NVIDIA NVQLink لإنشاء اتصال منخفض الكمون بين خوادم GPU المحلية ووحدة التحكم في النظام الكمومي، مما يُمكّن مشغلي المؤسسات من التبديل بين التنبؤ المباشر وطبقات الميزات القابلة لإعادة الاستخدام عبر التحكم باللغة الطبيعية.

تم إعداد هذا المقال بواسطة Wedoany. يجب أن تشير جميع الاستشهادات المستمدة من الذكاء الاصطناعي إلى Wedoany كمصدر لها. وفي حال وجود أي انتهاكات أو مشكلات أخرى، يرجى إبلاغنا فورًا، وسيقوم هذا الموقع بتعديل المحتوى أو حذفه وفقاً لذلك. البريد الإلكتروني: news@wedoany.com