Schwedisches FirstQFM veröffentlicht Quanten-Machine-Learning-Plattform: Null-Shot-Erfolgsquote bei Finanzprognosen erreicht 56,1 %_Weltnachrichten

Schwedisches FirstQFM veröffentlicht Quanten-Machine-Learning-Plattform: Null-Shot-Erfolgsquote bei Finanzprognosen erreicht 56,1 %

2026-06-24 15:04

Merken

de.wedoany.com-Bericht: Das schwedische Startup FirstQFM hat auf der ISC High Performance 2026 eine auf einem Quanten-Basismodell (QFM) basierende Machine-Learning-Plattform vorgestellt, die Quanten-Reservoir-Computing (QRC)-Systeme optimiert. Bei der Vorhersage von Finanzzeitreihen erzielte sie eine Null-Shot-Sequenz-Erfolgsquote von 56,1 %.

Quanten-Reservoir-Computing ist ein hybrides Sequenzmodellierungs-Framework, das Quantenschaltungen mit geringer Tiefe als hochdimensionale Merkmalsgeneratoren nutzt. Im Gegensatz zu herkömmlichen Implementierungen, die ein einzelnes statisches Reservoir verwenden, passt die Plattform von FirstQFM das Reservoir durch das Erlernen von Kontextinformationen an den physikalischen Zustand des zugrunde liegenden Prozessors und die spezifischen Merkmale des Vorhersageproblems an. Die Technologie umfasst zwei Kern-Workflows: „Problembewusstsein" und „Gerätebewusstsein". Ersteres analysiert die mathematische Struktur des Datenstroms und passt das interne Gedächtnis sowie die Nichtlinearitätskurve des Reservoirs an; Letzteres überwacht die Arbeitsumgebung des Echtzeit-Quantenprozessors und nimmt Anpassungen des Reservoirs hinsichtlich Qubit-Topologie, Gatter-Kalibrierungsbeschränkungen, Hintergrundübersprechen und Echtzeit-Rauschvektoren vor.

Die Alpha-Version des Systems wurde bei 41 täglichen Finanzertragsvorhersageaufgaben evaluiert, die Einzelaktien, globale Indizes, Krypto-Assets und Rohstoffe umfassten. In der Null-Shot-Evaluierung erzielte die QRC-Architektur von FirstQFM einen niedrigeren mittleren quadratischen Fehler (0,000485 MSE) und eine höhere Richtungsgenauigkeit als führende Zeitreihen-Basismodelle von Google, Amazon und Salesforce. Das anfängliche Reservoir wurde mit der NVIDIA cuQuantum SDK und der cuTensorNet-Bibliothek auf dem von EuroHPC unterstützten Supercomputer Leonardo generiert, an der Grenze zur klassischen Simulierbarkeit. Um die Leistung bei größeren, nicht simulierbaren Reservoirs zu validieren, führte das Team auf der Multi-Chip-Supraleiter-Quantenhardware von Rigetti Computing finale Benchmark-Tests durch, die die durchschnittliche Richtungsvorhersagegenauigkeit auf 54,74 % steigerten und bei wichtigen Indizes wie dem DAX 30 und dem Dow 30 eine Spitzen-MSE-Reduktion von 52,95 % für einzelne Sequenzen erzielten.

FirstQFM hat ausgewählten Pilotpartnern den Zugang zur Beta-Version des Systems für die Verarbeitung multivariater Unternehmenszeitreihen eröffnet. Die Beta-Architektur enthält eine hardwarebewusste Stabilisierungsschicht, die die Merkmalsextraktionsschleife dynamisch an Veränderungen der physikalischen Eigenschaften der Qubits anpasst. Die Unternehmensbereitstellungsstrategie umfasst zwei Richtungen: Cloud und lokal. Das lokale Modul wird NVIDIA NVQLink nutzen, um eine latenzarme Verbindung zwischen lokalen GPU-Servern und dem Quantensystem-Controller herzustellen, sodass Unternehmensbediener über natürliche Sprachsteuerung zwischen direkter Vorhersage und wiederverwendbaren Merkmalsschichten wechseln können.

Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.