La sfida di portare dati finanziari realistici sui dispositivi quantistici ha ricevuto un nuovo impulso dalla collaborazione tra HSBC, il middleware quantistico Haiqu e diversi gruppi accademici, culminata in una pubblicazione su Physical Review Research (29 Apr 2026). Il lavoro propone una via pratica per rappresentare distribuzioni di probabilità complesse, essenziali per applicazioni come la valutazione dei derivati, l’ottimizzazione di portafoglio e l’analisi del rischio, su hardware che oggi è ancora affetto da rumore e limiti di profondità dei circuiti.
Nel documento il team affronta esplicitamente il collo di bottiglia noto come quantum state preparation: la fase che trasforma dati classici in stati quantistici. Sfruttando tecniche che riducono il numero di operazioni necessarie, i ricercatori mostrano come sia possibile ottenere campioni statistici accurati anche su macchine con pochi qubit disponibili e con errori reali di esecuzione.
Metodo e innovazione tecnica
Al centro dell’approccio c’è l’uso di matrix product state (MPS), una rappresentazione che consente di costruire circuiti relativamente poco profondi per codificare funzioni continue e distribuzioni di probabilità. L’idea è di mappare la struttura di una distribuzione su una catena di tensori, da cui si ricavano configurazioni quantistiche sintetiche senza dover memorizzare l’intero dataset in memoria classica. Questo approccio riduce costi computazionali e limita l’accumulo di errori su hardware rumoroso.
MPS e circuiti poco profondi
Con le MPS si ottiene una decomposizione compatta che traduce la complessità della distribuzione in una sequenza di porte quantistiche ottimizzate. In pratica, i progettisti generano circuiti che scalano in modo lineare rispetto al numero di qubit coinvolti anziché in modo esponenziale, favorendo così l’esecuzione su dispositivi odierni.
Il risultato è la preparazione efficiente di distribuzioni heavy-tailed senza progettare circuiti profondi che verrebbero compromessi dal rumore.
Validazione sperimentale
I test eseguiti sul cloud quantum di IBM hanno fornito la verifica pratica della tecnica. I ricercatori hanno realizzato circuiti fino a 25 qubit che, una volta eseguiti, hanno prodotto campioni sottoposti a test statistici quantitativi e superati con successo. Questo riscontro sperimentale indica che, anche con l’attuale generazione di hardware rumoroso, la codifica proposta può riprodurre fedelmente le caratteristiche di modelli finanziari complessi.
Scala e simulazioni
Oltre alle prove su hardware reale, il team ha impiegato un workflow basato sul campionamento per estendere l’esperimento fino a 64 qubit su dispositivi praticabili e ha osservato comportamenti coerenti in simulazioni fino a 156 qubit.
Queste estensioni suggeriscono che l’approccio è scalabile e può essere portato a problemi di dimensione molto maggiore non appena l’hardware quantistico migliorerà in qualità e numero di qubit.
Implicazioni per il settore finanziario
La possibilità di preparare efficientemente distribuzioni come le distribuzioni Lévy, utili per modellare eventi estremi e code pesanti nei mercati, rappresenta un passo importante verso applicazioni reali della quantum finance. Il lavoro riduce una barriera pratica: se i dati possono essere caricati con circuiti poco profondi, allora algoritmi di pricing, gestione del rischio e machine learning quantistico diventano più prossimi a un’implementazione concreta.
Secondo i protagonisti della ricerca, tra cui figure di HSBC e Haiqu, questa strategia offre una traiettoria dove teoria e pratica si avvicinano, permettendo alle istituzioni finanziarie di esplorare i benefici della computazione quantistica in condizioni realistiche.
Il lavoro non elimina il rumore hardware, ma propone strumenti per conviverci e trarne vantaggio nell’analisi di dati complessi e rischi di mercato.
