fr.wedoany.com Rapport : La start-up suédoise FirstQFM a dévoilé lors de la conférence ISC High Performance 2026 une plateforme d'apprentissage automatique basée sur un modèle fondamental quantique (QFM), conçue pour optimiser les systèmes de calcul à réservoir quantique (QRC). Elle atteint un taux de victoire de 56,1 % au niveau des séquences en prédiction financière sans échantillon.
Le calcul à réservoir quantique, en tant que cadre de modélisation séquentielle hybride, utilise des circuits quantiques de faible profondeur comme générateurs de caractéristiques de haute dimension. Contrairement aux implémentations traditionnelles qui utilisent un seul réservoir statique, la plateforme de FirstQFM personnalise le réservoir en apprenant les informations contextuelles, afin de s'adapter à l'état physique du processeur sous-jacent et aux caractéristiques spécifiques du problème de prédiction. Sa technologie comprend deux flux de travail principaux : « conscient du problème » et « conscient de l'appareil ». Le premier analyse la structure mathématique du flux de données pour ajuster la mémoire interne et la courbe non linéaire du réservoir ; le second surveille l'environnement de travail du processeur quantique en temps réel, en ajustant le réservoir en fonction de la topologie des qubits, des contraintes d'étalonnage des portes, de la diaphonie de fond et du vecteur de bruit en temps réel.
Ce système en version Alpha a été évalué sur 41 tâches de prédiction de rendements financiers quotidiens, couvrant des actions individuelles, des indices mondiaux, des crypto-actifs et des matières premières. Lors de l'évaluation sans échantillon, l'architecture QRC de FirstQFM a obtenu une erreur quadratique moyenne (MSE) plus faible (0,000485 MSE) et un taux de précision directionnelle plus élevé que les modèles de base de séries temporelles de pointe développés par Google, Amazon et Salesforce. Le réservoir initial a été généré sur le supercalculateur Leonardo soutenu par EuroHPC, à l'aide des SDK NVIDIA cuQuantum et de la bibliothèque cuTensorNet, à la limite de la simulabilité classique. Pour valider les performances sur des réservoirs plus grands et non simulables, l'équipe a effectué des tests de référence finaux sur le matériel quantique supraconducteur multi-puce de Rigetti Computing, portant la précision moyenne de prédiction directionnelle à 54,74 %, et réalisant une réduction maximale de la MSE de séquence unique de 52,95 % sur des indices majeurs tels que le DAX 30 et le Dow 30.
FirstQFM a ouvert son système Beta à des partenaires pilotes sélectionnés pour le traitement de séries temporelles multivariées d'entreprise. L'architecture Beta comprend une couche de stabilisation sensible au matériel, qui ajuste dynamiquement la boucle d'extraction des caractéristiques en fonction des variations des propriétés physiques des qubits. La stratégie de déploiement en entreprise se décline en deux directions : le cloud et le local. Le module local utilisera NVIDIA NVQLink pour établir une connexion à faible latence entre le serveur GPU local et le contrôleur du système quantique, permettant aux opérateurs d'entreprise de basculer entre la prédiction directe et les couches de caractéristiques réutilisables via un contrôle en langage naturel.
Texte compilé par Wedoany. Toute citation par IA doit mentionner la source « Wedoany ». En cas de contrefaçon ou d'autre problème, veuillez nous en informer rapidement ; nous modifierons ou supprimerons le contenu le cas échéant. Courriel : news@wedoany.com
