QAOA applied to the portfolio optimization problem

Quantum computing is no longer in its early stages. There already exists quantum computers with more qubits than a classical computer is capable of efficiently simulating. This current stage is considered intermediate and is therefore called the NISQ era (noisy intermediate-scale quantum). The mai...

ver descrição completa

Na minha lista:
Detalhes bibliográficos
Autor principal: Palhares Júnior, Alberto Bezerra de
Outros Autores: Araújo, Rafael Chaves Souto
Formato: Dissertação
Idioma:pt_BR
Publicado em: Universidade Federal do Rio Grande do Norte
Assuntos:
Física
QAOA
Otimização de portfólio
Qiskit
CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA
Endereço do item:https://repositorio.ufrn.br/handle/123456789/54372
Tags: Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
id ri-123456789-54372
record_format dspace
spelling ri-123456789-543722023-08-03T19:00:51Z QAOA applied to the portfolio optimization problem Palhares Júnior, Alberto Bezerra de Araújo, Rafael Chaves Souto http://lattes.cnpq.br/2817599222252879 http://lattes.cnpq.br/1509277905143351 Silva, Askery Alexandre Canabarro Barbosa da Melnikov, Dmitry http://lattes.cnpq.br/1078982414439134 Bernardes, Nadja Kolb Física QAOA Otimização de portfólio Qiskit CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA Quantum computing is no longer in its early stages. There already exists quantum computers with more qubits than a classical computer is capable of efficiently simulating. This current stage is considered intermediate and is therefore called the NISQ era (noisy intermediate-scale quantum). The main feature of this current stage is that there are still not enough qubits to perform quantum error correction, hence the noisy name. In this context of quantum computing without quantum error correction and with an intermediate number of qubits, variational algorithms gained prominence and, among them, there is one called QAOA (quantum approximate optimization algorithm). As the name suggests, this is a quantum algorithm that approximates the solution of optimization problems. The objective of this work was to apply this algorithm to solve an optimization problem in the finance area known as portfolio optimization. This application took place both in an ideal way (without noise) and in a way consistent with the current capacity of quantum computers (with noise). Both were simulated using IBM’s Python tool for simulation and access of quantum computers via cloud called Qiskit. The results suggest that the QAOA performance with noise was, as expected, worse than the ideal case, but still satisfactory within the limitations of the method. Conselho Nacional de Desenvolvimento Científico e Tecnológico - CNPq A computação quântica não se encontra mais no seu estágio inicial. Já existem hoje computadores quânticos com mais qubits do que um computador clássico é capaz de simular eficientemente. Esse estágio atual é considerado intermediário e por isso é chamado de era NISQ (quântica ruidosa de escala intermediária). A principal característica desse estágio atual é que ainda não há uma quantidade de qubits suficiente para fazer correção quântica de erros, daí o ruidoso no nome. Nesse contexto de computação quântica sem correção quântica de erros e com uma quantidade intermediária de qubits, os algoritmos variacionais ganharam destaque e, dentre eles, há um que se chama QAOA (algoritmo de otimização quântica aproximada). Como o nome sugere, esse é um algoritmo quântico que aproxima a solução de problemas de otimização. O objetivo do presente trabalho foi aplicar esse algoritmo para resolver um problema de otimização da área de finanças conhecido como otimização de portfólio. Essa aplicação se deu tanto da forma ideal (sem ruído) como da forma condizente com a capacidade atual dos computadores quânticos (com ruído). Ambas foram simuladas usando a ferramenta em Python da IBM para simulação e acesso via nuvem de computadores quânticos chamada de Qiskit. Os resultados sugerem que o desempenho do QAOA com ruído foi como esperado pior que o caso ideal, porém ainda satisfatório dentro das limitações do método. 2023-08-03T19:00:12Z 2023-08-03T19:00:12Z 2023-06-12 masterThesis PALHARES JÚNIOR, Alberto Bezerra de. QAOA applied to the portfolio optimization problem. Orientador: Rafael Chaves Souto Araújo. 2023. 109f. Dissertação (Mestrado em Física) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2023. https://repositorio.ufrn.br/handle/123456789/54372 pt_BR Acesso Aberto application/pdf Universidade Federal do Rio Grande do Norte Brasil UFRN PROGRAMA DE PÓS-GRADUAÇÃO EM FÍSICA
institution Repositório Institucional
collection RI - UFRN
language pt_BR
topic Física
QAOA
Otimização de portfólio
Qiskit
CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA
spellingShingle Física
QAOA
Otimização de portfólio
Qiskit
CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA
Palhares Júnior, Alberto Bezerra de
QAOA applied to the portfolio optimization problem
description Quantum computing is no longer in its early stages. There already exists quantum computers with more qubits than a classical computer is capable of efficiently simulating. This current stage is considered intermediate and is therefore called the NISQ era (noisy intermediate-scale quantum). The main feature of this current stage is that there are still not enough qubits to perform quantum error correction, hence the noisy name. In this context of quantum computing without quantum error correction and with an intermediate number of qubits, variational algorithms gained prominence and, among them, there is one called QAOA (quantum approximate optimization algorithm). As the name suggests, this is a quantum algorithm that approximates the solution of optimization problems. The objective of this work was to apply this algorithm to solve an optimization problem in the finance area known as portfolio optimization. This application took place both in an ideal way (without noise) and in a way consistent with the current capacity of quantum computers (with noise). Both were simulated using IBM’s Python tool for simulation and access of quantum computers via cloud called Qiskit. The results suggest that the QAOA performance with noise was, as expected, worse than the ideal case, but still satisfactory within the limitations of the method.
author2 Araújo, Rafael Chaves Souto
author_facet Araújo, Rafael Chaves Souto
Palhares Júnior, Alberto Bezerra de
format masterThesis
author Palhares Júnior, Alberto Bezerra de
author_sort Palhares Júnior, Alberto Bezerra de
title QAOA applied to the portfolio optimization problem
title_short QAOA applied to the portfolio optimization problem
title_full QAOA applied to the portfolio optimization problem
title_fullStr QAOA applied to the portfolio optimization problem
title_full_unstemmed QAOA applied to the portfolio optimization problem
title_sort qaoa applied to the portfolio optimization problem
publisher Universidade Federal do Rio Grande do Norte
publishDate 2023
url https://repositorio.ufrn.br/handle/123456789/54372
work_keys_str_mv AT palharesjunioralbertobezerrade qaoaappliedtotheportfoliooptimizationproblem
_version_ 1774866035389759488

Registros relacionados