Use este identificador para citar ou linkar para este item: https://repositorio.ufrn.br/handle/123456789/54372
Título: QAOA applied to the portfolio optimization problem
Autor(es): Palhares Júnior, Alberto Bezerra de
Orientador: Araújo, Rafael Chaves Souto
Palavras-chave: Física;QAOA;Otimização de portfólio;Qiskit
Data do documento: 12-Jun-2023
Editor: Universidade Federal do Rio Grande do Norte
Referência: 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.
Resumo: 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.
Abstract: 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.
URI: https://repositorio.ufrn.br/handle/123456789/54372
Aparece nas coleções:PPGFIS - Mestrado em Física

Arquivos associados a este item:
Arquivo TamanhoFormato 
QAOAappliedportfolio_PalharesJunior_2023.pdf3.26 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.