Please use this identifier to cite or link to this item: https://repositorio.ufrn.br/handle/123456789/54372
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorAraújo, Rafael Chaves Souto-
dc.contributor.authorPalhares Júnior, Alberto Bezerra de-
dc.date.accessioned2023-08-03T19:00:12Z-
dc.date.available2023-08-03T19:00:12Z-
dc.date.issued2023-06-12-
dc.identifier.citationPALHARES 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.pt_BR
dc.identifier.urihttps://repositorio.ufrn.br/handle/123456789/54372-
dc.description.abstractQuantum 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.pt_BR
dc.description.sponsorshipConselho Nacional de Desenvolvimento Científico e Tecnológico - CNPqpt_BR
dc.languagept_BRpt_BR
dc.publisherUniversidade Federal do Rio Grande do Nortept_BR
dc.rightsAcesso Abertopt_BR
dc.subjectFísicapt_BR
dc.subjectQAOApt_BR
dc.subjectOtimização de portfóliopt_BR
dc.subjectQiskitpt_BR
dc.titleQAOA applied to the portfolio optimization problempt_BR
dc.typemasterThesispt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.initialsUFRNpt_BR
dc.publisher.programPROGRAMA DE PÓS-GRADUAÇÃO EM FÍSICApt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/2817599222252879pt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/1509277905143351pt_BR
dc.contributor.advisor-co1Silva, Askery Alexandre Canabarro Barbosa da-
dc.contributor.referees1Melnikov, Dmitry-
dc.contributor.referees1Latteshttp://lattes.cnpq.br/1078982414439134pt_BR
dc.contributor.referees2Bernardes, Nadja Kolb-
dc.description.resumoA 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.pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::FISICApt_BR
Appears in Collections:PPGFIS - Mestrado em Física

Files in This Item:
File SizeFormat 
QAOAappliedportfolio_PalharesJunior_2023.pdf3,26 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.