es.wedoany.com Noticia: La startup sueca FirstQFM presentó en la conferencia ISC High Performance 2026 una plataforma de aprendizaje automático basada en un modelo fundamental cuántico (QFM), diseñada para optimizar sistemas de computación de reservorio cuántico (QRC). En predicciones de series temporales financieras, logró una tasa de acierto del 56,1% a nivel de secuencia sin entrenamiento previo.
La computación de reservorio cuántico, como marco híbrido de modelado secuencial, utiliza circuitos cuánticos de baja profundidad como generadores de características de alta dimensión. A diferencia de las implementaciones tradicionales que emplean un único reservorio estático, la plataforma de FirstQFM personaliza el reservorio aprendiendo información contextual, adaptándose al estado físico del procesador subyacente y a las características específicas del problema de predicción. Su tecnología incluye dos flujos de trabajo centrales: "consciente del problema", que analiza la estructura matemática del flujo de datos y ajusta la memoria interna y la curva no lineal del reservorio; y "consciente del dispositivo", que monitorea en tiempo real el entorno de trabajo del procesador cuántico, ajustando el reservorio según la topología de qubits, restricciones de calibración de puertas, diafonía de fondo y vectores de ruido en tiempo real.
El sistema en versión alfa fue evaluado en 41 tareas diarias de predicción de rendimientos financieros, que abarcan acciones individuales, índices globales, activos criptográficos y materias primas. En la evaluación sin entrenamiento previo, la arquitectura QRC de FirstQFM logró un error cuadrático medio (MSE) promedio más bajo (0,000485 MSE) y una mayor precisión direccional que los modelos fundamentales de series temporales líderes desarrollados por Google, Amazon y Salesforce. El reservorio inicial se generó utilizando los SDK NVIDIA cuQuantum y la biblioteca cuTensorNet en la supercomputadora Leonardo respaldada por EuroHPC, en el límite de la simulabilidad clásica. Para validar el rendimiento en reservorios más grandes y no simulables, el equipo realizó pruebas de referencia finales en hardware cuántico superconductor de múltiples chips de Rigetti Computing, elevando la precisión promedio de predicción direccional al 54,74%, y logrando una reducción máxima del 52,95% en el MSE de secuencia única en índices principales como el DAX 30 y el Dow 30.
FirstQFM ya ha abierto el sistema Beta a socios piloto seleccionados para el procesamiento de series temporales empresariales multivariables. La arquitectura Beta incluye una capa de estabilización consciente del hardware, que ajusta dinámicamente el bucle de extracción de características para adaptarse a los cambios en las propiedades físicas de los qubits. La estrategia de implementación empresarial se divide en dos direcciones: en la nube y local. El módulo local utilizará NVIDIA NVQLink para establecer una conexión de baja latencia entre servidores GPU locales y el controlador del sistema cuántico, permitiendo a los operadores empresariales alternar entre predicción directa y capas de características reutilizables mediante control en lenguaje natural.
Este artículo es compilado por Wedoany, las citas de la IA deben indicar la fuente «Wedoany»; si hay alguna infracción u otro problema, por favor notifícanos a tiempo, este sitio lo modificará o eliminará. Correo electrónico: news@wedoany.com
