Ein Forschungsprogramm statt einer einzelnen Ankündigung
AWS und JPMorganChase melden keinen einzelnen Durchbruch, sondern ein mehrjähriges Forschungsprogramm. Laut dem offiziellen Beitrag „AWS and JPMorganChase collaborate to advance quantum computing R&D“ arbeiten Quantenforscher aus der Global Technology Applied Research-Gruppe von JPMorganChase gemeinsam mit der Amazon Advanced Solutions Lab an der Frage, wie Quantentechnologien komplexe Optimierungsprobleme in der Finanzbranche und darüber hinaus adressieren können. Verfasst wurde der Text von Martin Schuetz und Ruben Andrist aus der Amazon Advanced Solutions Lab sowie von Romina Yalovetzky und Atithi Acharya aus der besagten JPMorganChase-Gruppe.
Das Programm ist laut Quelle bewusst als Serie angelegt: gemeinsame Methoden, gemeinsam entworfene Algorithmen und Experimente, die aufeinander aufbauen. Das ist ein anderer Anspruch als eine einmalige Demo. Für Finanzteams, die Quantencomputing bislang als Konferenzfolie kennen, ist genau das der interessante Punkt. Hier wird nicht ein Modell präsentiert, das danach wieder für ein Jahr verschwindet, sondern es entsteht eine Kette von Papers mit nachvollziehbaren Ergebnissen.
Kern der aktuellen Veröffentlichung ist ein neuer hybrider Ansatz aus Quanten- und klassischer Rechenleistung für groß angelegte Graphoptimierung, getestet auf Amazon Braket. Quantengeräte übernehmen dabei die Rolle von Co-Prozessoren, die klassische Solver ergänzen, nicht ersetzen. Diese Unterscheidung ist mehr als Semantik: Sie legt fest, wessen Infrastruktur weiterhin das Rückgrat bildet und wo Quantenhardware punktuell zusätzlichen Wert liefern soll. Die Verfasser ordnen ihre Arbeit selbst als Fortsetzung einer früheren Untersuchung zur Rechenhärte bestimmter Optimierungsprobleme ein, die bereits zuvor in einem eigenen Blogbeitrag beschrieben wurde. Diese Kontinuität unterscheidet das Programm von einzelnen PR-Momenten, die nach einer Ankündigung meist wieder verschwinden.
Was die Kooperation tatsächlich zeigt
Die Quelle nennt drei konkrete Ergebnisse. Erstens eine Dekompositions-Pipeline, die großflächige Portfoliooptimierungsprobleme in kleinere Teilprobleme zerlegt. Zweitens ein Kompilierungs-Toolkit, das den Qubit-Bedarf für reale Graphprobleme auf Rydberg-Atom-Hardware drastisch senkt. Drittens qReduMIS, einen hybriden Algorithmus, bei dem Quantenmessdaten klassische Reduktionslogik anstoßen. Alle drei Bausteine sind laut Quelle in zusätzlichen, referenzierten Fachpublikationen dokumentiert, nicht nur in der Blogzusammenfassung.
Bemerkenswert ist, dass die drei Ergebnisse aufeinander aufbauen. Die Dekomposition macht Probleme klein genug für Hardware von heute. Das Kompilierungs-Toolkit sorgt dafür, dass die reduzierten Probleme überhaupt auf die begrenzte Konnektivität von Rydberg-Atom-Arrays passen. qReduMIS nutzt dann Quantenmessungen, um die klassische Reduktion weiter zu verschärfen. Wer nur eine der drei Komponenten liest, unterschätzt, wie viel klassische Vorarbeit in jedem „Quanten“-Ergebnis steckt.
Für Lisa Hartmanns Faustregel gilt hier: Behauptung, Beleg, Folge. Die Behauptung lautet, hybride Verfahren verbessern heute schon Optimierungsprobleme mit Finanzbezug. Der Beleg liegt in den Zahlen der Pipeline und von qReduMIS. Die Folge ist nüchterner, als mancher Quanten-Hype vermuten lässt: Es handelt sich um Fortschritt bei Werkzeugen, nicht um einen fertigen Produktivbetrieb für Portfoliomanagement.
Portfoliooptimierung: von 1500 Variablen zu handhabbaren Teilproblemen
Konkret wird es bei der Dekompositions-Pipeline. Sie reduziert laut Quelle die Größe realer Portfoliooptimierungsprobleme um rund 80 Prozent, bei nur minimalem Qualitätsverlust der Lösung. Zusätzlich berichtet die Quelle von einer dreifachen Verkürzung der Zeit bis zur Lösung bei groß angelegten Portfoliooptimierungsproblemen mit bis zu 1500 Variablen. Das Verfahren nutzt Random Matrix Theory, um Korrelationsmatrizen zu bereinigen, und Community-Detection-Methoden, um das Gesamtproblem in Teilprobleme zu zerlegen, die parallel gelöst und danach wieder zusammengeführt werden.
Die Rechnung dahinter ist handfest: Ein Portfoliooptimierungsproblem mit 1500 Variablen ist für klassische Solver bereits teuer, für heutige Quantenhardware mit wenigen hundert Qubits aber schlicht zu groß. Erst die Zerlegung in kleinere, korrelationsbasierte Teilprobleme macht es möglich, einzelne Fragmente auf Quantengeräten mit einigen hundert Qubits zu testen. Ohne diesen Zwischenschritt bliebe jede Diskussion über „Quanten-Portfoliooptimierung“ akademisch. Die Autoren betonen, dass die Struktur echter Finanzdaten diese Zerlegung erst ermöglicht: Korrelationsmuster zwischen Vermögenswerten sind selten gleichmäßig verteilt, sondern bilden Cluster, die sich mit Community-Detection-Verfahren identifizieren lassen. Genau diese Eigenschaft nutzt die Pipeline aus, statt sie zu ignorieren.
Wichtig für die Einordnung: Die 80-Prozent-Reduktion und die dreifache Beschleunigung sind laut Quelle empirische Ergebnisse der Pipeline selbst, unabhängig davon, ob am Ende ein klassischer oder ein Quanten-Solver das Teilproblem löst. Der Nutzen für Finanzteams entsteht also schon auf der klassischen Seite der Rechnung, bevor überhaupt Quantenhardware ins Spiel kommt. Das relativiert den Quanten-Anspruch, ohne ihn zu entwerten.
Warum Optimierung noch kein Produktivbetrieb ist
Das zweite Ergebnis zeigt, wie viel klassische Vorarbeit nötig ist, bevor Quantenhardware überhaupt anfassbare Probleme sieht. Am Beispiel des Cora-Zitationsgraphen mit rund 2700 Knoten und rund 5300 Kanten nennt die Quelle eine drastische Zahl: Eine naive Einbettung auf Rydberg-Hardware hätte etwa 29 Millionen Qubits benötigt, weit jenseits jeder heute verfügbaren Maschine. Durch exakte, deterministische Reduktionsalgorithmen und ein optimiertes Einbettungsschema lässt sich derselbe Graph laut Quelle auf eine zweistellige Qubit-Zahl bringen.
Diese Differenz – 29 Millionen gegenüber wenigen Dutzend Qubits – ist der eigentliche Grund, warum Optimierung noch kein Produktivbetrieb ist. Die Reduktion funktioniert nur bei Graphen mit bestimmter Struktur gut, und das Kompilierungs-Toolkit muss für jede neue Problemklasse erneut geprüft werden. Wer daraus ableitet, Quantencomputer könnten schon heute beliebige Portfolio- oder Risikographen in Produktion lösen, verwechselt ein sorgfältig präpariertes Laborbeispiel mit einem allgemeinen Werkzeug.
Für Finanzinstitute bedeutet das: Die Machbarkeit hängt an der Frage, wie gut sich das eigene Optimierungsproblem in eine reduzierbare Graphstruktur übersetzen lässt. Ein Kreditportfolio, ein Risikoüberwachungsnetz oder eine Liquiditätskette hat nicht automatisch dieselben günstigen Eigenschaften wie ein akademischer Zitationsgraph. Genau an dieser Übersetzungsarbeit entscheidet sich, ob ein Institut in zwei Jahren etwas Nutzbares hat oder nur eine hübsche Fallstudie zitiert.
qReduMIS und die Grenzen heutiger Quantenhardware
Das dritte Ergebnis, qReduMIS, verdichtet die bisherigen Bausteine zu einem hybriden Algorithmus für das Maximum-Independent-Set-Problem. Ein Quantencomputer liefert Messdaten, die klassische Reduktionslogik erkennen lässt, welche Knoten mit hoher oder niedriger Wahrscheinlichkeit Teil einer großen unabhängigen Menge sind. Werden diese Knoten entfernt, öffnet sich der Weg für weitere klassische Kernelisierung – ein sich wiederholender Kreislauf, in dem Quanten- und klassische Ressourcen sich gegenseitig verstärken.
In Experimenten mit bis zu 231 Qubits auf QuEra’s Aquila-Gerät, das über Amazon Braket zugänglich ist, erreichte qReduMIS laut Quelle eine durchschnittliche Erfolgsquote von rund 89 Prozent bei schweren Probleminstanzen. Zum Vergleich nennt die Quelle deutlich schwächere Erfolgsraten für reine Quantum-Annealing-Verfahren und klassisches simuliertes Annealing bei denselben harten Instanzen. Das ist ein belastbares Ergebnis, aber eines, das sich auf ein spezifisches Problem, eine spezifische Hardware und eine begrenzte Qubit-Zahl bezieht.
231 Qubits sind für heutige Rydberg-Systeme ein realer Wert, für ein systemrelevantes Bankportfolio mit tausenden Positionen aber weiterhin klein. Der Fortschritt liegt darin, dass qReduMIS die Erfolgsquote bei hoher Problemhärte stabil hält, während andere Verfahren dort einbrechen. Ob sich dieser Vorteil auf größere, praxisnähere Portfolioprobleme übertragen lässt, ist mit den vorliegenden Daten noch nicht beantwortet. Bemerkenswert ist außerdem, dass die Fehlerbalken in der Quelle über Bootstrapping und wiederholte Bernoulli-Experimente ermittelt wurden, also nicht auf einer einzigen Messreihe beruhen. Diese methodische Sorgfalt erhöht die Glaubwürdigkeit der 89-Prozent-Zahl, ändert aber nichts an der begrenzten Problemgröße, auf die sie sich bezieht.
Was das für Vermögensverwaltung und Risikomodelle bedeutet
Für die praktische Einordnung lohnt der Blick auf die Portfolio-Selection-Problematik, die die Quelle selbst als Beispiel für ein Maximum-Independent-Set-Problem auf einem Anlagegraphen beschreibt. Vermögensverwalter kennen Kombinatorik dieser Art aus Rebalancing-Entscheidungen: Welche Positionen dürfen gleichzeitig gehalten werden, ohne Korrelations- oder Risikogrenzen zu verletzen? Genau solche Nebenbedingungen lassen sich als Graphstruktur formulieren, wie es qReduMIS am Beispiel demonstriert.
Wer diesen Ansatz mit bestehenden Digital-Magazin-Einordnungen zu Quantencomputern im Portfoliomanagement und der Kreditvergabe vergleicht, sieht dieselbe Grundspannung: Banken testen längst konkrete Use Cases, aber produktive Entscheidungen bleiben bei klassischen Systemen, solange Qubit-Zahlen, Fehlerraten und Reduktionsverfahren nicht für die tatsächliche Portfoliogröße validiert sind. Die aktuelle AWS-JPMorganChase-Arbeit liefert dafür belastbare Zwischenschritte, keinen fertigen Ersatz für bestehende Risikoinfrastruktur.
Auch der Vergleich mit früheren Pilotprojekten ist aufschlussreich. Die Einordnung zu einem QuantumFinanceHub-Pilotprojekt für Finanzrisikomodelle zeigte bereits, wie viele technische Haken zwischen Pilotversuch und Produktivsystem liegen. Die neue AWS-JPMorganChase-Arbeit reduziert einige dieser Haken messbar – etwa den Qubit-Bedarf und die Erfolgsquote bei harten Instanzen –, löst aber nicht automatisch die Frage nach Regulierung, Modellrisikomanagement und Nachvollziehbarkeit von Quantenergebnissen in einem aufsichtsrechtlich geprüften Prozess. Ergänzend verweist die Quelle auf eine frühere gemeinsame Publikation zur Rechenhärte von Optimierungsproblemen mit Rydberg-Atom-Arrays, die als Grundlage für die drei neuen Papers diente. Diese Vorarbeit ist der Grund, warum das aktuelle Ergebnis nicht aus dem Nichts kommt, sondern auf einer mehrjährigen Kette von Erkenntnissen aufbaut.
Ein Prüfrahmen für Finanzteams, die das Thema ernst nehmen
Wer als Finanzinstitut aus dieser Veröffentlichung mehr als eine Pressemitteilung ziehen will, sollte drei Fragen konkret beantworten. Erstens: Lässt sich das eigene Optimierungsproblem überhaupt in eine Graphstruktur mit den Eigenschaften übersetzen, die die Dekompositions-Pipeline und das Kompilierungs-Toolkit voraussetzen? Zweitens: Wie verhält sich die Erfolgsquote bei der eigenen Problemgröße, wenn man realistisch von wenigen hundert statt 231 Qubits ausgeht? Drittens: Welche Teile der Pipeline liefern schon auf klassischer Hardware einen Mehrwert, unabhängig vom Quantenanteil?
Die dritte Frage ist womöglich die lohnendste. Die Dekompositions-Pipeline mit ihrer 80-Prozent-Reduktion und der dreifachen Beschleunigung funktioniert laut Quelle bereits klassisch. Ein Institut kann diesen Teil evaluieren, ohne auf verfügbare Quantenhardware zu warten. Das ist der pragmatischere erste Schritt, verglichen mit dem Versuch, sofort ein komplettes Quanten-Pilotprojekt aufzusetzen, dessen Erfolg von Hardware-Zugang und Fehlerraten abhängt, die außerhalb der eigenen Kontrolle liegen.
Am Ende bleibt eine unspektakuläre, aber belastbare Bilanz: AWS und JPMorganChase liefern drei aufeinander aufbauende Fortschritte bei hybrider Optimierung, dokumentiert in referenzierten Fachpublikationen und getestet auf realer Quantenhardware. Das ist mehr als ein Konferenzversprechen, aber deutlich weniger als ein einsatzfertiges Produkt für die Vermögensverwaltung. Wer diesen Unterschied respektiert, kann die Forschung sinnvoll beobachten. Wer ihn ignoriert, kauft am Ende nur ein teures Update seiner Erwartungen.
Was halten Sie von dem Thema? Hier können Sie mit anderen Leserinnen und Lesern ins Gespräch gehen.
Mitreden & diskutieren
Ihre Meinung zählt — teilen Sie Gedanken, Fragen oder Erfahrungen zu diesem Artikel.