CaixaBank, a velocidad cuántica

Actualmente, en el sector financiero existen tareas que requieren grandes recursos computacionales. La aplicación de la computación cuántica permitirá poder realizarlas de forma más rápida", afirma Mariona Vicens, directora corporativa de Innovación y Transformación digital de CaixaBank. La entidad ha anunciado un avance en este campo: el desarrollo del primer modelo de clasificación de riesgos a través de la computación cuántica. Conclusiones más rápidas y más certeras, todavía no aplicables a nivel comercial, pero que ya la han convertido en la primera entidad financiera de España y una de las primeras del mundo en incorporar la nueva tecnología a su innovación.

CaixaBank ha desarrollado el primer algoritmo de machine learning para la clasificación de riesgos de la banca española a través de la computación cuántica. Como paso previo para desarrollar el nuevo modelo, la entidad implantó un algoritmo cuántico capaz de evaluar el riesgo financiero de dos carteras creadas específicamente para el proyecto, a partir de datos reales: una de hipotecas y otra de bonos del Tesoro. El objetivo no era otro que validar la capacidad de la computación cuántica para mejorar los procesos. 

"En el análisis de riesgo se utiliza la Simulación de Montecarlo, un proceso estocástico -sucesión de variables aleatorias que evolucionan en función de otra variable (generalmente, el tiempo)- que supone un coste computacional considerable y que consume mucho tiempo. La incorporación de la computación cuántica supondrá reducir un trabajo de días en un proceso de pocos minutos", explica Vicens.

Los ordenadores cuánticos tienen la capacidad de procesar multitud de variables y estados a la vez, y conseguir una capacidad de cómputo que crece exponencialmente con el número de qubits. En lo que trabaja la entidad bancaria es en aplicar un esquema de computación híbrida para clasificar los riesgos crediticios.

Según Vicens, este esquema "combina durante el proceso de cálculo computación cuántica y computación convencional en diferentes etapas del proceso. Aprovecha esta ventaja de cómputo exponencial para el cálculo complejo de parámetros de optimización de algoritmos de machine learning y los combina con métodos de computación clásica, aprovechando lo mejor de los dos mundos". 

La propuesta de computación híbrida de machine learning implica utilizar las ventajas del ordenador cuántico para el procesamiento de un numero elevado de parámetros en paralelo. Esto, destaca Vicens, "acelera la convergencia del algoritmo de clasificación y, además, puede palanquearse en librerías de machine learning clásicas, permitiendo utilizar parte de los algoritmos ya optimizados para la clasificación, evitando la necesidad de construirlos íntegramente". 

Los qubits, además de procesar estados 0 y 1 como en los bits clásicos, procesan la información con una superposición de estados, es decir, un qubit puede ser 0, 1 o una combinación de los dos estados en un momento del tiempo. Adicionalmente, gracias al entrelazado cuántico, un sistema de qubits puede procesar un número de estados que crece exponencialmente con el número de ellos que se hallen en el sistema. Es decir, si hay dos qubits puede procesar 22, y si hay 10 puede procesar 210. "Este crecimiento exponencial permite tratar problemas complejos de forma muy rápida y tiene el potencial teórico de sobrepasar la capacidad de cómputo de la supercomputación actual". 

Para Vicens, la velocidad es una de las ventajas de la incipiente computación cuántica, "pero aún son más relevantes las potenciales mejoras en la identificación de soluciones, especialmente en problemas de optimización, que sin esta potencia de computación serían prácticamente imposibles de conseguir".