Проблемы оптимизации являются первыми коммерческими целями, указанными @quipnetwork, поскольку они соответствуют существующему оборудованию и встречаются в отраслях, которые уже тратят деньги на солверы. Задачи маршрутизации транспорта, планирования производства, формирования портфеля и некоторые подпрограммы машинного обучения могут быть представлены в виде квадратичной безусловной бинарной оптимизации или моделей Исинга. Квантовые аннилеры уже много лет позиционируются именно для этого класса задач; классические MIP-солверы, эвристики и локальный поиск с ускорением на GPU остаются сильными эталонами. Децентрализованная рынок не меняет основную математику. Он меняет закупки: вместо зарезервированного выделения QPU или локального кластера пользователь отправляет задание и ставку и получает проверенный ответ, если рынок очистится. Поэтому осмысленная оценка фокусируется на общей стоимости владения, включая накладные расходы на проверку, стоимость перемещения данных и риск того, что победивший солвер — это хорошо настроенный классический метод, а не квантовый. Гибридные конвейеры, в которых квантовое устройство предлагает кандидатов, а классическое устройство их дорабатывает, согласуются с заявленной архитектурой проекта.