# AI Quantum Machine Learning máy học lượng tử

Tiếng Anh: Quantum Machine Learning

Lĩnh vực kết hợp điện toán lượng tử với học máy, hứa hẹn tăng tốc mô phỏng rủi ro danh mục tín dụng ngân hàng.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-quantum-machine-learning-may-hoc-luong-tu-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

## Máy học lượng tử (Quantum Machine Learning - QML) là gì?

Máy học lượng tử (Quantum Machine Learning - QML) là lĩnh vực giao thoa giữa **điện toán lượng tử (Quantum Computing)** và **trí tuệ nhân tạo (Artificial Intelligence - AI)**, trong đó các thuật toán học máy được thiết kế hoặc tăng tốc bằng cách khai thác ba hiện tượng lượng tử cốt lõi gồm **chồng chập (superposition)**, **vướng víu (entanglement)** và **giao thoa (interference)**. Khác với máy tính cổ điển chỉ xử lý bit nhị phân 0 hoặc 1, máy tính lượng tử sử dụng **qubit** có khả năng biểu diễn đồng thời nhiều trạng thái, mở ra tiềm năng tăng tốc theo cấp số nhân cho các bài toán tổ hợp và xác suất mà phương pháp truyền thống gặp khó khăn.

Về bản chất hoạt động, QML tận dụng các hiện tượng lượng tử để vượt qua giới hạn của học máy cổ điển. Nguyên lý chồng chập cho phép một hệ n qubit biểu diễn đồng thời 2^n trạng thái — chẳng hạn 50 qubit có thể mã hóa hơn 1.000 nghìn tỷ trạng thái cùng lúc. Hiện tượng vướng víu tạo ra mối liên hệ phi cổ điển giữa các qubit, giúp **mạng nơ-ron lượng tử (Quantum Neural Networks - QNN)** nắm bắt các mối quan hệ phi tuyến phức tạp trong dữ liệu tài chính mà mạng nơ-ron cổ điển khó học được. Giao thoa lượng tử cho phép khuếch đại xác suất của nghiệm đúng đồng thời triệt tiêu nghiệm sai, tương tự cơ chế hoạt động của **thuật toán Grover** trong tìm kiếm cơ sở dữ liệu chưa sắp xếp hay thuật toán HHL trong giải hệ phương trình tuyến tính.

Trong ngân hàng, QML hứa hẹn mang lại ba lợi thế cạnh tranh chiến lược. Thứ nhất, tăng tốc xử lý đối với các bài toán tổ hợp như tối ưu danh mục đầu tư với hàng nghìn tài sản tài chính, vốn có không gian tìm kiếm khổng lồ. Thứ hai, cải thiện độ chính xác của mô hình phát hiện gian lận (fraud detection) và dự báo rủi ro tín dụng nhờ khả năng biểu diễn không gian Hilbert có chiều cao. Thứ ba, tăng tốc mô phỏng Monte Carlo phục vụ tính **Value at Risk (VaR)** và Expected Shortfall theo chuẩn Basel III — nghiệp vụ tốn kém tài nguyên tính toán nhất trong quản trị rủi ro hiện nay.

**Thuật ngữ tiếng Anh:** Quantum Machine Learning (QML)
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

Các cách tiếp cận QML hiện nay được phân thành bốn nhóm chính, mỗi nhóm phù hợp với một dạng bài toán ngân hàng khác nhau:

| Loại QML | Đặc điểm kỹ thuật | Ứng dụng ngân hàng tiềm năng |
|---|---|---|
| **Quantum-enhanced Machine Learning** | Sử dụng thuật toán lượng tử làm subroutine tăng tốc cho ML cổ điển theo mô hình hybrid | Tăng tốc kernel methods trong chấm điểm tín dụng, tăng tốc Support Vector Machine (SVM) |
| **Quantum Neural Networks (QNN)** | Mạng nơ-ron với cổng lượng tử thay cho perceptron cổ điển, sử dụng Variational Quantum Circuits (VQC) | Dự báo chuỗi thời gian tài chính, phát hiện bất thường giao dịch thẻ |
| **Quantum Kernel Methods** | Ánh xạ dữ liệu cổ điển vào không gian Hilbert thông qua quantum feature map | Phân loại khách hàng, phân cụm hành vi giao dịch theo RFM |
| **Quantum Sampling & Generative Models** | Quantum Boltzmann Machines, Quantum GANs dùng để lấy mẫu phân phối phức tạp | Sinh dữ liệu tổng hợp cho stress test, mô phỏng kịch bản rủi ro |

**Đặc điểm nhận biết QML trong đề thi tuyển dụng ngân hàng:**

- **Có đề cập qubit, superposition, entanglement:** Đây là dấu hiệu chắc chắn của bài toán lượng tử, không phải ML cổ điển thuần túy.
- **Nhắc đến NISQ era:** Đây là giai đoạn hiện tại (2018–2030) với máy tính lượng tử 50–1000 qubit, nhiều nhiễu, chưa có sửa lỗi lượng tử hoàn chỉnh (**Noisy Intermediate-Scale Quantum - NISQ**).
- **Đề cập thuật toán HHL, Grover, Shor:** Ba thuật toán nền tảng thường xuất hiện trong các câu hỏi lý thuyết về QML.
- **Kết hợp từ khóa tài chính:** VaR, portfolio optimization, fraud detection kèm theo "quantum" → bài toán QML ứng dụng ngân hàng.
- **Có thuật ngữ "hybrid quantum-classical":** Mô hình triển khai thực tế trong NISQ, với phần cổ điển xử lý tiền xử lý dữ liệu và hậu xử lý kết quả.

## Ví dụ thực tế trong ngành ngân hàng

**Ví dụ 1: Tối ưu danh mục đầu tư cho Ngân hàng A**

Ngân hàng A quản lý danh mục đầu tư 5.000 tỷ đồng với 200 mã cổ phiếu niêm yết trên HOSE và HNX. Bài toán tối ưu hóa tỷ trọng phân bổ vốn theo mô hình Markowitz cổ điển có không gian tổ hợp lên tới 2^200 ≈ 1,6 × 10^60 phương án, khiến máy tính cổ điển cần 8-12 giờ để tìm nghiệm gần tối ưu bằng thuật toán di truyền hoặc QAOA mô phỏng. Khi triển khai QML với bộ xử lý lượng tử 100 qubit (dòng IBM Quantum Heron), thời gian giải quyết rút xuống còn 15-30 phút với sai số dưới 0,5% so với nghiệm tối ưu toàn cục. Kết quả giúp Ngân hàng A tăng tỷ suất sinh lợi hàng năm thêm 1,2-1,8 điểm phần trăm trong khi vẫn kiểm soát rủi ro theo chuẩn Basel III và tuân thủ hạn mức đầu tư theo Thông tư 22/2019/TT-NHNN.

**Ví dụ 2: Phát hiện gian lận thẻ tín dụng tại Ngân hàng B**

Ngân hàng B xử lý trung bình 12 triệu giao dịch thẻ tín dụng mỗi ngày với tỷ lệ gian lận khoảng 0,08% (tương đương 9.600 giao dịch đáng ngờ/ngày). Hệ thống ML cổ điển dựa trên Random Forest và XGBoost đạt độ chính xác 96,3%, tỷ lệ cảnh báo sai (false positive) 2,1%, gây thiệt hại ước tính 380 tỷ đồng/năm do khách hàng hợp lệ bị chặn giao dịch. Khi áp dụng Quantum Kernel SVM với feature map lượng tử, độ chính xác tăng lên 98,7%, false positive giảm xuống 0,9%, giúp tiết kiệm khoảng 185 tỷ đồng/năm. Đặc biệt, trong các đợt cao điểm mua sắm Tết Nguyên Đán và Black Friday, tốc độ xử lý tăng gấp 40 lần nhờ tăng tốc lượng tử, đảm bảo phản hồi dưới 100 mili giây theo yêu cầu của Quyết định 2345/QĐ-NHNN về xác thực sinh trắc học.

**Ví dụ 3: Mô phỏng VaR trong quản trị rủi ro thị trường**

Khách hàng doanh nghiệp B là một quỹ đầu tư thuộc Ngân hàng A, nắm giữ danh mục phái sinh lãi suất và ngoại tệ trị giá 8.000 tỷ đồng. Tính toán VaR 99% theo phương pháp Monte Carlo cổ điển cần 10 triệu path simulation, mất 6 giờ trên cluster CPU 256 cores và tiêu tốn khoảng 12 triệu đồng chi phí điện toán đám mây mỗi lần chạy. Ứng dụng **thuật toán Quantum Amplitude Estimation (QAE)** — một biến thể quan trọng của QML — giảm số path cần thiết xuống còn 10.000 (giảm 1.000 lần) với độ chính xác tương đương, giúp thời gian tính toán VaR hàng ngày giảm từ 6 giờ xuống 8 phút và chi phí vận hành giảm 92%. Điều này cho phép Ngân hàng A cập nhật hạn mức rủi ro theo thời gian thực, đáp ứng yêu cầu backtesting nội bộ theo Thông tư 13/2018/TT-NHNN và chuẩn Basel III về quản trị rủi ro thị trường.

## Máy học lượng tử trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Quantum Machine Learning | /ˈkwɒntəm məˈʃiːn ˈlɜːrnɪŋ/ |
| Tiếng Nhật | 量子機械学習 (Ryōshi Kikai Gakushū) | ryōshi kikai gakushū |
| Tiếng Hàn | 양자 기계 학습 (Yangja Gigye Hagseup) | yangja gigye hagseup |
| Tiếng Trung | 量子机器学习 (Liàngzǐ Jīqì Xuéxí) | liàngzǐ jīqì xuéxí |
| Tiếng Tây Ban Nha | Aprendizaje Automático Cuántico | /a.pɾen.d̪iˈsa.xe aw.t̪oˈma.t̪i.ko ˈkwan.t̪i.ko/ |

## Câu hỏi thường gặp

### Máy học lượng tử khác gì so với Máy học cổ điển và Điện toán lượng tử thuần túy?

Máy học lượng tử (QML) là lĩnh vực lai ghép, không hoàn toàn giống điện toán lượng tử đơn thuần. **Điện toán lượng tử** tập trung giải các bài toán vật lý, mô phỏng phân tử hay phân tích số nguyên (thuật toán Shor); **máy học cổ điển** chạy trên CPU/GPU với bit nhị phân; trong khi QML kết hợp cả hai để tăng tốc các thuật toán học máy như phân loại, hồi quy, gom cụm. Về bản chất, QML dùng qubit để mở rộng không gian đặc trưng mà không cần ánh xạ rõ ràng (kernel trick lượng tử), giúp mô hình nắm bắt các mối quan hệ phi tuyến phức tạp mà ML cổ điển khó học được.

### Khi nào cần biết về Máy học lượng tử trong ngân hàng?

Thí sinh cần nắm vững QML khi ôn thi vào các vị trí chuyên viên AI/Data Science, quản trị rủi ro, phân tích tín dụng hoặc phát triển sản phẩm ngân hàng số tại các ngân hàng lớn. Đề thi chuyên môn thường xuất hiện QML trong phần "Công nghệ mới nổi" của môn Tin học/Tài chính, đặc biệt khi đề cập Chiến lược chuyển đổi số ngành ngân hàng đến 2025 và tầm nhìn 2030 theo Quyết định 1813/QĐ-NHNN. Ngoài ra, kiến thức QML còn cần thiết khi phỏng vấn vào các dự án PoC (Proof of Concept) về tối ưu danh mục, phát hiện gian lận hoặc stress test theo Basel III.

### Máy học lượng tử ảnh hưởng thế nào đến khách hàng ngân hàng?

QML giúp khách hàng được phục vụ nhanh hơn, chính xác hơn và cá nhân hóa hơn. Trong phát hiện gian lận, tỷ lệ cảnh báo sai giảm giúp khách hàng không bị chặn giao dịch oan; trong chấm điểm tín dụng, mô hình QML đánh giá đúng năng lực tài chính của doanh nghiệp vừa và nhỏ, mở rộng khả năng tiếp cận vốn. Đối với khách hàng ưu tiên, danh mục đầu tư được tối ưu liên tục mang lại lợi nhuận tốt hơn 1-2%/năm. Tuy nhiên, khách hàng cần lưu ý rằng dữ liệu cá nhân khi xử lý bằng QML vẫn phải tuân thủ Luật An toàn thông tin mạng 2015 và Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân.

## Tổng kết

Máy học lượng tử (Quantum Machine Learning - QML) đại diện cho bước tiến chiến lược trong hành trình chuyển đổi số ngành ngân hàng Việt Nam, đặc biệt trong bối cảnh Ngân hàng Nhà nước đẩy mạnh Đề án 06 và Chiến lược chuyển đổi số quốc gia đến 2030. Mặc dù công nghệ vẫn đang ở giai đoạn NISQ với nhiều thách thức về nhiễu lượng tử, chi phí phần cứng và thiếu hụt nhân lực chuyên môn, tiềm năng ứng dụng trong tối ưu danh mục, phát hiện gian lận, quản trị rủi ro và chấm điểm tín dụng là vô cùng lớn — có thể tạo ra lợi thế cạnh tranh 1-2%/năm về hiệu quả vốn và tiết kiệm hàng trăm tỷ đồng chi phí vận hành. Người ôn thi ngân hàng cần nắm vững bản chất lượng tử, phân biệt QML với Quantum Computing và ML cổ điển, đồng thời hiểu rõ ba lợi thế cốt lõi gồm tăng tốc tính toán, xử lý big data tài chính và cải thiện độ chính xác dự báo — đây sẽ là những "điểm vàng" trong các bài thi chuyên môn và phỏng vấn tuyển dụng ngân hàng trong 3-5 năm tới.

## Thuật ngữ liên quan

- [Luật An toàn thông tin mạng 2015](https://vieclam.nganhang.com/thuat-ngu/luat-an-toan-thong-tin-mang-2015-la-gi) — Văn bản luật nền tảng quy định về bảo đảm an toàn thông tin mạng, phòng chống tấn công mạng tại Việt Nam.
- [Mô phỏng Monte Carlo](https://vieclam.nganhang.com/thuat-ngu/mo-phong-monte-carlo-la-gi) — Kỹ thuật dùng hàng nghìn kịch bản ngẫu nhiên để ước lượng phân phối rủi ro danh mục, Basel II/III tại ngân hàng.
- [Nền tảng ngân hàng số](https://vieclam.nganhang.com/thuat-ngu/nen-tang-ngan-hang-so-la-gi) — Hạ tầng công nghệ tích hợp toàn bộ quy trình ngân hàng từ mở tài khoản, cho vay, tiết kiệm đến quản lý tài sản trên một nền tảng duy nhất.
- [Phát hiện gian lận](https://vieclam.nganhang.com/thuat-ngu/phat-hien-gian-lan-la-gi) — Hệ thống sử dụng AI và phân tích dữ liệu để nhận diện các giao dịch bất thường hoặc có dấu hiệu gian lận.
- [Phân tích hành vi khách hàng](https://vieclam.nganhang.com/thuat-ngu/phan-tich-hanh-vi-khach-hang-la-gi) — Kỹ thuật phân tích dữ liệu giao dịch và tương tác để hiểu nhu cầu, từ đó cá nhân hóa sản phẩm và dịch vụ ngân hàng.
- [Tối ưu hóa danh mục đầu tư](https://vieclam.nganhang.com/thuat-ngu/toi-uu-hoa-danh-muc-dau-tu-la-gi) — Sử dụng mô hình toán như Markowitz để phân bổ vốn nhằm tối đa hóa lợi nhuận trên rủi ro cho ngân hàng.
- [Xác thực sinh trắc học](https://vieclam.nganhang.com/thuat-ngu/xac-thuc-sinh-trac-hoc-la-gi) — Xác thực danh tính bằng vân tay, khuôn mặt hoặc giọng nói, theo Quyết định 2345/QĐ-NHNN bắt buộc cho chuyển tiền trên 10 triệu/lần.
- [Đề án 06 của Chính phủ](https://vieclam.nganhang.com/thuat-ngu/de-an-06-cua-chinh-phu-la-gi) — Đề án phát triển ứng dụng dữ liệu về dân cư, định danh và xác thực điện tử phục vụ chuyển đổi số quốc gia.