Репортаж от Wedoany，Страховая компания Allstate совместно с технологическим разработчиком IBM (International Business Machines Corporation) опубликовала исследование, в котором утверждается, что квантовые вычисления способны оптимизировать рисковые инвестиционные портфели и решать сложные вычислительные задачи в сфере андеррайтинга. Это исследование, опубликованное в середине 2026 года в виде препринта, посвящено задаче о рюкзаке с вероятностными ограничениями — классу комбинаторных оптимизационных задач, известных своей сложностью решения. Операционная цель этой задачи совпадает с основной задачей страхового андеррайтинга: определить наиболее прибыльный набор полисов для включения в корпоративный портфель, обеспечив при этом непревышение максимально допустимых лимитов риска и убытков. Стандартная задача о рюкзаке уже труднорешаема в больших масштабах для классических систем, а когда переменная полиса представляет собой реальный риск с непредсказуемостью и высокой корреляцией, сложность задачи возрастает экспоненциально.
В отличие от таких категорий, как автострахование, которые можно андеррайтить независимо — где авария одного водителя оказывает незначительное влияние на вероятность общего пула рисков, — страхование жилья подвержено глубоко взаимосвязанным экологическим рискам. Крупномасштабные стихийные бедствия, такие как локальные торнадо, региональные лесные пожары или крупные ураганы, часто одновременно поражают целые географические регионы, вызывая массовые страховые требования, которые могут затронуть тысячи соседних полисов одновременно. Для оценки такого экстремального хвостового риска страховые команды в настоящее время полагаются на интенсивное классическое моделирование, требующее выполнения до ста тысяч сценариев для картирования потенциальных будущих убытков. Однако при расчете параметров редких катастроф, охватывающих обширные географические районы, этот эмпирический аппроксимационный метод имеет высокую неопределенность, что приводит к структурной неэффективности традиционного смешанного целочисленного математического программирования и моделирования наихудшего сценария.
Для преодоления этого вычислительного барьера исследовательская группа разработала гибридный квантово-классический оптимизационный фреймворк, который объединяет квантовое оборудование на основе вентилей с прогностическим классическим постпроцессинговым слоем. Квантовый вычислительный этап выполняет вариационную программу, построенную вокруг схемы квантового аппроксимационного оптимизационного алгоритма (QAOA) для задачи о рюкзаке, которая предназначена для прямого встраивания вероятностных ограничений в квантовое состояние. При выполнении на процессоре IBM Quantum Heron эта схема исследует сложное невыпуклое пространство параметров для генерации начального пула высококачественных битовых строк-кандидатов, которые отдают приоритет высокой страховой стоимости при соблюдении целевого уровня риска.
Поскольку современное квантовое оборудование среднего масштаба работает в условиях физического шума, фреймворк интегрирует новую самосогласованную классическую схему восстановления для оптимизации исходных квантовых выборок. Классический постпроцессинговый слой очищает пул битовых строк-кандидатов, систематически исправляя те из них, которые нарушают заданный бюджет риска, и обучаясь тому, какие переменные полисов встречаются в успешных портфелях наиболее часто. Эти знания итеративно передаются обратно для направления следующего раунда квантовых вычислений, образуя благотворный оптимизационный цикл. Для преодоления распространенной в вариационных схемах проблемы деградации обучающего сигнала с увеличением размера задачи исследовательская группа внедрила стратегию переноса параметров на основе выравнивания ограничений, которая сначала обучает схему на меньших экземплярах задачи, а затем напрямую переносит изученные оптимизационные параметры на большие масштабы данных.
Этот совместный метод был подвергнут строгому бенчмаркингу на процессоре IBM Heron с использованием размеров задач от 20 до 150 элементов, с применением глубоких квантовых схем, содержащих до 177 слоев и 3443 эффективных вентилей. При сравнении со стандартными классическими аппроксимационными эвристическими алгоритмами, включая параллельный отжиг, поиск с запретами, имитацию отжига и генетические алгоритмы, квантово-классический рабочий процесс обеспечил сопоставимое качество решения, а для задач, содержащих до 75 элементов, он соответствовал доказуемым точным классическим ответам. Хотя текущий уровень аппаратного шума ограничивает немедленный масштаб работы фреймворка, эксперимент продемонстрировал масштабируемый корпоративный шаблон. По мере снижения физических ошибок вентилей вычислительная нагрузка будет плавно переноситься с классического корректирующего слоя на квантовый процессор, прокладывая четкий путь к достижению практического квантового преимущества для высокорисковых финансовых приложений и приложений андеррайтинга.
Полный рецензируемый препринт рукописи с подробным описанием конструкции вариационной схемы, протокола переноса параметров и случайного бенчмаркинга доступен на платформе arXiv. Сводка корпоративного метода и институциональные комментарии по соответствующим случаям использования страховых полисов по-прежнему размещаются в блоге IBM Quantum Intelligence, а отраслевые объявления о сотрудничестве можно получить через обновления сети IBM Quantum Network.
Данный материал скомпилирован платформой Wedoany. При цитировании материалов, созданных с помощью искусственного интеллекта (ИИ), необходимо обязательно указывать источник — «Wedoany». В случае выявления нарушения прав или иных проблем просим своевременно информировать нас. Сайт оперативно внесёт изменения или удалит материал.Электронная почта: news@wedoany.com
