维度网讯，好事达保险（Allstate）与技术开发商IBM（国际商业机器公司）联合发布研究报告称，量子计算能够优化风险投资组合并解决承保领域面临的高难度计算问题。这项于2026年中以预印本形式发表的研究，聚焦于机会约束背包问题——计算机科学中一类以求解困难著称的组合优化任务。该问题的运营目标与保险承保的核心任务一致：确定最有利可图的保单组合，将其纳入企业投资组合，同时确保不超出最大允许风险和损失限额。标准背包问题对经典系统而言已难以大规模求解，而当一个保单变量代表具有不可预测性和高度相关性的实际风险时，问题复杂度会呈指数级增长。

与汽车保险等可独立承保的类别不同——单个驾驶员事故对整体风险池概率影响甚微——房屋保险受深度互联的环境风险支配。大规模自然灾害，如局部龙卷风、区域野火或大型飓风，常同时袭击整个地理区域，引发大规模索赔，可能同时影响数千份相邻保单。为评估这种极端尾部风险，保险团队目前依赖高强度经典模拟，需执行多达十万个场景来绘制潜在未来损失。然而，在计算覆盖广阔地理区域的罕见灾害参数时，这种经验近似方法不确定性很高，导致传统的混合整数数学规划和最坏情况情景建模在结构上效率低下。

为克服这一计算障碍，研究团队开发了一种混合量子-经典优化框架，该框架结合了基于门的量子硬件与预测性经典后处理层。量子计算阶段运行一个变分程序，该程序围绕针对背包问题的量子近似优化算法（QAOA）电路构建，该电路旨在将概率性机会约束直接嵌入量子态中。在IBM Quantum Heron处理器上运行时，该电路绘制出复杂的非凸参数空间，以生成初始的高质量候选位串池，这些位串在遵守目标风险水平的同时优先考虑高承保价值。

由于当前中等规模的量子硬件在物理噪声约束下运行，该框架整合了一种新颖的自洽经典恢复方案来优化原始量子样本。经典后处理层通过系统修复违反指定风险预算的候选位串，并学习哪些保单变量在成功投资组合中出现频率最高，从而清理候选位串池。这些知识被迭代反馈以指导下一轮量子计算，形成良性优化循环。为克服变分电路中常见的学习信号随问题规模增大而退化的问题，研究团队引入了一种基于约束对齐的参数迁移策略，该策略先在较小的问题实例上训练电路，然后将学到的优化参数直接迁移到更大的数据规模上。

该联合方法在IBM Heron处理器上使用包含20到150个项的问题规模进行了严格基准测试，使用了包含多达177层和3443个有效门的深度量子电路。在与标准经典近似启发式算法（包括并行回火、禁忌搜索、模拟退火和遗传算法）比较时，量子-经典工作流程提供了相当的求解质量，对于包含多达75个项的问题，其匹配了可证明的精确经典答案。尽管当前硬件噪声水平限制了该框架的即时运行规模，但实验展示了一个可扩展的企业模板。随着物理门误差的降低，处理负担将从经典校正层无缝转移到量子处理器上，为高风险金融和承保应用实现实际量子优势奠定了明确路径。

详细描述变分电路设计、参数迁移协议和随机基准测试的完整同行评审预印本手稿可在arXiv平台查阅。企业方法总结及相关保险保单用例的机构评论仍通过IBM量子智能博客托管，合作行业公告可通过IBM量子网络更新获取。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com