fr.wedoany.com Rapport : Allstate Insurance, en partenariat avec le développeur technologique IBM (International Business Machines Corporation), a publié un rapport de recherche indiquant que l’informatique quantique peut optimiser les portefeuilles d’investissement à risque et résoudre des problèmes de calcul complexes dans le domaine de la souscription. Cette étude, publiée sous forme de prépublication à la mi-2026, se concentre sur le problème du sac à dos avec contraintes probabilistes, une tâche d’optimisation combinatoire réputée difficile en informatique. L’objectif opérationnel de ce problème est aligné sur la mission centrale de la souscription d’assurance : déterminer la combinaison de polices la plus rentable à intégrer dans le portefeuille d’entreprise, tout en veillant à ne pas dépasser les limites maximales de risque et de perte autorisées. Le problème standard du sac à dos est déjà difficile à résoudre à grande échelle pour les systèmes classiques, et lorsqu’une variable de police représente un risque réel imprévisible et hautement corrélé, la complexité du problème croît de manière exponentielle.
Contrairement aux catégories pouvant être souscrites indépendamment, comme l’assurance automobile – où l’accident d’un conducteur individuel a un impact probabiliste négligeable sur l’ensemble du pool de risques – l’assurance habitation est dominée par des risques environnementaux profondément interconnectés. Les catastrophes naturelles de grande ampleur, telles que les tornades localisées, les feux de forêt régionaux ou les ouragans majeurs, frappent souvent simultanément une zone géographique entière, générant des sinistres massifs pouvant affecter des milliers de polices adjacentes en même temps. Pour évaluer ce risque de queue extrême, les équipes d’assurance s’appuient actuellement sur des simulations classiques intensives, nécessitant l’exécution de jusqu’à cent mille scénarios pour cartographier les pertes futures potentielles. Cependant, lors du calcul des paramètres de catastrophes rares couvrant de vastes zones géographiques, cette méthode d’approximation empirique présente une incertitude élevée, rendant les approches traditionnelles de programmation mathématique mixte en nombres entiers et de modélisation de scénarios pessimistes structurellement inefficaces.
Pour surmonter cet obstacle computationnel, l’équipe de recherche a développé un cadre d’optimisation hybride quantique-classique, combinant du matériel quantique basé sur des portes avec une couche de post-traitement classique prédictive. La phase de calcul quantique exécute un programme variationnel construit autour d’un circuit d’algorithme d’optimisation approximative quantique (QAOA) pour le problème du sac à dos, conçu pour intégrer directement les contraintes probabilistes dans l’état quantique. Exécuté sur le processeur IBM Quantum Heron, ce circuit explore un espace de paramètres non convexe complexe pour générer un pool initial de chaînes de bits candidates de haute qualité, privilégiant une valeur de souscription élevée tout en respectant le niveau de risque cible.
Étant donné que le matériel quantique actuel de taille moyenne fonctionne sous des contraintes de bruit physique, le cadre intègre un nouveau schéma de récupération classique auto-cohérent pour optimiser les échantillons quantiques bruts. La couche de post-traitement classique nettoie le pool de chaînes de bits candidates en réparant systématiquement celles qui violent le budget de risque spécifié et en apprenant quelles variables de police apparaissent le plus fréquemment dans les portefeuilles réussis. Ces connaissances sont réinjectées de manière itérative pour guider le prochain cycle de calcul quantique, formant un cycle d’optimisation vertueux. Pour surmonter la dégradation du signal d’apprentissage, courante dans les circuits variationnels à mesure que la taille du problème augmente, l’équipe a introduit une stratégie de transfert de paramètres basée sur l’alignement des contraintes, qui entraîne d’abord le circuit sur des instances de problème plus petites, puis transfère directement les paramètres optimisés appris à des échelles de données plus grandes.
Cette méthode conjointe a été rigoureusement testée sur le processeur IBM Heron en utilisant des tailles de problème allant de 20 à 150 éléments, avec des circuits quantiques profonds comprenant jusqu’à 177 couches et 3443 portes effectives. Comparé aux heuristiques d’approximation classiques standard (incluant le recuit parallèle, la recherche tabou, le recuit simulé et les algorithmes génétiques), le flux de travail quantique-classique a fourni une qualité de solution comparable, égalant les réponses classiques exactes prouvables pour des problèmes comprenant jusqu’à 75 éléments. Bien que le niveau actuel de bruit matériel limite l’échelle opérationnelle immédiate du cadre, l’expérience a démontré un modèle d’entreprise évolutif. À mesure que les erreurs de portes physiques diminuent, la charge de traitement sera transférée de manière transparente de la couche de correction classique au processeur quantique, ouvrant une voie claire vers un avantage quantique pratique pour les applications financières et de souscription à haut risque.
Le manuscrit complet de la prépublication évaluée par les pairs, détaillant la conception du circuit variationnel, le protocole de transfert de paramètres et les tests de référence aléatoires, est disponible sur la plateforme arXiv. Le résumé de la méthode d’entreprise et les commentaires institutionnels sur les cas d’utilisation des polices d’assurance connexes sont toujours hébergés via le blog IBM Quantum Intelligence, et les annonces de collaboration sectorielle peuvent être consultées via les mises à jour du réseau IBM Quantum.
Texte compilé par Wedoany. Toute citation par IA doit mentionner la source « Wedoany ». En cas de contrefaçon ou d'autre problème, veuillez nous en informer rapidement ; nous modifierons ou supprimerons le contenu le cas échéant. Courriel : news@wedoany.com
