← أحدث الأبحاث
⚛️ الفيزياء الكمومية

Insurance portfolio simulation with a quantum circuit

تقترح هذه الورقة نهج آلة بورن للدوائر الكمومية (QCBM) لمحاكاة محافظ التأمين، والذي يستخدم التجزئة المرتكزة على الذيل، وهدفاً بأسلوب مونت كارلو، ومخطط تدريب هرمي ثنائي المرحلة لنمذجة توزيعات الخسائر المشتركة المعقدة بفعالية والتقاط مخاطر الذيل بدقة على الأجهزة الكمومية.

المؤلف الأصلي: William Cashman, Marco Caselli, Saad Hamid, Daniel Mills, Pavel Stishenko

نُشر 2026-11-20
📖 5 دقيقة قراءة🧠 قراءة متعمّقة

المؤلف الأصلي: William Cashman, Marco Caselli, Saad Hamid, Daniel Mills, Pavel Stishenko

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلف ولم يصادق عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تعمل شركات التأمين على مبدأ بسيط: وهي جمع مدفوعات صغيرة ومنتظمة من الكثير من الناس لتغطية الأحداث الكارثية النادرة التي قد تصيب القلة. ولكي تحافظ هذه الشركات على ملاءتها المالية، يجب عليها فهم كيفية سلوك المخاطر المختلفة معاً. فإذا ضرب إعصار ما، فقد يتسبب في أضرار للمنازل والسيارات في آن واحد، مما يؤدي إلى طفرة مفاجئة في المطالبات. وفي الوقت نفسه، قد يؤدي الإعصار نفسه إلى خفض قيمة الأسهم والسندات التي تحتفظ بها شركة التأمين كاستثمارات. هذه الضربة المزدوجة يمكن أن تهدد استقرار الشركة. وللاستعداد لذلك، يحاول الخبراء الاكتواريون — وهم متخصصون في حساب المخاطر — بناء نماذج رياضية تصف كيف تتحرك هذه الخسائر وقيم الأصول المختلفة وعلاقتها ببعضها البعض. ويكمن التحدي في أن بيانات العالم الحقيقي "فوضوية"؛ فالأحداث المتطرفة نادرة، مما يعني وجود بيانات قليلة جداً لدراستها، ومع ذلك، فإن هذه هي اللحظات الأكثر أهمية. وغالباً ما تفشل الطرق التقليدية في رصد هذه السيناريوهات النادرة وعالية المخاطر، خاصة عندما تكون البيانات محدودة.

لقد استكشف فريق من الباحثين الآن مساراً مختلفاً، باستخدام حاسوب كمي لنمذجة هذه العلاقات المعقدة. وقد ركزوا على نوع محدد من المشكلات: وهو ملاءمة توزيع مشترك لمزيج من خسائر التأمين وعوائد سوق الأسهم. وفي هذا السياق، يُعد التوزيع المشترك ببساطة خريطة توضح مدى احتمالية اتخاذ متغيرات مختلفة لقيم معينة في وقت واحد. أراد الباحثون معرفة ما إذا كان بإمكان دائرة كمية — وهو برنامج يعمل على معالج كمي — تعلم هذه الخريطة بشكل أكثر فعالية من الطرق القياسية، لا سيما في "ذيول" البيانات، والتي تمثل النتائج الأكثر تطرفاً وخطورة. ويشير عملهم إلى أنه من خلال الجمع بين طريقة ذكية لتنظيم البيانات وطريقة تدريب متخصصة، يمكن للآلات الكمية بالفعل تعلم هذه الأنماط المعقدة، حتى عندما تكون البيانات شحيحة.

بدأ الباحثون بمجموعة بيانات تحتوي على سجلات أسبوعية لخسائر سوق الأسهم وثلاثة أنواع مختلفة من مطالبات التأمين. وكانوا يعلمون أن الطرق القياسية لتغذية هذه البيانات في الحاسوب ستفشل في رصد أسوأ السيناريوهات. فإذا قمت بتقسيم نطاق من الأرقام إلى "صناديق" (buckets) متساوية الحجم، فستكون الصناديق التي تغطي النهايات القصوى بنفس عرض الصناديق الموجودة في المنتصف. وهذا يعني أن الحاسوب سيكون لديه مساحة ضئيلة جداً للتمييز بين خسارة متوسطة السوء وخسارة كارثية حقاً. ولحل هذه المشكلة، صمم الفريق نظاماً يضع مزيداً من التفاصيل في النهايات القصوى. حيث خصصوا نصف جميع الملاحظات للصندوق الأول، والربع التالي للصندوق الثاني، ثم الثمن للثالث، وهكذا دواليك. هذا النهج الأسي (exponential) جعل الصندوق الأخير، الذي يحمل أكثر الخسائر تطرفاً، ضيقاً للغاية، مما سمح للنموذج برؤية التفاصيل الدقيقة للأسوأ من الأحداث.

بمجرد تنظيم البيانات، واجه الفريق عقبة أخرى: كيف يتم تعليم الحاسوب الكمي التعرف على الأنماط. عادةً، يتم تدريب نموذج تعلم الآلة عن طريق مقارنة تخميناته بالبيانات الفعلية وتعديل إعداداته لتقليل الفارق. ومع ذلك، مع وجود نقاط بيانات قليلة جداً وعدد هائل من النتائج المحتملة، يصبح الأسلوب القياسي لقياس هذا الفارق غير موثوق به ومليئاً بالضجيج. لذا طور الباحثون طريقة جديدة لتنعيم هذا الضجيج. فبدلاً من محاولة مقارنة كل صندوق من صناديق البيانات دفعة واحدة، قاموا بتجميع الصناديق عشوائياً في مجموعات أكبر وأكثر خشونة، ثم قارنوا بينها. ومن خلال تكرار هذا التجميع العشوائي مرات عديدة ومتوسط النتائج، خلقوا إشارة مستقرة تخبر الحاسوب بالاتجاه الذي يجب أن يسلكه في تعديل إعداداته للتحسن. وقد سمح ذلك لعملية التدريب بالاستمرار بسلاسة حتى مع البيانات المحدودة.

تم بناء عملية التدريب نفسها على مرحلتين لضمان تعلم الحاسوب بكفاءة. أولاً، قام الفريق بتدريب نسخة أصغر من النموذج على محاكي حاسوبي تقليدي. استخدم هذا النموذج الأصغر عدداً أقل من "الكيوبتات" (qubits)، وهي الوحدات الأساسية للمعلومات في الحاسوب الكمي. وبمجرد أن تعلم هذا النموذج الأصغر الشكل العام لتوزيع المخاطر، نقل الباحثون معرفته إلى نموذج أكبر وأكثر تفصيلاً. ثم قاموا بضبط الأجزاء الجديدة من النموذج الأكبر بدقة. هذا النهج، المعروف باسم "التعلم الهرمي"، كان بمثابة "بداية دافئة" (warm start)، مما منح الآلة المعقدة دفعة قوية بدلاً من إجبارها على التعلم من الصفر. وكان الحاسوب الذي استخدموه هو حاسوب كمي من نوع "الأيونات المحاصرة" (trapped-ion)، والذي يستخدم ذرات فردية مثبتة في مكانها بواسطة مجالات كهرومغناطيسية لإجراء الحسابات.

أظهرت النتائج أن هذا النهج قد نجح. فقد تعلم النموذج الكمي بنجاح العلاقات بين أنواع المخاطر المختلفة. وحدد بشكل صحيح أن خطوط التأمين المختلفة تميل للتحرك معاً في الأوقات السيئة، بينما ظلت عوائد سوق الأسهم مستقلة إلى حد كبير عن خسائر التأمين. وعندما نظر الفريق إلى إجمالي الخسارة المحتملة للمحفظة، تمكن النموذج المدرب باستخدام الترميز الأسي من الوصول إلى القيم المتطرفة التي شوهدت في البيانات الحقيقية. وفي المقابل، لم يستطع النموذج المدرب باستخدام الطريقة الموحدة القياسية إنتاج قيم عالية بما يكفي لمطابقة أسوأ الخسائر المرصودة؛ إذ اصطدم ببساطة بسقف أدنى بكثير من الواقع. أما النموذج الأسي، فقد استطاع تمثيل خسائر أكبر بمئات المرات من الوسيط، مما مكنه من رصد الخطر الحقيقي في "الذيل".

بالطبع، كانت هناك قيود. فالنموذج الذي تم تدريبه على الأجهزة الكمية لم يكن بأداء جيد مثل ذلك الذي تمت محاكاته على حاسوب تقليدي. ووجد الباحثون أن هذه الفجوة لا تعود أساساً إلى أخطاء في الآلة الكمية نفسها، بل لأنهم استطاعوا تشغيل الآلة لعدد محدود من المرات لجمع البيانات. فالحاسوب الكمي يحتاج إلى العمل لمرات عديدة لبناء صورة واضحة للاحتمالات، ومع التكنولوجيا الحالية، لم يتمكنوا من تشغيله بما يكفي لمطابقة دقة المحاكاة. ومع ذلك، أثبتت التجربة أن الطريقة قابلة للتطبيق. فقد تفوق مخطط التدريب الهرمي بشكل كبير على البدء من الصفر، حيث قلل الخطأ في النموذج النهائي بأكثر من النصف مقارنة بالمحاولات العشوائية.

تخلص الدراسة إلى أن الدوائر الكمية يمكن تكييفها للتعامل مع البيانات ذات "الذيول الثقيلة" والشحيحة التي تميز محافظ التأمين، ولكن فقط إذا تم تصميم العملية بأكملها مع مراعاة هذه التحديات المحددة. فالطرق القياسية المطورة لتوزيعات البيانات الأكثر سلاسة وشيوعاً لا تعمل مباشرة. لقد اعتمد نجاح هذا المشروع على ثلاثة ابتكارات رئيسية: طريقة لترميز البيانات تركز على الحالات المتطرفة، وهدف تدريب يظل مستقراً مع عدد قليل من العينات، وعملية تعلم مكونة من خطوتين تبني التعقيد تدريجياً. وبينما لم يدعِ الباحثون أنهم حلوا مشكلة نمذجة المخاطر تماماً، فقد أثبتوا وجود مسار عمل ينتقل من البيانات إلى نموذج مخاطر مولد كمياً. وأشاروا إلى أنه لكي يصبح هذا أداة عملية للصناعة، سيتعين على العمل المستقبلي معالجة عدد المرات التي يجب تشغيل الأجهزة فيها واختبار الطريقة على محافظ استثمارية أكبر. وفي الوقت الحالي، يقف هذا العمل كدليل على أن الآلات الكمية يمكنها البدء في رسم شكل الأحداث المالية النادرة والخطيرة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →