⚛️ 量子物理

Hardware-Aware Design and Layout Selection in Quantum Reservoir Computing for Insurance Claims Forecasting

本文证明了小型、硬件感知的六比特量子储备计算模型在预测汽车保险理赔方面可以实现具有竞争力的准确度，与经典基准模型相当，同时通过优化的布局选择，在从理想模拟迁移到噪声较大的 IBM 量子硬件时，能够有效缓解性能退化。

原作者： Renáta Rusnáková, Eugen Šlapak, Gaurav K. Pandey, Juraj Gazda

发布于 2026-11-04

📖 1 分钟阅读🧠 深度阅读

原作者： Renáta Rusnáková, Eugen Šlapak, Gaurav K. Pandey, Juraj Gazda

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在现代计算领域，人们越来越渴望使用基于量子物理奇特规则运行的机器，来解决当今超级计算机难以应对的问题。这些新颖的机器通常被称为量子处理器，但目前仍处于早期阶段。它们规模较小、非常脆弱，并且容易出错，因为其组件会很快失去特殊的量子特性。为了在这些机器变得完美之前使其发挥作用，科学家们正在开发一种称为“量子储层计算”（quantum reservoir computing）的技术。这种方法不再试图教导量子机器完成解题的每一个步骤（这既困难又易出错），而是建立一个固定的、复杂的系统，让信息在其中自然流动并进行处理。然后，研究人员只需训练一台标准计算机来读取从该量子系统输出的结果即可。这种方法之所以具有吸引力，是因为它避免了深层且复杂的训练过程（这种过程在多噪声硬件上经常失败），转而将挑战转向寻找运行实验的正确物理设置。

一个研究小组决定测试这种方法是否能真正应用于一个非常实际的现实问题：预测汽车保险公司次日收到的保险理赔数量。对于保险公司而言，这是一项至关重要的任务，因为他们必须为每日的成本波动做好准备。研究人员使用了一个拥有六个量子比特（即量子信息的最小单位）的小型量子处理器作为他们的预测引擎。他们向机器输入了关于活跃保单数量、星期几、是否为节假日以及前一天理赔数量的数据。目标是观察一个微小的、带有噪声的量子系统，能否像最优秀的传统计算机模型一样，准确地预测未来的理赔数量；更重要的是，在真实的、不完美的机器上进行的预测，是否能与在完美的计算机模拟中进行的预测相匹配。

研究小组首先设计了五个不同版本的量子系统，每个版本都有略微不同的内部结构，以观察哪种结构对过去信息的记忆能力最强。他们首先在完美的、无噪声的模拟环境中进行了测试。在这种理想环境下，量子模型的表现极具竞争力，其产生的误差在统计学上与几种经典的循环神经网络和储层基准模型相当，尽管标准的岭回归模型在整体上仍然是最准确的。这些量子系统能够像许多成熟的方法一样追踪理赔数量的每日波动，证明了即使是一个微小的量子系统也能处理这类复杂的、基于时间的数据。

然而，真正的考验出现在研究人员从完美的模拟转向位于某研究机构的真实量子处理器时。这台机器虽然先进，但并不完美；其组件存在轻微误差，且组件之间的连接并不均匀。研究人员发现，仅仅在真实机器上运行相同的代码并不能保证获得相同的结果。量子比特在芯片上的物理排列方式至关重要。他们比较了三种在处理器上排列数据的方案：一种是由标准软件选择的方法，一种是随机排列，以及一种由他们创建的定制化、“硬件感知”的设计。

这次物理测试的结果非常具有启发性。定制化的、硬件感知的设计在表现上始终优于标准软件方法。当研究人员使用这种经过精心设计的定制布局时，真实机器与模拟环境之间的差异很小且在可控范围内。预测保持稳定，真实机器在最坏情况下与理想值的偏差平均每天不到八起理赔。相比之下，标准软件布局有时会出现剧烈失败，误差跳升至每天近十二起；而随机排列则极其不稳定，偶尔产生的误差甚至超过三十起，导致预测完全失效。研究表明，真实机器引入的误差主要表现为整体数值的简单偏移，而非混乱的无序状态，这意味着即便总数略有偏差，系统仍能正确追踪每日的变化趋势。

研究人员还发现了一个影响所有模型的局限性。随着保险公司的规模扩大以及测试期间活跃保单数量的大幅增加，模型在预测更高的理赔总数方面遇到了困难。这是因为模型是在较小的资产组合数据上进行训练的，在面对更大规模的数据时需要进行推测。虽然传统的统计模型在处理这种增长方面表现得稍好一些，但量子模型依然紧跟每日的波动，证明了即使在数据超出其曾见过的范围时，它们仍能与经典方法一较高下。

最终，这项工作证明了量子计算已经准备好应对特定的、现实世界的预测任务，前提是必须对硬件进行细致的处理。研究表明，一个小型的量子系统可以像经典计算机一样准确地预测保险理赔，但前提是研究人员必须仔细选择机器的物理布局，以最大限度地减少误差。仅仅运行一个量子算法是不够的；人们必须了解运行该算法的具体硬件特性。通过将问题映射到处理器的物理现实中，该团队确保了他们的预测能够成功实现从理论到实践的跨越，为利用这些脆弱而强大的机器解决日常商业问题提供了一条清晰的路径。

技术摘要：硬件感知的量子储层保险理赔预测

问题陈述
本文探讨了将量子储层计算（Quantum Reservoir Computing, QRC）应用于处理现实世界、含噪声中等规模量子（NISQ）硬件进行时间序列预测的挑战。具体针对的是次日汽车财产损失理赔数量的预测任务。研究调查了两个主要问题：(1) 小型、固定动力学的 QRC 模型能否在这一任务上与经典的统计和机器学习模型竞争？(2) 这些模型能否进行系统性的设计并映射到物理量子比特，使得它们的预测能够从理想模拟向噪声量子处理器转移时，无需重新训练读取层（readout layer）而依然保持准确性？

作者指出，虽然 QRC 避免了梯度消失（barren-plateau）问题和量子参数的基于梯度的优化，但它将难度转移到了“QPU 转移”问题上：即如何确保在理想模拟特征上训练的读取层，在应用于受退相干、门误差和读取噪声影响的硬件特征时，仍能保持准确。

方法论
本研究遵循一个三阶段工作流（图 1），应用于包含 4.5 年每日保险理赔、投资组合风险敞口（活跃保单）和日历数据的数据集。

问题建模与数据：
- 任务： 对次日财产损失理赔数量 ( $C_{t+1}$ ) 进行单日提前预测。
- 特征： 四个输入 ( $F_4$ )：当前理赔数量 ( $C_t$ )、活跃保单数 ( $P_t$ )、目标星期几 ( $D_{t+1}$ ) 以及公众假期指示器 ( $H_{t+1}$ )。
- 划分： 按时间顺序划分为训练集（2022–2024）、验证集（2025）和留出测试集（2026）。测试期内的投资组合规模显著增加（从约 9 万份保单增加到约 22.2 万份），从而产生了外推挑战。
量子储层设计（模拟）：
- 架构： 一个六量子比特的门基（gate-based）储层。量子比特 $q_0$ – $q_3$ 作为注入寄存器（通过 $R_Y$ 旋转编码输入）， $q_4$ – $q_5$ 作为记忆寄存器。
- 动力学： 系统在带有额外局部 $Y$ 场的 Trotter 化横场伊辛哈密顿量（transverse-field Ising Hamiltonian）下演化。
- 输入编码： 连续变量经过标准化和裁剪或缩放（softsign 变换）为旋转角度。类别变量通过循环映射或二进制相位进行映射。
- 读取层： 一个在理想模拟特征上训练的岭回归（ridge regression）模型。读取层在测试评估前被冻结，并应用于所有后续数据（理想数据、噪声模拟数据和硬件数据）。
- 候选选择： 评估了五个与 IBM 处理器 heavy-hex 拓扑结构兼容的逻辑图（ $H_0$ $H_{0}$ – $H_4$ $H_{4}$ ）。根据以下四条规则选择候选方案：
  - R1： 预测准确度（最低的交叉验证 RMSE）。
  - R2： 延迟输入记忆容量。
  - R3： 测量鲁棒性（确保观测值变化大于샷噪声/shot noise）。
  - R4： 电路效率（最小化 CZ 门数量和深度）。
- 结果： 保留了五个冻结的候选方案（ $C_1$ – $C_5$ ），它们代表了在准确度、记忆力、鲁棒性和成本之间的权衡。
硬件执行与布局选择：
- 平台： IBM Kingston (156 个量子比特)。
- 布局策略： 研究比较了针对五种候选方案的三种物理量子比特映射策略：
  - 硬件感知（Hardware-Aware, HA）： 基于校准感知的工作负载代理（门误差和读取误差）以及通过在训练数据上的短期探测估算的“转移失真”度量 ( $d$ ) 来选择布局。
  - 随机原生（Random-Native）： 选择没有路由的随机原生嵌入。
  - Qiskit： 使用默认的 Qiskit 转译器（优化等级 1）。
- 评估： 共进行了 63 次评估，分为 21 轮配对测试（每轮测试同一候选方案在三种布局策略下的表现）。冻结的读取层应用于从 QPU 提取的特征。在最终测试运行期间，未进行任何读取层重训或误差缓解（如 Estimator 原语），以隔离布局选择的影响。

核心贡献

可复现的硬件感知 QRC 工作流： 作者提供了一个从逻辑设计到硬件部署的完整流水线，包括选择规则、校准噪声筛选和冻结配置。
具有竞争力的预测性能： 理想 QRC 候选方案实现的均方根误差（RMSE）为 5.66–6.12 理赔/天。虽然岭回归表现最好（5.36），但 QRC 模型在统计上与经典循环网络（ESN, GRU, RNN）和 XGBoost 相当，且在 95% 区块自助法（block bootstrap）下，五个候选方案中有四个与岭回归没有显著差异。
布局策略比较： 硬件感知（HA）布局选择的一致表现优于默认的 Qiskit 布局。HA 在所有 21 轮配对测试中均实现了更低的 RMSE，并将最大转移失真限制在 7.59 理赔/天以内，而 Qiskit 的失真为 11.84 理赔/天。随机原生布局表现出高变异性和严重的转移失败（由于耦合器退化，失真高达 35.3 理赔/天）。
部署前诊断： 研究表明，仅使用训练输入的短期 QPU 探测可以检测出系统性的预测偏移（水平位移），从而在测试运行前识别出能够保持理想预测模式的布局。

结果

预测准确度： 在留出测试集上，岭回归仍然是表现最好的模型。QRC 模型表现出系统性的低估偏差（负偏差为 -1.5 至 -3.1 理赔/天），特别是在测试期后半段，此时投资组合风险敞口超过了训练范围。这表明 QRC 在处理超出训练分布的外推任务时较为吃力，而岭回归的线性特性更好地处理了风险敞口的增长。
转移失真： HA 布局选择显著降低了理想预测与硬件预测之间的失真。失真主要表现为预测水平的系统性偏移，而非日间波动的丧失（具有较高的 $\rho_{lvl}$ 值）。
硬件 vs. 模拟： 虽然 QRC 模型在理想模拟中具有竞争力，但在转移到硬件时引入了误差。然而，HA 策略成功缓解了随机布局中出现的严重失效，证明了精细的物理映射对于可靠部署 QRC 至关重要。

意义与主张
本文声称，只要精心选择逻辑架构和物理量子比特布局，小型 QRC 模型可以在现实世界的保险预测任务上达到具有竞争力的准确度。研究强调，硬件感知布局选择是确保从模拟到 NISQ 硬件可靠转移的关键因素。

作者谦虚地总结道，虽然 QRC 在处理此类侧重外推的特定任务时尚未超越最佳的经典基准（岭回归），但其表现与复杂的循环和储层基准模型相当。该研究展示的核心价值在于实现了一种“冻结预测器”的方法，即量子动力学是固定的，且经典读取层仅需训练一次，并通过智能的硬件映射来保持性能，而非通过重训。这项工作为在真实硬件上进行时间序列预测的 QRC 建立了基准，区分了预测准确度与模拟到硬件转移的保真度。

技术摘要：硬件感知的量子储层保险理赔预测

类似论文