Как полюбить квантовые технологии и когда они дадут пользу бизнесу? Ч. 2.

Практика уже началась: квантовые подходы выходят в продакшн
Квантовые и квантово‑вдохновленные подходы уже применимы в оптимизации, генерации, моделировании и синтетике. В мире есть примеры индустриального внедрения: в Bank of America квантовые решения выводят в продакшн для расчетов и моделирования финансовых рынков. В ряде задач (например, прогнозирование кривых доходностей) квантово‑вдохновленные алгоритмы показывают очень высокую точность.

Кейс 1. Оптимизация инвестиционного портфеля

Типовой пайплайн квантовой оптимизации выглядит так:
— определяем размерность задачи;
— переводим постановку в квантовую форму;
— выделяем мат. ядро и переписываем его на «квантовом языке»;
— запускаем на квантовом компьютере (если хватит кубитов и качества) или на эмуляторе.

Важно: для «честного» квантового решения иногда нужны условные 1000+ кубитов. Но практические эффекты уже доступны на эмуляторах и квантово‑вдохновленных алгоритмах, в т.ч. за счет более точных операций внутри вычислительного контура.

При сравнительном анализе лучшие результаты показал SimCIM (Simulation of Coherent Ising), алгоритм квантово-вдохновленной оптимизации, имитирующий Coherent Ising Machine.

Что увидели в тестах:
— SimСIM по скорости обгоняет Gurobi во всех исследуемых сценариях;
— на крупных задачах лучше D-Wave;
— качество сопоставимо с Gurobi на малых задачах и выше на крупных.

Тесты эмулятора показали: квантово-вдохновленный оптимизатор обеспечивает лучшую точность и скорость в сравнении с классическими инструментами финансовой оптимизации.

Кейс 2. Ускорение саммаризации квантово‑вдохновленным подходом

Не все могут принести LLM «внутрь банка», но саммаризация нужна — чтобы передавать тексты в обучение или в контекст LLM.

Мы собрали саммаризатор на квантово‑вдохновленных алгоритмах, работающий на промежуточном стеке:
• по качеству он уступает полноценной LLM,
• зато быстрее и экономнее по ресурсам,
• точность — всего на 4% ниже, чем у Qwen 2.7B.

По скорости на одном из сценариев:
• классическое решение: 97 секунд
• квантово‑вдохновленное: 83 секунды (на 14% быстрее)

Потенциал на крупных текстах — ускорение на 30–50% при пользовательском анализе, плюс возможность работать с входными данными для LLM практически любого размера.

Что здесь важно
Все эти кейсы реализуются на квантово‑вдохновленных оптимизаторах — как on‑premise, так и в облаке. На практике, если у вас уже где-то «крутится» Gurobi или open‑source оптимизаторы, то во многих задачах их можно заменить квантово‑вдохновленным подходом (при корректной адаптации постановки). Ключевое — понимать математику своего вычислительного ядра.

Кейс 3: Улучшение характеристик маркетингового оптимизатора с помощью квантовых вычислений

Раньше для расчета маркетинговых рассылок мы использовали классический Gurobi и самописный алгоритм на C. Процесс был тяжелым: регулярные запуски, сбор датасета, подготовка данных. Один расчет (после загрузки базы данных) занимал около 14 часов.

Задача: сформировать оптимальный план маркетинговых рассылок: какие предложения, каким клиентам и через какие каналы коммуникации отправлять.

Что сделали : перестроили оптимизационное ядро и применили квантово‑вдохновленный подход, чтобы ускорить расчет и повысить «пропускную способность» процесса.

Результат: теперь тот же расчет выполняется за 40 минут. Прирост — кратный. Но важно не только время: выросло количество откликов, то есть решение стало приносить прямой бизнес‑эффект. Это как раз тот случай, когда «кванты» дают практическую пользу.

Итог
Мы часто воспринимаем квантовые вычислители и другие альтернативные архитектуры как что-то далёкое. Однако я очень рекомендую присмотреться к таким технологиям для высоконагруженных задач: многие из них можно решать уже сейчас — и при этом экономически эффективно.