Landscape-Dependent Performance of Photonic Quantum Solvers in QUBO Feature Selection for Financial Risk Detection
تقارن هذه الورقة البحثية بين الحلول الكلاسيكية، والضوئية، والضوئية المحاكات في عملية اختيار الميزات للكشف عن المخاطر المالية، كاشفةً أنه في حين يمكن للأنظمة الضوئية مثل QCI Dirac-3 أن تضاهي أو تتجاوز الأداء الكلاسيكي في مهام محددة، فإن اختيار طريقة اختيار الميزات وتركيز الإشارة التنبؤية في مجموعة البيانات يعدان من المحددات الأكثر أهمية للنجاح من نموذج الحوسبة الأساسي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم التمويل عالي المخاطر، تخوض البنوك وشركات بطاقات الائتمان حرباً مستمرة ضد الاحتيال والتعثر في سداد القروض. وللفوز بهذه الحرب، يعتمدون على كميات هائلة من البيانات، حيث يتتبعون كل شيء بدءاً من مقدار ما ينفقه العميل وصولاً إلى مدى انتظام دفع فواتيره. ومع ذلك، فإن امتلاك الكثير من البيانات قد يشكل مشكلة؛ فعندما يتم تغذية نموذج حاسوبي بآلاف القرائن المحتملة، غالباً ما يصاب بالارتباك، حيث يلتقط "الضجيج" بدلاً من "الإشارة" الحقيقية، تماماً مثل شخص يحاول سماع محادثة واحدة في ملعب مزدحم. والحل يكمن في إيجاد القرائن المحددة والأكثر أهمية وتجاهل البقية، وهي عملية تُسمى "اختيار الميزات" (feature selection). ولعقود من الزمن، استخدم الخبراء أدوات رياضية قياسية لغربلة هذه البيانات، لكن موجة جديدة من التكنولوجيا تعد بأداء المهمة بشكل أسرع وبطريقة مختلفة. وتشمل هذه التكنولوجيا الحواسيب الفوتونية، التي تستخدم جزيئات الضوء بدلاً من الكهرباء لحل الألغاز المعقدة، والآلات المستوحاة من الكم (quantum-inspired) التي تستكشف احتمالات عديدة في آن واحد. والسؤال الذي طرحه الباحثون هو: هل يمكن لهذه الآلات الجديدة والغريبة أن تجد قرائن أفضل من الطرق القديمة الموثوقة، خاصة عندما تبدو البيانات مختلفة تماماً من حالة إلى أخرى؟
لقد وضع فريق من الباحثين في جامعة سنغافورة للإدارة نصب أعينهم الإجابة على هذا السؤال عبر وضع ثلاثة نهج حوسبية مختلفة في مواجهة بعضها البعض في اختبار واقعي. واختاروا مجموعتي بيانات ماليتين مختلفتين تماماً لمعرفة ما إذا كانت النتائج ستصمد عبر المجالات المختلفة. تضمنت مجموعة البيانات الأولى ما يقرب من 285,000 معاملة ببطاقة الائتمان من أوروبا، حيث كان الاحتيال نادراً، إذ يحدث في أقل من حالتين من بين كل ألف حالة. أما مجموعة البيانات الثانية فكانت أكبر بكثير، حيث احتوت على معلومات حول أكثر من 150 مؤشراً مالياً مختلفاً للمستهلكين الذين قد يتعثرون في سداد قروضهم. واختبر الباحثون ثلاثة عشر طريقة مختلفة لاختيار أفضل القرائن، وقاموا بتشغيلها عبر حاسوب كلاسيكي تقليدي عالي الدقة، وحاسوب فوتوني إنتروبي يستخدم الضوء لإيجاد الحلول، وعينة فوتونية من "البوزونات" (boson sampler) تستخدم الضوء لاختيار مجموعات عشوائية بناءً على قواعد رياضية معقدة. وكان هدفهم هو معرفة أي مزيج من الطريقة والآلة ينتج التنبؤات الأكثر دقة باستخدام أقل عدد ممكن من القرائن.
كشفت النتلائج عن قصة عالمين مختلفين تماماً. ففي مجموعة بيانات الاحتيال ببطاقات الائتمان، وجد الباحثون أن الضغط المكثف للبيانات (aggressive compression) يعمل بشكل رائع؛ حيث اكتشفوا أنه يمكنهم تقليص عدد القرائن من ثلاثين إلى ثلاثة عشر فقط دون فقدان أي قدرة تنبؤية. وفي الواقع، أدت إحدى الطرق الفوتونية، التي استخدمت تقنية تسمى "أخذ عينات البوزون" (boson sampling)، أداءً استثنائياً عندما أُجبرت على اختيار خمس قرائن فقط؛ إذ تمكنت من تحديد الاحتيال بدرجة عالية من الدقة، بل وتفوقت على الحاسوب التقليدي عندما كان عدد القرائن المسموح بها صغيراً جداً. حدث هذا لأن إشارات الاحتيال في هذه المجموعة كانت مركزة في مناطق قليلة ومحددة غير مترابطة، وقد استطاع مجمع البوزونات الفوتوني العثور على هذه المجموعات النادرة ذات القيمة العالية بسرعة، وكأنه محقق ماهر يعرف بالضبط أي بصمات هي الأكثر أهمية في قضية معينة.
ومع ذلك، عندما طبق الباحثون المنطق نفسه على مجموعة بيانات التعثر في السداد الاستهلاكي، تغيرت القصة تماماً. كانت هذه المجموعة أكبر وأكثر تعقيداً، حيث كانت علامات التحذير من التعثر منتشرة عبر عشرات المؤشرات المختلفة. وهنا، فشلت استراتيجية اختيار عدد قليل من القرائن؛ فبغض النظر عن الحاسوب أو الطريقة المستخدمة، لم تصل النماذج إلى ذروة أدائها إلا عندما سُمح لها باستخدام جميع القرائن المتاحة تقريباً (159 مؤشراً). ولم تظهر الآلات الفوتونية أي ميزة خاصة في هذه البيئة. لاحظ الباحثون أن "سحر" هذه التكنولوجيا يعتمد كلياً على بنية البيانات؛ فعندما كانت المعلومات الهامة مشتتة ومتكررة، كما هو الحال في حالة التعثر الاستهلاكي، لم تتمكن الآلات الجديدة من ضغط المشكلة بفعالية. ووجدوا أن اختيار "المحلل" (solver) كان أقل أهمية من طبيعة البيانات نفسها.
ولعل الاكتشاف الأكثر إثارة للدهشة هو أن العثور على الحل الرياضي المثالي لا يؤدي دائماً إلى أفضل تنبؤ في العالم الحقيقي. فقد صُمم الحاسوب التقليدي لإيجاد الإجابة الوحيدة والمثبتة لأفضل حل للغز الرياضي المعطى له، ومع ذلك، في عدة مناسبات، أدت هذه الإجابة "المثالية" إلى تنبؤات سيئة للاحتيال أو التعثر. في إحدى الحالات، وجد الحاسوب التقليدي الحل الأمثل لطريقة معينة، لكنه أنتج درجة تنبؤ أقل من نصف جودة الحل الذي وجده الحاسوب الفوتوني الإنتروبي. حدث هذا لأن الصيغة الرياضية المستخدمة لتوجيه الحاسوب لم تكن سوى تقريب لما يحتاجه البنك فعلياً. فالحاسوب الفوتوني، من خلال استكشاف نطاق أوسع من الاحتمالات بدلاً من الانغلاق على حل رياضي أمثل واحد، تمكن أحياناً من العثور على مجموعة من القرائن التي تعمل بشكل أفضل في الواقع، حتى وإن لم تكن هي الإجابة "المثالية" للمعادلة.
يخلص البحث إلى أنه لا يوجد فائز عالمي؛ ففعالية هذه الأدوات الحوسبية المتقدمة تعتمد كلياً على مشهد البيانات التي تحللها. ففي مجموعات البيانات المدمجة والنظيفة حيث تتركز الإشارات الهامة، يمكن للمحللات الفوتونية المتخصصة أن تقدم مزايا كبيرة، حيث تجد حلولاً عالية الجودة باستخدام عدد قليل جداً من القرائن. أما في مجموعات البيانات الأكبر والأكثر فوضوية حيث تكون الإشارات منتشرة ومتكررة، فإن فوائد الضغط تتلاشى، ويصبح اختيار الآلة أقل أهمية من اختيار الطريقة. ويقترح الباحثون أنه قبل الاستثمار في هذه التقنيات الجديدة، يجب على المحللين أولاً فهم بنية بياناتهم؛ فإذا كانت الإشارات مركزة، فقد تكون الآلات الجديدة أداة قوية، وإذا كانت الإشارات مشتتة، فإن النهج التقليدي باستخدام جميع البيانات المتاحة يظل المسار الأكثر موثوقية. لا تدعي الورقة البحثية أن الحوسبة الكمومية أو الفوتونية قد حلت مشكلة المخاطر المالية، لكنها تقدم خريطة واضية لأماكن تألق هذه الأدوات وأماكن تعثرها، مما يوفر دليلاً عملياً لمستقبل النمذجة المالية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.