Hybrid Quantum Algorithms for Trade Surveillance Analytics
تقارن هذه الورقة البحثية بين أربعة مصنفات كمومية وهجينة مقابل نماذج كلاسيكية مرجعية في مجال مراقبة التداول، حيث وجدت أنه على الرغم من عدم ملاحظة أي تفوق كمومي، إلا أن شبكة عصبية هجينة مكونة من خمسة كيوبتات تعمل على أجهزة صاخبة حققت أداءً تنافسياً (55.4–59.8% F1) مماثلاً للنماذج الكلاسيكية جيدة الضبط، مما يشير إلى إمكانية النمو المستقبلي مع الأجهزة الأكبر حجماً.
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
تخسر المنظومة المالية العالمية كل عام مئات المليارات من الدولارات بسبب غسيل الأموال والتلاعب بالسوق. ولإيقاف ذلك، تعتمد البنوك والجهات التنظيمية على أنظمة آلية تمسح ملايين المعاملات بحثاً عن نشاط مشبوه. ومع ذلك، فإن هذه الأنظمة مثقلة حالياً بنجاحها الخاص؛ فهي تطلق إنذارات تتبين لاحقاً أنها إنذارات كاذبة بنسبة تتجاوز 95 في المئة. وهذا يعني أن المحللين البشريين يقضون جل وقتهم في التحقيق في صفقات طبيعية تماماً، مما يترك المخططات الخطيرة حقاً مختبئة وسط الضجيج. إن التحدي لا يكمن فقط في العثور على الفاعلين السيئين، بل في القيام بذلك دون إغراق المحققين بالرؤى المضللة. ولعقود من الزمن، كان الحل يتمثل في بناء قواعد أفضل أو استخدام برامج حاسوبية قياسية لرصد الأنماط، لكن هذه الأساليب تعاني أمام الحجم الهائل للبيانات والطرق الماكرة التي يتبعها المجرمون للتكيف وتجنب الكشف.
مؤخراً، ظهر نهج جديد من عالم الحوسبة الكمومية، وهو مجال يستخدم القوانق الغريبة للفيزياء على المقياس الذري لمعالجة المعلومات بطرق لا تستطيع الحواسيب التقليدية القيام بها. وقد تساءل الباحثون طويلاً عما إذا كانت هذه الآلات الكمومية قادرة على حل مشكلة محددة في الرقابة المالية: هل يمكنها رصد الروابط الخفية والمعقدة بين الحسابات التي تغفل عنها البرمجيات التقليدية؟ وضع فريق من الباحثين من "فانغارد" (Vanguard)، والمعهد الوطني للعلوم والتكنولوجيا وريادة الأعمال والبحث (Washington Institute for STEM, Entrepreneurship, and Research)، و"كابجيميني" (Capgemini)، اختباراً لهذه الفكرة. لم ينظروا في سجلات مصرفية حقيقية، والتي تحميها قوانين خصوصية صارمة، بل أنشأوا بدلاً من ذلك مجموعة بيانات اصطناعية واقعية للغاية. وقد حاكت هذه البيانات الاصطناعية سلوك مخطط "الضخ والتفريغ" (pump-and-dump)، وهو نوع من الاحتيال في السوق حيث تقوم مجموعة من المتداولين بتضخيم سعر السهم اصطناعياً قبل بيعه، تاركين الضحايا بأسهم لا قيمة لها. تضمنت مجموعة البيانات 1,000 حساب تداول، حيث لعب 20 في المئة منها دور المحتالين والباقي دور المشاركين الأبرياء.
وضع الباحثون أربعة أنواع مختلفة من الخوارزميات الكمومية والهجينة (التي تجمع بين الكم والتقليدي) في مواجهة أربعة نماذج حاسوبية تقليدية. وكان الهدف هو معرفة أي نظام يمكنه تحديد الـ 200 حساب مشبوه المخبأة في مجموعة الاختبار بأفضل شكل. تضمنت النماذج التقليدية أدوات معروفة مثل "أشجار القرار" و"الشبكات العصبية"، وهي المحركات الحالية في هذا القطاع. أما المنافسون الكموميون فكانوا أكثر تجريبية: استخدم أحدهم طريقة تشبه البحث عن أقرب الجيران في حشد ولكن يتم قياسها عبر التشابه الكمومي؛ واستخدم آخر "آلة ناقلات الدعم" (support vector machine)، وهي تقنية ترسم خطاً للفصل بين المجموعات، ولكنها مبنية على خريطة كمومية للبيانات؛ واستخدم الثالث شبكة عصبية كمومية كاملة؛ أما الرابع فكان نموذجاً هجيناً يستخدم حاسوباً تقليدياً صغيراً للتحكم في دائرة كمومية ضئيلة.
كانت النتائج واضحة ومفاجئة. لم يكن النموذج الأفضل أداءً هو آلة كمومية، بل كان نموذجاً تقليدياً: خوارزمية شجرة قرار تسمى "XGBoost". فقد نجحت في تحديد 61.4 في المئة من الحسابات المشبوهة مع الحفاظ على الإنذارات الكاذبة عند مستوى يمكن السيطرة عليه. ولم تقترب أي من النماذج الكمومية البحتة من هذا الأداء. فالشبكة العصبية الكمومية، التي استخدمت 20 كيوبت (الوحدات الأساسية للمعلومات الكمومية)، تمكنت من العثور على 42 في المئة فقط من المحتالين. وكان أداء آلة ناقلات الدعم الكمومية أسوأ، حيث فشلت في تجاوز 41 في المئة. أما طريقة "أقرب الجيران" الكمومية فقد تفوقت على نظيرتها التقليدية، حيث وجدت 43.5 في المئة من المحتالين، لكنها ظلت متأخرة بعيداً عن الأدوات التقليدية الأفضل.
ومع ذلك، لم تنتهِ القصة بهزيمة للحوسبة الكمومية. جاءت النتيجة الأكثر واعدة من النموذج الهجين، الذي جمع بين حاسوب تقليدي صغير ودائرة كمومية ضئيلة مكونة من 5 كيوبت. حقق هذا النظام، الذي استخدم ربع الموارد الكمومية المطلوبة للنماذج الكمومية الأخرى، أداءً بنسبة 57.9 في المئة في محاكاة مثالية و59.8 في المئة عند تشغيله على أجهزة كمومية فعلية. ووضع هذا النموذج نفسه خلف أفضل نموذج تقليدي مباشرة، وأمام ستة من أصل ثمانية تكوينات تقليدية تم اختبارها. ومن الناحية العملية، كان هذا النموذج الهجين قادراً على رصد الحسابات المشبوهة الحقيقية بدقة تفوق معيار الصناعة الحالي بنحو عشرة أضعاف، حيث يكون واحد فقط من بين كل عشرين إنذاراً حقيقياً.
كما كشفت الدراسة أن الطريقة التي تُجهز بها البيانات لا تقل أهمية عن الخوارزمية المستخدمة لتحليلها. فقد اختبر الباحثون طريقتين مختلفتين لتبسيط بيانات التداول المعقدة، وتفاوتت النتائج بشكل كبير اعتماداً على الطريقة المختارة. وبالنسبة للنموذج الهجين والأدوات التقليدية الأفضل، كانت هناك طريقة محددة لتنظيم البيانات تعمل بشكل أفضل بكثير من الأخرى. ويشير هذا إلى أن مفتاح إطلاق إمكانات هذه الأنظمة لا يكمكم فقط في بناء حواسيب كمومية أكثر قوة، بل في فهم كيفية تغذيتها بالمعلومات الصحيحة.
وبينما لم تجد الدراسة "تفوقاً كمومياً" حيث يتفوق جهاز كمومي على أفضل حاسوب تقليدي، إلا أنها أثبتت أن نظاماً هجيناً صغيراً يعمل على أجهزة كمومية "مشوشة" (noisy) كما هي اليوم، يمكنه بالفعل منافسة أفضل الأدوات التقليدية. وخلص الباحثون إلى أن النهج الهجين هو المسار الأكثر فعالية لهذه المهمة المحددة. فمن خلال استخدام حاسوب تقليدي لتوجيه دائرة كمومية صغيرة، تعلم النظام كيفية دمج البيانات بطريقة لا تستطيع الخريطة الكمومية الثابتة القيام بها. وهذا يشير إلى أن مستقبل الرقابة المالية قد لا يتطلب حواسيب كمومية فائقة الضخمة وخالية من الأخطاء، بل يتطلب مزيجاً ذكياً من الأدوات التقليدية والكمومية التي يمكنها العمل بفعالية على الآلات غير المثالية المتاحة اليوم. إن هذا العمل يثبت أن الأساليب الكمومية لم تعد مجرد نظريات؛ بل يمكن تدريبها، واختبارها، وتشغيلها على أجهزة حقيقية لحل مشكلات واقعية، حتى وإن لم تكن هي الأبطال بلا منازع بعد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.