Feature-Optimized Quantum Classification Model for Financial Transaction Anomalies
تقترح هذه الدراسة إطار عمل لتعزيز كشف الاحتيال باستخدام التقنيات الكمومية يدمج المعالجة المسبقة للبيانات الكلاسيكية مع ترميز الحالة القائم على خريطة الميزة ZZFeatureMap ومصنف آلة ناقلات الدعم الكمومية (QSVM) لتحقيق دقة بنسبة 91% في تحديد الشذوذ في المعاملات المالية، مما يبرهن على الإمكانات الفائقة لتعلم الآلة الكمومي مقارنة بالطرق التقليدية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 الشبكة الواسعة وغير المرئية للتمويل الحديث، تتحرك الأموال بسرعة الضوء، مما يخلق تدفقاً مستمراً من المعاملات التي يجب مراقبتها بحثاً عن السرقة والخداع. وللحفاظ على أمان هذا النظام، تعتمد البنوك على برامج حاسوبية مصممة لرصد الأنماط غير العادية التي تشير إلى الاحتيال. ولعقود من الزمن، استخدمت هذه البرامج الحوسبة الكلاسيكية، وهي نفس نوع المنطق الموجود في أجهزة الكمبيوتر المحمولة والهواتف الذكية اليومية، لغربلة البيانات. ومع ذلك، مع ازدياد تعقيد الشبكات المالية، تكافح هذه الأدوات التقليدية أحياناً لرؤية الروابط الخفية والدقيقة بين الأرقام التي تشير إلى وقوع جريمة. وهنا يبرز مجال جديد من العلوم، وهو تعلم الآلة الكمي. فهو لا يستبدل الحواسيب القديمة، بل يقدم طريقة مختلفة لمعالجة المعلومات، طريقة يمكنها استكشاف احتمالات عديدة في وقت واحد وإيجاد أنماط في البيانات تكون متشابكة للغاية بحيث تعجز الطرق القياسية عن فك تشابكها. والهدف ليس مجرد عد المعاملات، بل فهم العلاقات العميقة والمعقدة بينها، مما يوفر ترقية محتملة لكيفية حماية أموالنا.
لقد اتخذ باحث بقيادة الدكتورة س. ثانجابريا في كلية SRM للعلوم والفنون خطوة كبيرة نحو جعل هذه الترقية حقيقة واقعة. فقد طوروا نظاماً جديداً يجمع بين الإعداد الدقيق للبيانات والقوة الفريدة للحوسبة الكمية للإمساك بالاحتيال المالي. بدأ الباحث بمجموعة ضخمة تضم أكثر من ستة ملايين سجل مالي اصطناعي، وهي مجموعة بيانات مصممة لمحاكاة المعاملات المصرفية الحقيقية دون استخدام أي معلومات خاصة فعلية. تضمنت هذه البيانات تفاصيل مثل المبلغ الذي تم نقله، ونوع المعاملة، وأرصدة الحسابات المعنية. وقبل أن يتمكن الحاسوب من تحليل هذه المعلومات، كان على الباحث تنظيفها، عبر ملء أي أرقام مفقودة بالقيم المتوسطة أو الأكثر شيوعاً الموجودة في البيانات، ثم تعديل جميع الأرقام لتكون على نفس النطاق. وقد ضمن هذا الإعداد ألا يرتبك الحاسوب بسبب المساحات الفارغة أو بالأرقام التي قد تكون كبيرة جداً أو صغيرة جداً مقارنة بغيرها.
بمجرد تنظيف البيانات، واجه الباحث تحدي ترجمتها إلى لغة يمكن للحاسوب الكمي فهمها. استخدموا طريقة محددة لتحويل الأرقام القياسية من السجلات المصرفية إلى حالات كمية، وهي الوحدات الأساسية للمعلومات في النظام الكمي. هذه العملية، المعروفة باسم "خريطة الميزات" (feature map)، سمحت للحاسوب برؤية البيانات ليس فقط كقائمة من الأرقام، بل كشبكة معقدة من العلاقات. ومن خلال استخدام تقنية تسمى (ZZFeatureMap)، استطاع النظام ربط قطع مختلفة من المعلومات معاً، مما خلق فضاءً عالي الأبعاد حيث أصبحت الفروق بين المعاملة المشروعة والمعاملة الاحتيالية أكثر وضوحاً. الأمر يشبه كيف يلقي جسم ثلاثي الأبعاد ظلاً أكثر تميزاً من رسم مسطح، مما يسمح للحاسوب برؤية تفاصيل كانت مخفية سابقاً في البيانات المسطحة.
بعد تحويل البيانات، قام الباحث بتدريب "آلة متجه دعم كمية" (quantum support vector machine)، وهي نوع من المصنفات التي تعمل كقاضٍ عالي المهارة. نظر هذا القاضي إلى الخريطة الكمية للمعاملات وتعلم رسم خط فاصل بين الصادقة منها وغير الصادقة. تم اختبار النظام على جزء من البيانات التي لم يره من قبل، وكانت النتائج مذهلة. فقد حدد النموذج المعاملات الاحتيالية بدقة بلغت 91 بالمئة. كما أظهر قدرة قوية على تجنب الإنذارات الكاذبة، حيث رصد 90 بالمئة من حالات الاحتيال الفعلية مع الحفاظ على مستوى عالٍ من الدقة في تحديد المعاملات الآمنة. تشير هذه الأرقام إلى أنه باستخدام الأساليب الكمية للنظر في البيانات، يمكن للنظام العثور على العلامات الدقيقة للاحتيال التي قد تفوتها النماذج التقليدية.
لا تدعي الدراسة أن الحواسيب الكمية جاهزة لاستبدال كل نظام أمني في كل بنك اليوم، ولا تقترح أن مشكلة الاحتيال قد حُلت. بدلاً من ذلك، هي تثبت أن هذا النهج الهجين، الذي يمزج بين التنظيف الدقيق للبيانات والتحليل الكمي، يعمل بشكل أفضل من الطرق القياسية على هذا النوع المحدد من البيانات المالية. لقد أظهر الباحث أنه من خلال رسم خرائط البيانات في فضاء كمي، يمكن للحاسوب التقاط الروابط غير الخطية المعقدة بين تفاصيل المعاملات والتي يصعب اكتشافها بطريقة أخرى. يعد هذا العمل بمثابة إثبات للمفهوم، حيث يثبت أن إمكانات الحوسبة الكمية يمكن تسخيرها لجعل الأمن المالي أكثر قوة. إنه يفتح مساراً للأنظمة المستقبلية التي يمكنها التعامل مع التعقيد المتزايد للتمويل العالمي، مما يوفر طريقة أكثر ذكاءً ومرونة لحماية نزاهة اقتصادنا الرقمي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.