Hybrid Quantum Algorithms for Trade Surveillance Analytics

Jedes Jahr verliert das globale Finanzsystem hunderte Milliarden Dollar durch Geldwäsche und Marktmanipulation. Um dies zu stoppen, verlassen sich Banken und Regulierungsbehörden auf automatisierte Systeme, die Millionen von Transaktionen nach verdächtigen Aktivitäten scannen. Diese Systeme sind jedoch derzeit durch ihren eigenen Erfolg überfordert; sie melden mehr als 95 Prozent der von ihnen generierten Warnmeldungen als Fehlalarme. Das bedeutet, dass menschliche Analysten fast ihre gesamte Zeit damit verbringen, vollkommen normale Handelsgeschäfte zu untersuchen, während die wirklich gefährlichen Machenschaften im Rauschen verborgen bleiben. Die Herausforderung besteht nicht nur darin, die böswilligen Akteure zu finden, sondern dies zu tun, ohne die Ermittler in falschen Fährten zu ertränken. Seit Jahrzehnten besteht die Lösung darin, bessere Regeln zu erstellen oder Standardcomputerprogramme zu verwenden, um Muster zu erkennen, aber diese Methoden haben mit dem schieren Datenvolumen und den cleveren Wegen, mit denen sich Kriminelle anpassen, um der Entdeckung zu entgehen, zu kämpfen.

Vor kurzem ist aus der Welt des Quantencomputings ein neuer Ansatz entstanden – einem Feld, das die seltsamen Gesetze der Physik auf atomarer Ebene nutzt, um Informationen auf eine Weise zu verarbeiten, die klassische Computer nicht leisten können. Forscher haben sich lange gefragt, ob diese Quantenmaschinen das spezifische Problem der Finanzüberwachung lösen könnten: Könnten sie die subtilen, komplexen Verbindungen zwischen Konten erkennen, die herkömmliche Software übersieht? Ein Team von Forschern von Vanguard, dem Washington Institute for STEM, Entrepreneurship, and Research sowie Capgemini setzte sich zum Ziel, diese Idee zu testen. Sie verwendeten keine echten Bankdaten, die durch strenge Datenschutzgesetze geschützt sind, sondern erstellten stattdessen einen hochrealistischen, künstlichen Datensatz. Diese synthetischen Daten imitierten das Verhalten eines „Pump-and-Dump“-Schemas, einer Art von Marktbetrug, bei dem eine Gruppe von Händlern den Preis einer Aktie künstlich aufbläht, bevor sie diese abstoßen und so Opfer mit wertlosen Anteilen zurücklassen. Der Datensatz umfasste 1.000 Handelskonten, von denen 20 Prozent als Betrüger agierten und der Rest die unbeteiligten Teilnehmer darstellten.

Die Forscher stellten vier verschiedene Arten von Quanten- und Hybrid-Quanten-klassischen Algorithmen gegen vier Standardmodelle klassischer Computer zur Probe. Das Ziel war es zu sehen, welches System die 200 verdächtigen Konten im Testdatensatz am besten identifizieren konnte. Zu den klassischen Modellen gehörten bekannte Werkzeuge wie Entscheidungsbäume und neuronale Netze, die das aktuelle Arbeitspferd der Branche darstellen. Die quantenbasierten Herausforderer waren experimenteller: Einer nutzte eine Methode, die der Suche nach den nächsten Nachbarn in einer Menge ähnelt, aber durch Quantenähnlichkeit gemessen wird; ein anderer verwendete eine Support-Vector-Machine, eine Technik, die eine Linie zieht, um Gruppen zu trennen, aber auf einer Quantenkarte der Daten basiert; ein dritter war ein vollwertiges Quanten-neuronales Netz; und der vierte war ein Hybridmodell, das einen kleinen klassischen Computer nutzte, um einen winzigen Quanten-Schaltkreis zu steuern.

Die Ergebnisse waren eindeutig und überraschend. Das leistungsstärkste Modell war kein Quantencomputer, sondern ein klassisches Modell: ein Entscheidungsbaum-Algorithmus namens XGBoost. Er identifizierte korrekt 61,4 Prozent der verdächtigen Konten und hielt gleichzeitig die Fehlalarme auf einem überschaubaren Niveau. Keines der rein quantenbasierten Modelle kam auch nur annähernd an diese Leistung heran. Das Quanten-neuronale Netz, das 20 Qubits (die Basiseinheiten der Quanteninformation) nutzte, fand lediglich 42 Prozent der Betrüger. Die Quanten-Support-Vector-Machine schnitt noch schlechter ab und erreichte nicht einmal 41 Prozent. Die Quanten-k-Nearest-Neighbors-Methode schnitt besser ab als ihr klassisches Gegenstück und fand 43,5 Prozent der Betrüger, lag aber immer noch weit hinter den besten klassischen Werkzeugen zurück.

Die Geschichte endete jedoch nicht mit einer Niederlage für das Quantencomputing. Das vielversprechendste Ergebnis lieferte das Hybridmodell, das einen kleinen klassischen Computer mit einem winzigen Fünf-Qubit-Quantenschaltkreis kombinierte. Dieses System, das nur ein Viertel der Quantenressourcen der anderen Quantenmodelle benötigte, erreichte eine Leistung von 57,9 Prozent in einer perfekten Simulation und 59,8 Prozent beim Betrieb auf tatsächlicher Quantenhardware. Dies platzierte es nur knapp hinter dem besten klassischen Modell und vor sechs der acht getesteten klassischen Konfigurationen. In praktischen Begriffen war dieses Hybridmodell in der Lage, echte verdächtige Konten mit einer Präzision zu erfassen, die etwa eine Größenordnung besser war als der aktuelle Industriestandard, bei dem nur einer von zwanzig Alarmen echt ist.

Die Studie zeigte auch, dass die Art und Weise der Datenaufbereitung genauso wichtig ist wie der Algorithmus, der sie analysiert. Die Forscher testeten zwei verschiedene Methoden zur Vereinfachung der komplexen Handelsdaten, und die Ergebnisse variierten drastisch je nach gewählter Methode. Für das Hybridmodell und die besten klassischen Werkzeuge funktionierte eine spezifische Methode der Datenorganisation signifikant besser als die andere. Dies deutet darauf hin, dass der Schlüssel zur Entfachung des Potenzials dieser Systeme nicht nur im Bau leistungsfähigerer Quantencomputer liegt, sondern im Verständnis darüber, wie man ihnen die richtigen Informationen zuführt.

Obwohl die Studie keinen Quantenvorteil fand, bei dem eine Quantenmaschine einen klassischen Computer übertraf, demonstrierte sie, dass ein kleines Hybridsystem, das auf der heutigen verrauschten Quantenhardware läuft, bereits mit den besten traditionellen Werkzeugen konkurrieren kann. Die Forscher kamen zu dem Schluss, dass der hybride Ansatz der effektivste Weg nach vorn für diese spezifische Aufgabe ist. Indem ein klassischer Computer einen kleinen Quantenschaltkreis steuerte, lernte das System, die Daten auf eine Weise einzubetten, die eine feste Quantenkarte nicht konnte. Dies deutet darauf hin, dass die Zukunft der Finanzüberwachung möglicherweise keine massiven, fehlerfreien Quanten-Supercomputer erfordert, sondern kluge Kombinationen aus klassischen und Quantenwerkzeugen, die effektiv auf den heute verfügbaren, unvollkommenen Maschinen arbeiten können. Die Arbeit beweist, dass Quantenmethoden nicht länger nur theoretisch sind; sie können trainiert, getestet und auf realer Hardware ausgeführt werden, um reale Probleme zu lösen, selbst wenn sie noch nicht die unangefochtenen Champions sind.