⚛️ physique quantique

CircuitHunt: Automated Quantum Circuit Screening for Superior Credit-Card Fraud Detection

Cet article présente CircuitHunt, un cadre automatisé qui sélectionne et optimise efficacement les circuits quantiques à partir du jeu de données KetGPT pour atteindre une performance de détection de fraude à la carte bancaire supérieure avec une précision de 97 %, réduisant considérablement le temps de recherche d'architecture tout en traitant des défis tels que le déséquilibre des classes.

Auteurs originaux : Nouhaila Innan, Akshat Singh, Muhammad Shafique

Publié 2026-10-26

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Nouhaila Innan, Akshat Singh, Muhammad Shafique

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le monde de la haute finance, la lutte contre la fraude à la carte de crédit est une guerre constante et silencieuse. Chaque jour, des millions de transactions circulent à travers les réseaux bancaires, et cachées au sein de ce vaste fleuve de données se trouvent les rares et dangereuses gouttes de vol. Pendant des décennies, les banques se sont appuyées sur des programmes informatiques classiques pour repérer ces anomalies, mais les criminels deviennent plus intelligents, et les données deviennent trop complexes pour que les anciennes méthodes puissent les gérer seules. Cela a conduit les scientifiques à se tourner vers une nouvelle frontière : l'apprentissage automatique quantique. Contrairement aux ordinateurs de nos maisons, qui traitent l'information sous forme de simples commutateurs marche/arrêt, les ordinateurs quantiques utilisent les lois étranges de la physique pour maintenir l'information dans plusieurs états simultanément. Cela leur permet d'explorer de nombreuses possibilités en même temps, offrant un raccourci potentiel pour résoudre des problèmes trop emmêlés pour les machines traditionnelles. Cependant, construire ces programmes quantiques est notoirement difficile. Concevoir un circuit quantique — l'arrangement spécifique d'instructions qui dit à l'ordinateur quantique quoi faire — est actuellement un processus lent et manuel. Les chercheurs doivent souvent deviner quel design fonctionnera, un peu comme si l'on essayait de construire une machine complexe en assemblant aléatoirement des engrenages en espérant qu'elle tourne.

Une équipe de chercheurs de l'Université NYU Abu Dhabi et de la NYU Tandon School of Engineering a introduit une nouvelle façon de résoudre ce problème de conception, une méthode qui élimine entièrement les conjectures. Ils ont créé un système appelé CircuitHunt, un outil automatisé qui traque le meilleur circuit quantique possible pour détecter la fraude. Au lieu de s'appuyer sur l'intuition humaine ou des essais aléatoires, qui mènent souvent à l'échec, CircuitHunt agit comme un filtre rigoureux. Il commence avec une immense bibliothèque de plus de mille circuits quantiques pré-fabriqués, générés par une intelligence artificielle entraînée sur du code de programmation quantique réel. Le système soumet ensuite chacun de ces candidats à une série de tests stricts. Il vérifie si le circuit est assez petit pour fonctionner sur la technologie actuelle, s'il possède le type de composants ajustables nécessaires pour apprendre des données, et s'il peut réellement s'exécuter sans planter. Ce processus est semblable à une émission de talent où des milliers de candidats passent des auditions, mais les juges éliminent la grande majorité d'entre eux après seulement quelques secondes, ne gardant que ceux qui montrent un véritable potentiel.

Une fois que le système a réduit la liste à une poignée de candidats viables, il les met au travail sur un défi du monde réel : identifier les transactions frauduleuses par carte de crédit. Les données utilisées pour cette tâche sont notoirement difficiles car la fraude est rare ; dans un ensemble de données typique, moins de un pour cent des transactions sont réellement fausses. Ce déséquilibre rend facile pour un ordinateur de revenir par défaut à la prédiction de « pas de fraude » à chaque fois, ce qui serait exact la plupart du temps mais inutile pour attraper les voleurs. Pour gérer cela, les chercheurs ont entraîné leur système automatisé à rechercher un type spécifique de succès : un score qui équilibre la capacité à attraper les fraudeurs sans accuser faussement des innocents. Le système entraîne rapidement chaque circuit candidat pendant une courte période, vérifiant ce score d'équilibre. Si un circuit est peu performant, il est immédiatement écarté. S'il montre du potentiel, il est conservé pour des tests ultérieurs. Ce processus de sélection, qui aurait pris aux experts humains des jours ou des semaines à gérer manuellement, a été accompli par le système en quelques heures seulement.

Le résultat de cette chasse automatisée fut un circuit quantique unique qui se distinguait des autres. Lorsque les chercheurs ont soumis ce circuit gagnant à une session d'entraînement complète, il a atteint un niveau d'exactitude remarquable. Lors des tests, il a correctement identifié les cas de fraude et de non-fraude avec un taux de réussite de 97 pour cent, une performance qui a surpassé plusieurs autres modèles quantiques avancés qui avaient été soigneusement conçus à la main par des experts. L'étude a également révélé quelque chose d'important sur la façon dont ces systèmes quantiques apprennent. Les chercheurs ont découvert que le circuit gagnant incluait une caractéristique architecturale spécifique — un lien direct qui permettait à l'information de circuler de manière fluide du début du processus jusqu'à la fin. Lorsqu'ils ont supprimé ce lien pour voir ce qu'il se passerait, la performance du système s'est effondrée, chutant à une précision beaucoup plus faible. Cela a prouvé que le processus de découverte automatisée n'a pas seulement trouvé un circuit fonctionnel ; il a trouvé la structure adéquate pour rendre l'ordinateur quantique efficace.

La portée de ce travail dépasse la simple capture des voleurs de cartes de crédit. Elle démontre que nous pouvons passer de la conception lente et manuelle des algorithmes quantiques vers un avenir où les machines se conçoivent elles-mêmes pour des tâches spécifiques. En automatisant la recherche des meilleures structures quantiques, les chercheurs ont montré qu'il est possible de trouver des solutions hautement efficaces rapidement, même pour des tâches difficiles où les données sont rares et déséquilibrées. Bien que les tests actuels aient été effectués sur un simulateur plutôt que sur une machine quantique physique, les résultats fournissent une feuille de route claire sur la façon dont ces systèmes peuvent être déployés dans le monde réel. L'étude suggère que l'avenir de l'informatique quantique dans la finance et la sécurité ne dépendra pas de quelques concepteurs humains brillants, mais de systèmes automatisés capables de filtrer inlassablement des milliers de possibilités pour trouver celle qui fonctionne le mieux.

Résumé technique : CircuitHunt – Criblage automatisé de circuits quantiques pour la détection de la fraude par carte de crédit

1. Énoncé du problème

L'article traite du défi critique que représente la conception de modèles d'apprentissage automatique quantique (QML) efficaces pour des tâches réelles, spécifiquement la détection de la fraude par carte de crédit. Ce domaine présente deux difficultés primordiales :

Déséquilibre extrême des classes : Les transactions frauduleuses constituent généralement moins de 1 % de l'activité totale, ce qui provoque un biais et une sous-performance des pipelines d'apprentissage supervisé standards.
Goulots d'étranglement architecturaux en QML : Contrairement aux réseaux de neurones classiques, qui bénéficient d'architectures établies et d'une recherche d'architecture neuronale (NAS) évolutive, le paysage des circuits quantiques paramétrés (PQC) est fragmenté. Les approches existantes reposent soit sur :
- La conception manuelle : La création artisanale de circuits basée sur une connaissance limitée du domaine, entraînant un manque de diversité structurelle.
- L'initialisation aléatoire : La génération de circuits aléatoires sans considération pour l'entraînabilité ou l'adéquation à la tâche, ce qui entraîne des taux d'échec élevés et une utilisation inefficace des ressources.

Les auteurs soutiennent que la recherche actuelle en QML manque d'un cadre automatisé et piloté par les tâches pour cribler et sélectionner efficacement des circuits quantiques performants à partir de vastes ensembles de données structurées sous des contraintes matérielles pratiques.

2. Méthodologie : Le cadre CircuitHunt

Les auteurs proposent CircuitHunt, un cadre de criblage de circuits quantiques entièrement automatisé conçu pour découvrir des modèles performants à partir du jeu de données KetGPT (une collection de 1 000 circuits quantiques structurellement valides générés par des modèles transformers). Le pipeline opère en trois étapes principales :

A. Prétraitement des données

Gestion du déséquilibre : Le jeu de données de fraude par carte de crédit est traité via SMOTE (Synthetic Minority Over-sampling Technique) pour rééquilibrer la distribution d'entrée.
Normalisation : Les caractéristiques sont mises à l'échelle via une normalisation Min-Max dans un intervalle borné pour assurer la compatibilité avec le traitement quantique.
Division : Les données sont partitionnées en ensembles d'entraînement, de validation et de test en utilisant un échantillonnage stratifié pour préserver les proportions de classes.

B. Filtrage des circuits quantiques

Le cadre filtre l'ensemble initial de circuits KetGPT ( $C$ ) pour créer un sous-ensemble viable ( $C'$ ) basé sur des contraintes matérielles et d'apprentissage strictes :

Budget de qubits : Les circuits doivent posséder entre 3 et 10 qubits ( $3 \le n \le 10$ ) pour s'aligner sur les capacités actuelles de simulation et de matériel.
Portes entraînables : Les circuits doivent contenir au moins une porte entraînable (ex: $RY(\theta)$ , $RZ(\theta)$ , $U2(\phi, \lambda)$ ).
Budget de paramètres : Le nombre total de paramètres entraînables ne doit pas dépasser 30 ( $P \le 30$ ).
Validation d'exécution : Les candidats sont simulés avec des paramètres initialisés à zéro ; seuls ceux produisant des valeurs d'espérance finies et dans les limites sont conservés.

C. Évaluation et sélection des candidats

Chaque circuit filtré est intégré dans une architecture de Réseau de Neurones Hybride Quantique (HQNN) standardisée :

Réseau classique pré-quantique : Un réseau de propagation avant (feedforward) mappe les caractéristiques d'entrée vers un espace latent correspondant à la largeur de qubits du circuit.
Module quantique : Les entrées sont encodées via des portes de rotation paramétrées, traitées par le circuit KetGPT candidat, puis suivies d'opérations d'intrication (ex: chaînes CNOT).
Connexion de saut apprenable (Skip Connection) : Une connexion résiduelle ( $z_{res} = z_{quantum} + \alpha \cdot z_{classical}$ ) est introduite pour préserver le flux de gradient et améliorer l'expressivité.
Réseau post-quantique : Un MLP final produit les logits pour une classification binaire.

Processus de sélection :

Chaque candidat est entraîné pendant une courte durée (5 époques) en utilisant l'optimiseur Adam et la perte Binary Cross-Entropy.
Le score Macro-F1 est utilisé comme métrique de sélection primaire pour garantir une performance équilibrée entre les classes majoritaire (non-fraude) et minoritaire (fraude).
Le circuit atteignant le score Macro-F1 de validation le plus élevé est sélectionné, ré-entraîné à partir de zéro pendant 20 époques, et évalué sur l'ensemble de test.

3. Contributions clés

L'article présente quatre contributions principales :

Filtrage de circuit sensible aux contraintes : Un pipeline qui exclut les circuits violant le nombre de qubits, les limites de paramètres ou la stabilité d'exécution, garantissant que seuls les candidats viables progressent.
Sélection basée sur le score Macro-F1 : Une stratégie d'évaluation qui privilégie la performance équilibrée des classes plutôt que la précision brute, cruciale pour la détection de fraude déséquilibrée.
Pipeline modulaire de bout en bout : Un flux de travail reproductible intégrant le prétraitement, la sélection du module quantique (avec connexions de saut apprenables) et le post-traitement.
Analyse d'ablation et de performance : Des preuves empiriques démontrant que le circuit sélectionné surpasse les conceptions manuelles et que la connexion de saut résiduelle est vitale pour la convergence et la généralisation du modèle.

4. Résultats expérimentaux

Les expériences ont été menées sur un MacBook Air (puce M3) en utilisant le simulateur PennyLane. Le circuit sélectionné (Index #221 de KetGPT) utilisait 6 qubits et 9 paramètres entraînables.

Métriques de performance : Le modèle sélectionné par CircuitHunt a atteint :
- 97 % de précision de test (Accuracy)
- 97 % de Précision, Rappel et F1-Score pour les classes fraude et non-fraude.
- Un ROC-AUC de 0,9946, indiquant un pouvoir discriminatif quasi parfait.
Comparaison : Le modèle a surpassé plusieurs architectures QML conçues manuellement (EstimatorQNN, QGNN, SQNN, QFDNN), qui présentaient des compromis entre précision et rappel (ex: SQNN avait 100 % de précision mais seulement 68 % de rappel).
Étude d'ablation : Le retrait de la connexion de saut résiduelle a entraîné une chute significative de performance :
- L'exactitude (Accuracy) est tombée à environ 70 %.
- Le score Macro-F1 est descendu sous 0,70.
- Le ROC-AUC a diminué à 0,7706.
- Cela confirme que la connexion de saut est essentielle pour le flux de gradient et la gestion du déséquilibre des classes.

5. Signification et affirmations

L'article affirme que CircuitHunt fournit un outil évolutif et piloté par les tâches pour le déploiement du QML dans les applications financières critiques. Sa signification réside dans :

Automatisation : Il réduit le temps de recherche d'architecture (de jours/semaines pour un réglage manuel à quelques heures) en automatisant la découverte de circuits performants.
Robustesse : En combinant l'élagage sensible au budget et la validation empirique, il atténue les taux d'échec élevés associés à la sélection de circuits aléatoires ou manuels.
Praticité : Il démontre qu'une découverte automatisée peut produire des modèles qui sont non seulement structurellement valides mais aussi empiriquement supérieurs aux homologues conçus par des experts dans des scénarios réels déséquilibrés.

Les auteurs maintiennent une position modeste, reconnaissant des limites telles que le coût computationnel de l'étape de filtrage et le fait que les évaluations actuelles sont basées sur des environnements simulés plutôt que sur du matériel quantique réel bruité. Ils concluent que bien que l'approche montre un fort potentiel, des recherches supplémentaires sont nécessaires concernant la transférabilité à d'autres domaines et la scalabilité à des ensembles de données plus larges.