Hybrid Quantum Algorithms for Trade Surveillance Analytics
Cet article évalue quatre classifieurs quantiques et hybrides par rapport à des références classiques pour la surveillance des transactions, concluant que bien qu'aucun avantage quantique n'ait été observé, un réseau de neurones hybride à cinq qubits fonctionnant sur un matériel bruité a atteint une performance compétitive (55,4–59,8 % de F1) comparable aux modèles classiques bien ajustés, suggérant un potentiel de croissance future avec des dispositages plus grands.
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
Chaque année, le système financier mondial perd des centaines de milliards de dollars à cause du blanchiment d'argent et de la manipulation de marché. Pour stopper cela, les banques et les régulateurs s'appuient sur des systèmes automatisés qui scannent des millions de transactions à la recherche d'activités suspectes. Cependant, ces systèmes sont actuellement submergés par leur propre succès ; ils signalent plus de 95 % des alertes qu'ils génèrent comme de fausses alarmes. Cela signifie que les analystes humains passent presque tout leur temps à enquêter sur des transactions parfaitement normales, laissant les stratagèmes réellement dangereux cachés dans le bruit. Le défi n'est pas seulement de trouver les acteurs malveillants, mais de le faire sans noyer les enquêteurs sous les fausses pistes. Pendant des décennies, la solution a consisté à construire de meilleures règles ou à utiliser des programmes informatiques standards pour repérer des modèles, mais ces méthodes peinent face au volume massif de données et aux manières ingénieuses dont les criminels s'adaptent pour éviter la détection.
Récemment, une nouvelle approche a émergé du monde de l'informatique quantique, un domaine qui utilise les lois étranges de la physique à l'échelle atomique pour traiter l'information d'une manière que les ordinateurs classiques ne peuvent pas égaler. Les chercheurs se demandaient depuis longtemps si ces machines quantiques pourraient résoudre le problème spécifique de la surveillance financière : pourraient-elles repérer les connexions subtiles et complexes entre les comptes que les logiciels traditionnels ignorent ? Une équipe de chercheurs de Vanguard, du Washington Institute for STEM, Entrepreneurship, and Research, et de Capgemini s'est donné pour mission de tester cette idée. Ils n'ont pas examiné de véritables dossiers bancaires, qui sont protégés par des lois strictes sur la confidentialité, mais ont plutôt créé un ensemble de données synthétiques hautement réalistes. Ces données synthétiques imitaient le comportement d'un schéma de « pump-and-dump » (pompage et largage), un type de fraude de marché où un groupe de traders gonfle artificiellement le prix d'une action avant de la revendre, laissant les victimes avec des actions sans valeur. L'ensemble de données comprenait 1 000 comptes de trading, dont 20 % jouaient le rôle de fraudeurs et le reste celui de participants innocents.
Les chercheurs ont opposé quatre types différents d'algorithmes quantiques et hybrides quantiques-classiques à quatre modèles informatiques classiques standards. L'objectif était de voir quel système pouvait identifier le mieux les 200 comptes suspects cachés dans l'ensemble de test. Les modèles classiques comprenaient des outils bien connus comme les arbres de décision et les réseaux de neurones, qui sont les piliers actuels de l'industrie. Les concurrents quantiques étaient plus expérimentaux : l'un utilisait une méthode similaire à la recherche des plus proches voisins dans une foule, mais mesurée par une similitude quantique ; un autre utilisait une machine à vecteurs de support, une technique qui trace une ligne pour séparer des groupes, mais construite sur une carte quantique des données ; un troisième était un réseau de neurones quantique complet ; et le quatrième était un modèle hybride utilisant un petit ordinateur classique pour contrôler un minuscule circuit quantique.
Les résultats furent clairs et surprenants. Le modèle le plus performant n'était pas une machine quantique, mais un modèle classique : un algorithme d'arbre de décision appelé XGBoost. Il a correctement identifié 61,4 % des comptes suspects tout en maintenant les fausses alarmes à un niveau gérable. Aucun des modèles purement quantiques n'est arrivé proche de cette performance. Le réseau de neurones quantique, qui utilisait 20 qubits (les unités de base de l'information quantique), n'a réussi à trouver que 42 % des fraudeurs. La machine à vecteurs de support quantique a été encore moins performante, ne dépassant pas les 41 %. La méthode des k-plus proches voisins quantiques a fait mieux que sa contrepartie classique, trouvant 43,5 % des fraudeurs, mais elle restait loin derrière les meilleurs outils classiques.
Cependant, l'histoire ne s'est pas terminée par une défaite pour l'informatique quantique. Le résultat le plus prometteur est venu du modèle hybride, qui combinait un petit ordinateur classique avec un minuscule circuit quantique de cinq qubits. Ce système, qui utilisait un quart des ressources quantiques requises par les autres modèles quantiques, a atteint une performance de 57,9 % sur une simulation parfaite et de 59,8 % lors d'une exécution sur du matériel quantique réel. Cela le plaçait juste derrière le meilleur modèle classique et devant six des huit configurations classiques testées. En termes pratiques, ce modèle hybride était capable de signaler des comptes suspects réels avec une précision environ dix fois supérieure à la norme actuelle de l'industrie, où un signalement sur vingt n'est réel.
L'étude a également révélé que la manière dont les données sont préparées est tout aussi importante que l'algorithme utilisé pour les analyser. Les chercheurs ont testé deux méthodes différentes pour simplifier les données de trading complexes, et les résultats variaient considérablement selon la méthode choisie. Pour le modèle hybride et les meilleurs outils classiques, une méthode spécifique d'organisation des données fonctionnait nettement mieux que l'autre. Cela suggère que la clé pour débloquer le potentiel de ces systèmes ne réside pas seulement dans la construction d'ordinateurs quantiques plus puissants, mais dans la compréhension de la manière de leur fournir les bonnes informations.
Bien que l'étude n'ait pas trouvé d'avantage quantique où une machine quantique aurait surpassé le meilleur ordinateur classique, elle a démontré qu'un petit système hybride fonctionnant sur le matériel quantique bruyant d'aujourd'hui peut déjà rivaliser avec les meilleurs outils traditionnels. Les chercheurs ont conclu que l'approche hybride est la voie la plus efficace pour cette tâche spécifique. En utilisant un ordinateur classique pour guider un petit circuit quantique, le système a appris à intégrer les données d'une manière qu'une carte quantique fixe ne pouvait pas faire. Cela suggère que l'avenir de la surveillance financière ne nécessitera peut-être pas de superordinateurs quantiques massifs et sans erreur, mais plutôt des combinaisons intelligentes d'outils classiques et quantiques capables de fonctionner efficacement sur les machines imparfaites disponibles aujourd'hui. Ces travaux prouvent que les méthodes quantiques ne sont plus seulement théoriques ; elles peuvent être entraînées, testées et exécutées sur du matériel réel pour résoudre des problèmes du monde réel, même si elles ne sont pas encore les champions incontestés.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.