Hybrid Quantum Algorithms for Trade Surveillance Analytics

हर साल, वैश्विक वित्तीय प्रणाली मनी लॉन्ड्रिंग और बाजार हेरफेर के कारण सैकड़ों अरब डॉलर खो देती है। इसे रोकने के लिए, बैंक और नियामक संदिग्ध गतिविधियों के लिए लाखों लेनदेन को स्कैन करने वाले स्वचालित प्रणालियों पर भरोसा करते हैं। हालांकि, ये प्रणालियाँ वर्तमान में अपनी ही सफलता से अभिभूत हैं; वे अपने द्वारा उत्पन्न होने वाली 95 प्रतिशत से अधिक चेतावनियों को गलत अलार्म (false alarms) के रूप में चिह्नित करती हैं। इसका अर्थ यह है कि मानव विश्लेषक अपना लगभग सारा समय पूरी तरह से सामान्य व्यापारों की जांच करने में बिता देते हैं, जिससे वास्तव में खतरनाक योजनाएं शोर के बीच छिपी रह जाती हैं। चुनौती केवल बुरे तत्वों को खोजने की नहीं है, बल्कि जांचकर्ताओं को गलत संकेतों में डुबोए बिना उन्हें खोजने की है। दशकों से, समाधान बेहतर नियम बनाने या पैटर्न को पहचानने के लिए मानक कंप्यूटर प्रोग्राम का उपयोग करने का रहा है, लेकिन ये तरीके डेटा की विशाल मात्रा और पकड़े जाने से बचने के लिए अपराधियों के चतुर तरीकों के सामने संघर्ष करते हैं।

हाल ही में, क्वांटम कंप्यूटिंग की दुनिया से एक नया दृष्टिकोण उभरा है, जो एक ऐसा क्षेत्र है जो परमाणु स्तर पर भौतिकी के अजीब नियमों का उपयोग करके सूचना को उन तरीकों से संसाधित करता है जिन्हें क्लासिकल कंप्यूटर नहीं कर सकते। शोधकर्ता लंबे समय से यह सोच रहे थे कि क्या ये क्वांटम मशीनें वित्तीय निगरानी की विशिष्ट समस्या को हल कर सकती हैं: क्या वे खातों के बीच उन सूक्ष्म, जटिल संबंधों को पहचान सकती हैं जिन्हें पारंपरिक सॉफ्टवेयर छोड़ देता है? वैनगार्ड (Vanguard), वाशिंगटन इंस्टीट्यूट फॉर STEM, एंटरप्रेन्योरशिप, एंड रिसर्च, और कैपजेमिनी (Capgemini) के शोधकर्ताओं की एक टीम ने इस विचार का परीक्षण करने के लिए यह प्रयोग किया। उन्होंने वास्तविक बैंक रिकॉर्ड नहीं देखे, जो सख्त गोपनीयता कानूनों द्वारा संरक्षित हैं, बल्कि इसके बजाय एक अत्यधिक यथार्थवादी, कृत्रिम डेटासेट बनाया। इस सिंथेटिक डेटा ने एक "पंप-एंड-डंप" (pump-and-dump) योजना के व्यवहार की नकल की, जो बाजार धोखाधड़ी का एक प्रकार है जहाँ धोखेबाज समूह किसी स्टॉक की कीमत को कृत्रिम रूप से बढ़ा देते हैं और फिर उसे बेच देते हैं, जिससे पीड़ित बेकार शेयरों के साथ रह जाते हैं। इस डेटासेट में 1,000 ट्रेडिंग खाते शामिल थे, जिनमें से 20 प्रतिशत धोखेबाज के रूप में कार्य कर रहे थे और शेष निर्दोष प्रतिभागी थे।

शोधकर्ताओं ने चार अलग-अलग प्रकार के क्वांटम और हाइब्रिड क्वांटम-क्लासिकल एल्गोरिदम को चार मानक, क्लासिकल कंप्यूटर मॉडलों के विरुद्ध मुकाबला कराया। लक्ष्य यह देखना था कि कौन सी प्रणाली टेस्ट सेट में छिपे हुए 200 संदिग्ध खातों की पहचान करने में सबसे बेहतर है। क्लासिकल मॉडलों में डिसीजन ट्री (decision trees) और न्यूरल नेटवर्क जैसे प्रसिद्ध उपकरण शामिल थे, जो उद्योग के वर्तमान कार्यवाहक हैं। क्वांटम दावेदार अधिक प्रयोगात्मक थे: एक ने एक ऐसी विधि का उपयोग किया जो भीड़ में निकटतम पड़ोसियों को खोजने के समान है लेकिन क्वांटम समानता द्वारा मापी गई थी; दूसरे ने एक सपोर्ट वेक्टर मशीन (support vector machine) का उपयोग किया, जो समूहों को अलग करने के लिए एक रेखा खींचती है, लेकिन डेटा के क्वांटम मानचित्र पर आधारित थी; तीसरा एक पूर्ण क्वांटम न्यूरल नेटवर्क था; और चौथा एक हाइब्रिड मॉडल था जिसने एक छोटे क्लासिकल कंप्यूटर का उपयोग एक छोटे क्वांटम सर्किट को नियंत्रित करने के लिए किया।

परिणाम स्पष्ट और आश्चर्यजनक थे। सर्वश्रेष्ठ प्रदर्शन करने वाला मॉडल एक क्वांटम मशीन नहीं, बल्कि एक क्लासिकल मॉडल था: एक डिसीजन-ट्री एल्गोरिदम जिसे XGBoost कहा जाता है। इसने संदिग्ध खातों को 61.4 प्रतिशत सटीकता से पहचाना और साथ ही गलत अलार्म को एक प्रबंधनीय स्तर पर रखा। कोई भी शुद्ध क्वांटम मॉडल इस प्रदर्शन के करीब भी नहीं पहुंच सका। क्वांटम न्यूरल नेटवर्क ने, जिसने 20 क्यूबिट्स (क्वांटम सूचना की बुनियादी इकाइयाँ) का उपयोग किया, केवल 42 प्रतिशत धोखेबाजों को खोज पाया। क्वांटम सपोर्ट वेक्टर मशीन का प्रदर्शन और भी खराब था, जो 41 प्रतिशत से अधिक नहीं हो सका। क्वांटम k-नेरेस्ट नेबर्स (k-nearest neighbors) पद्धति ने अपने क्लासिकल समकक्ष से बेहतर प्रदर्शन किया, 43.5 प्रतिशत धोखेबाजों को खोजा, लेकिन फिर भी यह सर्वश्रेष्ठ क्लासिकल उपकरणों से पीछे रह गया।

हालांकि, कहानी क्वांटम कंप्यूटिंग की हार के साथ समाप्त नहीं हुई। सबसे आशाजनक परिणाम हाइब्रिड मॉडल से आया, जिसने एक छोटे क्लासिकल कंप्यूटर को एक छोटे पांच-क्यूबिट क्वांटम सर्किट के साथ जोड़ा। इस प्रणाली ने, जिसने अन्य क्वांटम मॉडलों की तुलना में एक चौथाई क्वांटम संसाधनों का उपयोग किया, एक पूर्ण सिमुलेशन पर 57.9 प्रतिशत और वास्तविक क्वांटम हार्डवेयर पर चलने पर 59.8 प्रतिशत का प्रदर्शन हासिल किया। इसने सर्वश्रेष्ठ क्लासिकल मॉडल के ठीक पीछे और परीक्षण किए गए आठ क्लासिकल कॉन्फ़िगरेशन में से छह के आगे स्थान बनाया। व्यावहारिक रूप से, यह हाइब्रिड मॉडल वास्तविक संदिग्ध खातों को उस सटीकता के साथ चिह्नित करने में सक्षम था जो वर्तमान उद्योग मानक से लगभग एक क्रम (order of magnitude) बेहतर है, जहाँ केवल बीस में से एक अलर्ट वास्तविक होता है।

अध्ययन ने यह भी खुलासा किया कि डेटा को तैयार करने का तरीका उतना ही महत्वपूर्ण है जितना कि उसका विश्लेषण करने वाला एल्गोरिदम। शोधकर्ताओं ने जटिल ट्रेडिंग डेटा को सरल बनाने के दो अलग-अलग तरीकों का परीक्षण किया, और चुने गए तरीके के आधार पर परिणाम बहुत भिन्न थे। हाइब्रिड मॉडल और सर्वश्रेष्ठ क्लासिकल उपकरणों के लिए, डेटा को व्यवस्थित करने की एक विशिष्ट विधि दूसरी विधि की तुलना में काफी बेहतर काम करती थी। यह सुझाव देता है कि इन प्रणालियों की क्षमता को अनलॉक करने की कुंजी न केवल अधिक शक्तिशाली क्वांटम कंप्यूटर बनाने में है, बल्कि उन्हें सही जानकारी खिलाने के तरीके को समझने में भी है।

हालांकि इस अध्ययन में कोई ऐसा 'क्वांटम एडवांटेज' नहीं मिला जहाँ एक क्वांटम मशीन ने सर्वश्रेष्ठ क्लासिकल कंप्यूटर को पछाड़ दिया हो, लेकिन इसने प्रदर्शित किया कि एक छोटा, हाइब्रिड सिस्टम आज के शोर वाले (noisy) क्वांटम हार्डवेयर पर भी सर्वश्रेष्ठ पारंपरिक उपकरणों के साथ प्रतिस्पर्धा कर सकता है। शोधकर्ताओं ने निष्कर्ष निकाला कि इस विशिष्ट कार्य के लिए हाइब्रिड दृष्टिकोण सबसे प्रभावी मार्ग है। एक छोटे क्वांटम सर्किट को निर्देशित करने के लिए क्लासिकल कंप्यूटर का उपयोग करके, सिस्टम ने डेटा को इस तरह से एम्बेड करना सीखा जो एक निश्चित क्वांटम मानचित्र नहीं कर सकता था। यह सुझाव देता है कि भविष्य की वित्तीय निगरानी के लिए बड़े, त्रुटि-मुक्त क्वांटम सुपरकंप्यूटर की आवश्यकता नहीं हो सकती है, बल्कि क्लासिकल और क्वांटम उपकरणों के चतुर संयोजन की आवश्यकता है जो आज उपलब्ध अपूर्ण मशीनों पर प्रभावी ढंग से काम कर सकें। यह कार्य सिद्ध करता है कि क्वांटम विधियाँ अब केवल सैद्धांतिक नहीं हैं; उन्हें वास्तविक दुनिया की समस्याओं को हल करने के लिए वास्तविक हार्डवेयर पर प्रशिक्षित, परीक्षण और चलाया जा सकता है, भले ही वे अभी तक निर्विवाद चैंपियन न हों।