Bandwidth, Representation Loss, and Temporal Drift in Quantum Kernel Fraud Detection: A Pre-Specified Falsification Study

वित्तीय सुरक्षा की उच्च-दांव वाली दुनिया में, धोखाधड़ी का पता लगाना एक डिजिटल प्रतिरक्षा प्रणाली (इम्यून सिस्टम) की तरह कार्य करता है, जो लाखों लेनदेन को लगातार स्कैन करता है ताकि कुछ दुर्भावनापूर्ण लेनदेन की पहचान की जा सके। वर्षों से, इस काम के लिए सबसे प्रभावी उपकरण क्लासिकल कंप्यूटर रहे हैं, जो संदिग्ध गतिविधि को चिह्नित करने के लिए परिष्कृत सांख्यिकीय पैटर्न का उपयोग करते हैं। हाल ही में, एक नया दावेदार इस क्षेत्र में आया है: क्वांटम कंप्यूटिंग। समर्थकों का सुझाव है कि क्वांटम मशीनें, जो उप-परमाणु कणों को नियंत्रित करने वाले भौतिकी के विचित्र नियमों पर काम करती हैं, डेटा में ऐसे पैटर्न देख सकती हैं जिन्हें क्लासिकल कंप्यूटर छोड़ देते हैं, जिससे धोखाधड़ी पकड़ने के तरीके में क्रांति आ सकती है। मूल विचार यह है कि क्वांटम सिस्टम डेटा को एक जटिल, उच्च-आयामी स्थान (high-dimensional space) में मैप कर सकते हैं जहाँ छिपे हुए संबंध दृश्यमान हो जाते हैं। हालाँकि, इन दावों को वजनदार होने के लिए, उन्हें एक कठोर परीक्षण से गुजरना होगा: यह साबित करना कि जब उन्हें बिल्कुल समान जानकारी दी जाती है और समान सख्त स्थितियों के तहत मूल्यांकन किया जाता है, तो वे सर्वश्रेष्ठ क्लासिकल तरीकों से बेहतर काम करते हैं।

यूनिवर्सिटी ऑफ साउथ फ्लोरिडा के शोधकर्ताओं की एक टीम ने इस वादे को परखने का फैसला किया, जिसका उद्देश्य विजेता खोजना नहीं, बल्कि यह देखना था कि क्या क्वांटम दृष्टिकोण एक निष्पक्ष लड़ाई में जीवित भी रह सकता है। उन्होंने एक विशिष्ट प्रकार के क्वांटम पद्धति पर ध्यान केंद्रित किया जिसे "क्वांटम कर्नेल" कहा जाता है, जो डेटा बिंदुओं के बीच समानता मापने के लिए उपयोग किया जाने वाला एक गणितीय उपकरण है। शोधकर्ता यह जानना चाहते थे कि क्या यह क्वांटम टूल एक मैच किए गए क्लासिकल टूल से बेहतर प्रदर्शन कर सकता है, जब दोनों को एक ही संकुचित (compressed) डेटा, एक ही प्रशिक्षण नमूनों और एक ही समय सीमा के साथ काम करने के लिए मजबूर किया जाए। परिणामों को ईमानदार सुनिश्चित करने के लिए, उन्होंने हर वेरिएबल को पहले ही लॉक कर दिया, जिससे एक ऐसा प्रोटोकॉल बना जो उन्हें परिणाम देखने के बाद सेटिंग्स को बदलने से रोकता था। उन्होंने 2,00,000 से अधिक क्रिप्टोकरेंसी लेनदेन का एक विशाल डेटासेट उपयोग किया जो 49 टाइम स्टेप्स में फैला हुआ था, एक ऐसा कालखंड जहाँ धोखाधड़ी की प्रकृति महत्वपूर्ण रूप से बदल गई थी, जो वास्तविक दुनिया की चुनौती—बदलती आपराधिक रणनीति—की नकल करता है।

अध्ययन की शुरुआत एक शक्तिशाली क्लासिकल मॉडल के साथ आधार रेखा (baseline) स्थापित करके हुई, जो "ग्रेडिएंट बूस्टिंग" नामक एल्गोरिदम का एक प्रकार है, जो डेटा साइंस में एक मानक वर्कहॉर्स है। जब इस क्लासिकल मॉडल को फ्रीज कर दिया गया और डेटा की अंतिम अवधियों पर टेस्ट किया गया, तो इसने धोखाधड़ी वाले लेनदेन की पहचान करने में एक विशिष्ट सफलता दर हासिल की। शोधकर्ताओं ने यह देखने के लिए "असत्यता" (falsification) चेकपॉइंट्स की एक श्रृंखला पेश की कि क्या ग्राफ संरचनाओं या चयनात्मक पुनर्रैंकिंग (selective reranking) जैसे जटिलता जोड़ने से मदद मिलेगी। इनमें से कोई भी जोड़ काम नहीं आया; वास्तव में, डेटा ने दिखाया कि सबसे प्रभावी दृष्टिकोण समस्या को उसके आवश्यक तत्वों तक सीमित करना था। शोधकर्ताओं ने डेटा को संकुचित किया, सैकड़ों फीचर्स को केवल कुछ मुख्य संख्याओं में कम कर दिया, जो एक लंबी किताब को कुछ प्रमुख वाक्यों में सारांशित करने के समान है। क्वांटम सिमुलेशन चलाने के लिए यह संपीड़न आवश्यक था, लेकिन इसकी एक कीमत थी: संकुचित डेटा ने मूल जानकारी के आधे से भी कम हिस्से को बनाए रखा, जिससे कार्य हर मॉडल के लिए बहुत कठिन हो गया।

जब अंततः क्वांटम मॉडल चलाए गए, तो उन्हें एक कठिन चढ़ाई का सामना करना पड़ा। शोधकर्ताओं ने "एंटैंगलमेंट" (entanglement) का उपयोग करने वाले एक क्वांटम कर्नेल का परीक्षण किया—जो एक ऐसी घटना है जहाँ कण आपस में जुड़ जाते हैं और एक-दूसरे को तुरंत प्रभावित करते हैं—उस सरल संस्करण के विरुद्ध जिसमें वह लिंक नहीं था। प्राथमिक परीक्षण में, डेटा को स्केल करने के लिए एक मानक सेटिंग का उपयोग करते हुए, क्वांटम मॉडल का प्रदर्शन खराब रहा। वे धोखाधड़ी वाले लेनदेन की उतनी पहचान करने में विफल रहे जितने कि सबसे मजबूत क्लासिकल मॉडल ने कीं, भले ही क्लासिकल मॉडल को उसी कम किए गए डेटा के साथ दिया गया था। क्वांटम मॉडल लगातार पीछे थे, और एक महत्वपूर्ण अंतर से पिछड़ गए। शोधकर्ताओं ने नोट किया कि क्वांटम मॉडल "बैंडविड्थ" नामक एक सेटिंग के प्रति विशेष रूप से संवेदनशील थे, जो यह नियंत्रित करता है कि मॉडल पैटर्न के लिए कितनी व्यापक रूप से देखता है। क्लासिकल मॉडलों को इस सेटिंग को ट्यून करने की अनुमति दी गई थी ताकि वे सही बिंदु (sweet spot) खोज सकें, जबकि प्राथमिक क्वांटम टेस्ट में एक निश्चित, डिफॉल्ट सेटिंग का उपयोग किया गया था।

पूरी तरह से गहन होने के लिए, शोधकर्ताओं ने एक माध्यमिक विश्लेषण किया जहाँ उन्होंने क्वांटम मॉडल को अपने स्वयं के बैंडविड्थ को ट्यून करने की अनुमति दी, ठीक वैसे ही जैसे क्लासिकल मॉडल को दी गई थी। इस समायोजन ने क्वांटम मॉडल के प्रदर्शन में सुधार किया, जिससे यह क्लासिकल परिणामों के करीब पहुँच गया। हालाँकि, इस सुधार के बावजूद, क्वांटम मॉडल क्लासिकल मॉडल से आगे निकलने में विफल रहा। परीक्षण किए गए डेटा के उच्च स्तरों पर, क्लासिकल मॉडल श्रेष्ठ बना रहा। सबसे निचले स्तर पर, परिणाम इतने करीब थे कि निर्णय लेना कठिन था, जिसका अर्थ था कि क्वांटम मॉडल ने न तो यह सिद्ध किया कि वह बेहतर था, और न ही यह सिद्ध किया कि वह बदतर था; वह बस स्पष्ट लाभ दिखाने में विफल रहा। अध्ययन ने यह भी खुलासा किया कि क्वांटम मॉडल का प्रदर्शन पूरी तरह से इस बैंडविड्थ ट्यूनिंग पर निर्भर था, और पाया गया सर्वोत्तम सेटिंग उस रेंज के बिल्कुल किनारे पर थी जिसका परीक्षण किया गया था, जो यह सुझाव देता है कि वास्तविक इष्टतम (optimal) सेटिंग उस सीमा के बाहर हो सकती है जिसे वे जांच सकते थे।

शायद सबसे उल्लेखनीय निष्कर्ष क्वांटम मॉडल की विफलता के बारे में नहीं था, बल्कि उस वातावरण के बारे में था जिसमें वह विफल हुआ। प्रत्येक मॉडल, जिसमें शक्तिशाली क्लासिकल बेसलाइन भी शामिल था, परीक्षण अवधि के अंतिम हफ्तों के दौरान प्रदर्शन में भारी गिरावट का शिकार हुआ। जैसे-जैसे धोखाधड़ी वाले लेनदेन का अनुपात गिरा और डेटा की प्रकृति बदली, यहाँ तक कि सर्वश्रेष्ठ क्लासिकल एल्गोरिदम भी तालमेल बिठाने में असमर्थ रहे। इस "टेम्पोरल ड्रिफ्ट" (temporal drift) का अर्थ था कि डेटा स्वयं इस तरह से बदल गया था कि उसने सीखे गए पैटर्न को अप्रचलित बना दिया। क्वांटम मॉडल क्लासिकल मॉडलों की तुलना में अधिक तेजी से नहीं गिरे, लेकिन उनके पास इस बदलाव के प्रति कोई विशेष लचीलापन भी नहीं था। अध्ययन ने निष्कर्ष निकाला कि इस विशिष्ट सेटिंग में, इस विशिष्ट डेटा और इन विशिष्ट बाधाओं के साथ, क्वांटम कर्नेल ने क्लासिकल दृष्टिकोण पर कोई दोहराने योग्य लाभ नहीं दिया।

शोधकर्ता यह स्पष्ट करने में सावधानी बरतते हैं कि उनके निष्कर्षों का अर्थ यह नहीं है कि क्वांटम कंप्यूटिंग कभी धोखाधड़ी का पता लगाने में मदद नहीं करेगी। उन्होंने इस बात पर जोर दिया कि उनके परिणाम विशिष्ट डेटासेट, डेटा को संकुचित करने के विशिष्ट तरीके और परीक्षण किए गए सेटिंग्स की विशिष्ट रेंज तक सीमित हैं। यह अध्ययन एक आवश्यक वास्तविकता की जाँच (reality check) के रूप में कार्य करता है, जो यह प्रदर्शित करता है कि केवल एक क्वांटम पद्धति लागू करना पर्याप्त नहीं है; इसे समान इनपुट और प्रोटोकॉल के साथ क्लासिकल विकल्पों के विरुद्ध कड़ाई से मिलाया जाना चाहिए। जब तक क्वांटम मॉडल इन सख्त स्थितियों के तहत क्लासिकल मॉडलों से लगातार बेहतर प्रदर्शन नहीं कर सकते, तब तक धोखाधड़ी का पता लगाने में क्वांटम लाभ का वादा अपुष्ट बना रहेगा। यह कार्य इस बात पर प्रकाश डालता है कि महत्वपूर्ण क्षेत्रों में नई तकनीकों पर भरोसा करने के लिए, उन्हें पूर्व-निर्धारित विफलता (pre-specified falsification) की प्रक्रिया से गुजरना होगा, जहाँ प्रयोग शुरू होने से पहले नियम तय किए जाते हैं, जिससे यह सुनिश्चित होता है कि परिणाम शोधकर्ताओं की आशाओं के बजाय वास्तविकता को दर्शाते हैं।