⚛️ fisica quantistica

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

Questo articolo presenta CircuitHunt, un framework automatizzato che esamina e ottimizza efficientemente i circuiti quantistici dal dataset KetGPT per raggiungere una prestazione superiore nel rilevamento delle frodi con carta di credito con un'accuratezza del 97%, riducendo significativamente il tempo di ricerca dell'architettura pur affrontando sfide come lo sbilanciamento delle classi.

Autori originali: Nouhaila Innan, Akshat Singh, Muhammad Shafique

Pubblicato 2026-10-26

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Nouhaila Innan, Akshat Singh, Muhammad Shafique

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Nel mondo ad alta posta in gioco della finanza, la battaglia contro le frodi con carta di credito è una guerra costante e silenziosa. Ogni giorno, milioni di transazioni scorrono attraverso le reti bancarie e, nascoste all'interno di quel vasto fiume di dati, si trovano le rare e pericolose gocce di furto. Per decenni, le banche si sono affidate a programmi informatici classici per individuare queste anomalie, ma i criminali stanno diventando più intelligenti e i dati stanno diventando troppo complessi perché i vecchi metodi possano gestirli da soli. Ciò ha spinto gli scienziati a guardare verso una nuova frontiera: il machine learning quantistico. A differenza dei computer che abbiamo nelle nostre case, che elaborano le informazioni come semplici interruttori on-off, i computer quantistici utilizzano le strane leggi della fisica per mantenere le informazioni in molteplici stati contemporaneamente. Questo permette loro di esplorare molte possibilità simultaneamente, offrendo una potenziale scorciatoia per risolvere problemi che sono troppo intricati per le macchine tradizionali. Tuttavia, costruire questi programmi quantistici è notoriamente difficile. Progettare un circuito quantistico — la specifica disposizione di istruzioni che dice al computer quantistico cosa fare — è attualmente un processo lento e manuale. I ricercatori spesso devono indovinare quale design funzionerà, proprio come cercare di costruire una macchina complessa incastrando casualmente ingranaggi sperando che giri.

Un team di ricercatori della New York University Abu Dhabi e della New York University Tandon School of Engineering ha introdotto un nuovo modo per risolvere questo problema di progettazione, un metodo che elimina completamente l'incertezza. Hanno creato un sistema chiamato CircuitHunt, uno strumento automatizzato che caccia il miglior circuito quantistico possibile per rilevare le frodi. Invece di fare affidamento sull'intuizione umana o su tentativi casuali, che spesso portano al fallimento, CircuitHunt agisce come un filtro rigoroso. Inizia con una vasta libreria di oltre mille circuiti quantistici pre-costituiti, generati da un'intelligenza artificiale addestrata su codice di programmazione quantistica reale. Il sistema sottopone poi ciascuno di questi candidati a una serie di test rigorosi. Verifica se il circuito è abbastanza piccolo da essere eseguito con la tecnologia attuale, se possiede il tipo giusto di parti regolabili per apprendere dai dati e se può effettivamente essere eseguito senza bloccarsi. Questo processo è simile a un talent show dove migliaia di concorrenti fanno l'audizione, ma i giudici eliminano la stragrande maggioranza dopo solo pochi secondi, tenendo solo quelli che mostrano un vero potenziale.

Una volta che il sistema ha ridotto la lista a un manipolo di candidati praticabili, li mette al lavoro su una sfida del mondo reale: identificare le transazioni fraudolente con carta di credito. I dati utilizzati per questo compito sono notoriamente difficili perché la frode è rara; in un tipico set di dati, meno dell'uno percento delle transazioni è effettivamente falsa. Questo squilibrio rende facile per un computer prevedere "nessuna frode" ogni volta, il che sarebbe accurato la maggior parte delle volte ma inutile per catturare i ladri. Per gestire questo, i ricercatori hanno addestrato il loro sistema automatizzato a cercare un tipo specifico di successo: un punteggio che bilanci la capacità di catturare i frodatori senza accusare falsamente persone innocenti. Il sistema addestra rapidamente ogni circuito candidato per un breve periodo, controllando questo punteggio di equilibrio. Se un circuito si comporta male, viene scartato immediatamente. Se mostra promessa, viene mantenuto per ulteriori test. Questo processo di screening, che avrebbe richiesto agli esperti umani giorni o settimane per essere gestito manualmente, è stato completato dal sistema in poche ore.

Il risultato di questa caccia automatizzata è stato un singolo circuito quantistico che si è distinto dagli altri. Quando i ricercatori hanno fornito a questo circuito vincente una sessione di addestramento completa, ha raggiunto un livello di accuratezza straordinario. Nei test, ha identificato correttamente casi di frode e non frode con un tasso di successo del 97 percento, una prestazione che ha superato diversi altri modelli quantistici avanzati che erano stati meticolosamente progettati a mano da esperti. Lo studio ha anche rivelato qualcosa di importante su come questi sistemi quantistici imparano. I ricercatori hanno scoperto che il circuito vincente includeva una specifica caratteristica architettonica — un collegamento diretto che permetteva alle informazioni di fluire fluidamente dall'inizio del processo alla fine. Quando hanno rimosso questo collegamento per vedere cosa sarebbe successo, le prestazioni del sistema sono crollate, scendendo a un'accuratezza molto più bassa. Ciò ha dimostrato che il processo di scoperta automatizzata non ha solo trovato un circuito funzionante; ha trovato la struttura giusta per rendere efficace il computer quantistico.

La portata di questo lavoro va oltre il semplice catturare i ladri di carte di credito. Dimostra che possiamo passare dalla lenta progettazione manuale di algoritmi quantistici verso un futuro in cui le macchine progettano se stesse per compiti specifici. Automatizzando la ricerca della migliore struttura quantistica, i ricercatori hanno dimostrato che è possibile trovare soluzioni altamente efficaci rapidamente, anche per compiti difficili dove i dati sono scarsi e sbilanciati. Sebbene gli attuali test siano stati eseguiti su un simulatore piuttosto che su una macchina quantistica fisica, i risultati forniscono una chiara tabella di marcia su come questi sistemi possano essere implementati nel mondo reale. Lo studio suggerisce che il futuro del calcolo quantistico nella finanza e nella sicurezza non dipenderà da pochi brillanti progettisti umani, ma da sistemi automatizzati che possono setacciare instancabilmente migliaia di possibilità per trovare quella che funziona meglio.

Sintesi Tecnica: CircuitHunt – Screening Automatizzato di Circuiti Quantistici per il Rilevamento delle Frodi con Carte di Credito

1. Definizione del Problema

Il documento affronta la sfida critica di progettare modelli di Machine Learning Quantistico (QML) efficaci per compiti del mondo reale, specificamente il rilevamento delle frodi con carte di credito. Questo dominio presenta due difficoltà primarie:

Sbilanciamento Estremo delle Classi: Le transazioni fraudolente costituiscono tipicamente meno dell'1% dell'attività totale, causando ai normali pipeline di apprendimento supervisionato un problema di bias e scarse prestazioni.
Colli di Bottiglia Architetturali nel QML: A differenza delle reti neurali classiche, che beneficiano di architetture consolidate e di una ricerca della struttura neurale (NAS) scalabile, il panorama dei Circuiti Quantistici Parametrizzati (PQC) è frammentato. Gli approcci esistenti si affidano a:
- Progettazione Manuale: Creazione manuale di circuiti basata su una conoscenza limitata del dominio, portando a una mancanza di diversità strutturale.
- Inizializzazione Casuale: Generazione di circuiti casuali senza considerare l'addestrabilità o l'idoneità al compito, con il risultato di alti tassi di fallimento e un uso inefficiente delle risorse.

Gli autori sostengono che la ricerca attuale sul QML manchi di un framework automatizzato e guidato dal compito per filtrare e selezionare efficientemente circuiti quantistici ad alte prestazioni da grandi dataset strutturati sotto vincoli hardware pratici.

2. Metodologia: Il Framework CircuitHunt

Gli autori propongono CircuitHunt, un framework di screening dei circuiti quantistici completamente automatizzato, progettato per scoprire modelli ad alte prestazioni dal dataset KetGPT (una collezione di 1.000 circuiti quantistici strutturalmente validi generati da modelli transformer). La pipeline opera in tre fasi principali:

A. Pre-elaborazione dei Dati

Gestione dello Sbilanciamento: Il dataset delle frodi con carte di credito viene elaborato utilizzando SMOTE (Synthetic Minority Over-sampling Technique) per riequilibrare la distribuzione degli input.
Normalizzazione: Le caratteristiche vengono scalate tramite normalizzazione Min-Max a un intervallo limitato per garantire la compatibilità con l'elaborazione quantistica.
Suddivisione: I dati sono partizionati in set di addestramento, validazione e test utilizzando il campionamento stratificato per preservare le proporzioni delle classi.

B. Filtraggio dei Circuiti Quantistici

Il framework filtra l'insieme iniziale di circuiti KetGPT ( $C$ ) per creare un sottoinsieme vitale ( $C'$ ) basato su rigidi vincoli hardware e di apprendimento:

Budget di Qubit: I circuiti devono avere tra 3 e 10 qubit ( $3 \le n \le 10$ ) per allinearsi alle attuali capacità di simulazione e hardware.
Gate Addestrabili: I circuiti devono contenere almeno un gate addestrabile (es. $RY(\theta)$ , $RZ(\theta)$ , $U2(\phi, \lambda)$ ).
Budget di Parametri: Il numero totale di parametri addestrabili non deve superare i 30 ( $P \le 30$ ).
Validazione dell'Esecuzione: I candidati vengono simulati con parametri inizializzati a zero; vengono mantenuti solo quelli che producono valori di aspettativa finiti entro i limiti.

C. Valutazione e Selezione dei Candidati

Ogni circuito filtrato viene inserito in un'architettura ibrida di Rete Neurale Quantistica (HQNN) standardizzata:

Rete Classica Pre-Quantistica: Una rete feedforward mappa le caratteristiche di input in uno spazio latente corrispondente alla larghezza di qubit del circuito.
Modulo Quantistico: Gli input sono codificati tramite gate di rotazione parametrizzati, elaborati dal circuito KetGPT candidato, seguiti da operazioni di entanglement (es. catene CNOT).
Connessione di Skip Apprendibile: Viene introdotta una connessione residua ( $z_{res} = z_{quantum} + \alpha \cdot z_{classical}$ ) per preservare il flusso del gradiente e migliorare l'espressività.
Rete Post-Quantistica: Un MLP finale produce i logit per la classificazione binaria.

Processo di Selezione:

Ogni candidato viene addestrato per una breve durata (5 epoche) utilizzando l'ottimizzatore Adam e la perdita di Binary Cross-Entropy.
Il Macro-F1 Score è utilizzato come metrica di selezione primaria per garantire prestazioni equilibrate tra la classe maggioritaria (non frode) e quella minoritaria (frode).
Il circuito che raggiunge il più alto Macro-F1 score di validazione viene selezionato, ri-addestrato da zero per 20 epoche e valutato sul set di test.

3. Contributi Chiave

Il documento delinea quattro contributi primari:

Filtraggio dei Circuiti Consapevole dei Vincoli: Una pipeline che esclude i circuiti che violano il conteggio dei qubit, i limiti di parametri o la stabilità di esecuzione, garantendo che solo i candidati validi procedano.
Selezione Basata sul Macro-F1 Score: Una strategia di valutazione che privilegia le prestazioni equilibrate delle classi rispetto alla semplice accuratezza grezza, fondamentale per il rilevamento delle frodi sbilanciate.
Pipeline End-to-End Modulare: Un flusso di lavoro riproducibile che integra la pre-elaborazione, la selezione del modulo quantistico (con connessioni di skip apprendibili) e la post-elaborazione.
Analisi di Ablazione e delle Prestazioni: Evidenza empirica che dimostra come il circuito selezionato superi i design manuali e che la connessione di skip residua sia vitale per la convergenza e la generalizzazione del modello.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su un MacBook Air (chip M3) utilizzando il simulatore PennyLane. Il circuito selezionato (Indice #221 da KetGPT) utilizzava 6 qubit e 9 parametri addestrabili.

Metriche di Prestazione: Il modello selezionato da CircuitHunt ha ottenuto:
- 97% di Accuratezza di Test
- 97% di Precisione, Recall e F1-Score per entrambe le classi (frode e non frode).
- ROC-AUC di 0,9946, indicando un potere discriminativo quasi perfetto.
Confronto: Il modello ha superato diversi modelli di QML progettati manualmente (EstimatorQNN, QGNN, SQNN, QFDNN), che mostravano compromessi tra precisione e recall (ad esempio, SQNN aveva il 100% di precisione ma solo il 68% di recall).
Studio di Ablazione: La rimozione della connessione di skip residua ha causato un calo significativo delle prestazioni:
- L'accuratezza è scesa a circa il 70%.
- Il Macro-F1 score è sceso sotto lo 0,70.
- L'ROC-AUC è diminuito a 0,7706.
- Ciò conferma che la connessione di skip è essenziale per il flusso del gradiente e per gestire lo sbilanciamento delle classi.

5. Significato e Rivendicazioni

Il documento afferma che CircuitHunt fornisce uno strumento scalabile e guidato dal compito per l'implementazione del QML in applicazioni finanziarie critiche. La sua importanza risiede in:

Automazione: Riduce il tempo di ricerca dell'architettura da giorni/settimane (tuning manuale) a ore, automatizzando la scoperta di circuiti ad alte prestazioni.
Robustezza: Combinando il pruning consapevole del budget con la validazione empirica, mitiga gli alti tassi di fallimento associati alla selezione casuale o manuale dei circuiti.
Praticità: Dimostra che la scoperta automatizzata può produrre modelli che non sono solo strutturalmente validi, ma empiricamente superiori ai controparti progettati da esperti in scenari reali e sbilanciati.

Gli autori mantengono una posizione modesta, riconoscendo i limiti come il costo computazionale della fase di filtraggio e il fatto che le valutazioni attuali si basano su ambienti simulati piuttosto che su hardware quantistico reale rumoroso. Concludono che, sebbene l'approccio mostri un forte potenziale, sono necessarie ulteriori investigazioni riguardo alla trasferibilità in altri domini e alla scalabilità su dataset più ampi.