Hybrid Quantum Algorithms for Trade Surveillance Analytics
Questo articolo confronta quattro classificatori quantistici e ibridi rispetto a baseline classiche per la sorveglianza degli scambi, riscontrando che, sebbene non sia stato osservato alcun vantaggio quantistico, una rete neurale ibrida a cinque qubit eseguita su hardware rumoroso ha ottenuto prestazioni competitive (F1 55,4–59,8%) paragonabili a modelli classici ben ottimizzati, suggerendo un potenziale di crescita futura con dispositivi più grandi.
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
Ogni anno, il sistema finanziario globale perde centinaia di miliardi di dollari a causa del riciclaggio di denaro e della manipolazione del mercato. Per fermare questo fenomeno, le banche e i regolatori si affidano a sistemi automatizzati che scansionano milioni di transazioni alla ricerca di attività sospette. Tuttavia, questi sistemi sono attualmente sopraffatti dal proprio successo; segnalano più del 95 percento degli avvisi che generano come falsi allarmi. Ciò significa che gli analisti umani trascorrono quasi tutto il tempo a indagare su scambi perfettamente normali, lasciando che i veri schemi pericolosi rimangano nascosti nel rumore. La sfida non è solo trovare i malintenzionati, ma farlo senza annegarli in falsi segnali. Per decenni, la soluzione è stata quella di costruire regole migliori o utilizzare programmi informatici standard per individuare modelli, ma questi metodi faticano a gestire l'enorme volume di dati e i modi astuti con cui i criminali si adattano per evitare il rilevamento.
Recentemente, un nuovo approccio è emerso dal mondo del calcolo quantistico, un campo che utilizza le strane leggi della fisica su scala atomica per elaborare informazioni in modi che i computer classici non possono raggiungere. I ricercatori si sono a lungo chiesti se queste macchine quantistiche potessero risolvere il problema specifico della sorveglianza finanziaria: potrebbero individuare le connessioni sottili e complesse tra i conti che il software tradizionale non coglie? Un team di ricercatori di Vanguard, del Washington Institute for STEM, Entrepreneurship, and Research, e di Capgemini si è messo alla prova per testare questa idea. Non hanno esaminato veri registri bancari, che sono protetti da rigide leggi sulla privacy, ma hanno invece creato un dataset artificiale altamente realistico. Questo dato sintetico imitava il comportamento di uno schema di "pump-and-dump", un tipo di frode di mercato in cui un gruppo di trader gonfia artificialmente il prezzo di un'azione prima di rivenderla, lasciando le vittime con azioni senza valore. Il dataset includeva 1.000 account di trading, con il 20 percento che agiva come frodatore e il resto come partecipanti innocenti.
I ricercatori hanno messo a confronto quattro diversi tipi di algoritmi quantistici e ibridi quantistico-classici contro quattro modelli informatici classici standard. L'obiettivo era vedere quale sistema potesse identificare meglio i 200 account sospetti nascosti nel set di test. I modelli classici includevano strumenti ben noti come alberi decisionali e reti neurali, che sono gli attuali motori dell'industità. I contendenti quantistici erano più sperimentali: uno utilizzava un metodo simile alla ricerca dei vicini più prossimi in una folla ma misurato tramite somiglianza quantistica; un altro utilizzava una macchina a vettori di supporto, una tecnica che traccia una linea per separare i gruppi, ma costruita su una mappa quantistica dei dati; un terzo era una rete neurale quantistica completa; e il quarto era un modello ibrido che utilizzava un piccolo computer classico per controllare un minuscolo circuito quantistico.
I risultati sono stati chiari e sorprendenti. Il modello con le prestazioni migliori non era una macchina quantistica, ma un modello classico: un algoritmo ad albero decisionale chiamato XGBoost. Ha identificato correttamente il 61,4 percento degli account sospetti mantenendo i falsi allarmi a un livello gestibile. Nessuno dei modelli puramente quantistici si è avvicinato a queste prestazioni. La rete neurale quantistica, che utilizzava 20 qubit (le unità di base dell'informazione quantistica), è riuscita a trovare solo il 42 percento dei frodatori. La macchina a vettori di supporto quantistica è stata ancora peggiore, non superando il 41 percento. Il metodo k-vicini più prossimi quantistico ha fatto meglio del suo equivalente classico, trovando il 43,5 percento dei frodatori, ma rimaneva comunque lontano dietro ai migliori strumenti classici.
Tuttiavolia, la storia non è finita con una sconfitta per il calcolo quantistico. Il risultato più promettente è arrivato dal modello ibrido, che combinava un piccolo computer classico con un minuscolo circuito quantistico a cinque qubit. Questo sistema, che utilizzava un quarto delle risorse quantistiche richieste dagli altri modelli quantistici, ha raggiunto una prestazione del 57,9 percento in una simulazione perfetta e del 59,8 percento quando eseguito su hardware quantistico reale. Ciò lo ha posizionato appena dietro il miglior modello classico e davanti a sei delle otto configurazioni classiche testate. In termini pratici, questo modello ibrido è stato in grado di segnalare account sospetti genuini con una precisione che è circa un ordine di grandezza migliore dello standard attuale dell'industria, dove solo un avviso su venti è reale.
Lo studio ha anche rivelato che il modo in cui i dati vengono preparati è importante quanto l'algoritmo utilizzato per analizzarli. I ricercatori hanno testato due diversi modi per semplificare i complessi dati di trading, e i risultati sono variati enormemente a seconda del metodo scelto. Per il modello ibrido e i migliori strumenti classici, un metodo specifico di organizzazione dei dati ha funzionato significativamente meglio dell'altro. Ciò suggerisce che la chiave per sbloccare il potenziale di questi sistemi non risiede solo nel costruire computer quantistici più potenti, ma nel capire come fornire loro le informazioni corrette.
Sebbene lo studio non abbia trovato un vantaggio quantistico in cui una macchina quantistica superasse il miglior computer classico, ha dimostrato che un piccolo sistema ibrido che opera sull'attuale hardware quantistico rumoroso può già competere con i migliori strumenti tradizionali. I ricercatori hanno concluso che l'approccio ibrido è la strada più efficace da seguire per questo compito specifico. Utilizzando un computer classico per guidare un piccolo circuito quantistico, il sistema ha imparato a incorporare i dati in un modo che una mappa quantistica fissa non poteva fare. Ciò suggerisce che il futuro della sorveglianza finanziaria potrebbe non richiedere massicci computer quantistici privi di errori, ma combinazioni intelligenti di strumenti classici e quantistici che possano operare efficacemente sulle macchine imperfette disponibili oggi. Il lavoro dimostra che i metodi quantistici non sono più solo teorici; possono essere addestrati, testati ed eseguiti su hardware reale per risolvere problemi del mondo reale, anche se non sono ancora gli indiscussi campioni.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.