Hybrid Quantum Algorithms for Trade Surveillance Analytics
本論文は、トレード監視における4つの量子およびハイブリッド分類器を古典的なベースラインと比較してベンチマークを行い、量子優位性は観察されなかったものの、ノイズのあるハードウェア上で動作する5量子ビットのハイブリッドニューラルネットワークが、十分に調整された古典的モデルに匹敵する競争力のある性能（F1スコア55.4–59.8%）を達成したことを明らかにしており、これは大規模なデバイスの登場による将来的な成長の可能性を示唆している。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
毎年、世界の金融システムは、マネーロンダリングや市場操縦によって数千億ドルもの損失を被っています。これを阻止するため、銀行や規制当局は、何百万もの取引をスキャンして不審な活動を検知する自動化されたシステムに頼っています。しかし、現在のシステムは自らの成功によって圧倒されています。生成されたアラートの95パーセント以上が誤報（誤検知）となっているのです。これは、人間のアナリストが、ほぼすべての時間を極めて正常な取引の調査に費やしていることを意味し、その結果、真に危険なスキームがノイズの中に隠れたままになってしまいます。課題は単に悪意のある者を特定することではなく、調査員を偽のリードで溺れさせることなく、それを見つけ出すことです。数十年にわたり、解決策はより優れたルールを構築するか、標準的なコンピュータプログラムを使用してパターンを特定することでしたが、これらの手法は、データの膨大な量や、検知を逃れるために犯罪者が巧妙に適応していく方法に対して苦戦しています。
最近、原子スケールにおける物理学の奇妙な法則を利用して、古典的なコンピュータには不可能な方法で情報を処理する分野である、量子コンピューティングの世界から新しいアプローチが登場しました。研究者たちは長い間、これらの量子マシンが金融監視という特定の問題を解決できるのではないか、つまり、従来のソフトウェアが見逃してしまう口座間の微妙で複雑なつながりを特定できるのではないかと考えてきました。Vanguard、ワシントンSTEM・起業・研究研究所、およびCapgeminiのチームは、このアイデアを検証するために立ち上がりました。彼らは厳格なプライバシー法によって保護されている実際の銀行記録を見るのではなく、非常に現実的な人工データセットを作成しました。この合成データは、「パンプ・アンド・ダンプ（株価吊り上げ）」スキーム、すなわち、一グループのトレーダーが株価を人工的に吊り上げた後に売り抜けて、犠牲者に価値のない株を残すというタイプの市場詐欺の挙動を模倣したものです。このデータセットには1,000の取引口座が含まれており、そのうち20パーセントが詐欺師として、残りが無実の参加者として設定されました。
研究者たちは、4種類の量子およびハイブリッド量子・古典アルゴリズムを、4種類の標準的な古典的コンピュータモデルと対決させました。目標は、テストセットに隠された200の不審な口座を、どのシステムが最もよく特定できるかを確認することでした。古典的モデルには、現在の業界の主力である決定木やニューラルネットワークといった有名なツールが含まれています。量子側の対戦相手はより実験的なものでした。一つは、群衆の中の近傍を見つける手法に似た、量子的な類似性によって測定されるもの、もう一つは、データの量子マップ上に境界線を引く技術であるサポートベクターマシン、三つ目は完全な量子ニューラルネットワーク、そして四つ目は、小さな古典的コンピュータを使用して極小の量子回路を制御するハイブリッドモデルです。
結果は明白かつ驚くべきものでした。最も優れた性能を示したのは量子マシンではなく、古典的なモデル、すなわちXGBoostと呼ばれる決定木アルゴリズムでした。これは、誤報を管理可能なレベルに抑えつつ、不審な口座の61.4パーセントを正しく特定しました。純粋な量子モデルは、この性能には到底及びませんでした。20個の量子ビット（量子情報の基本単位）を使用した量子ニューラルネットワークは、詐欺師のわずか42パーセントしか発見できませんでした。量子サポートベクターマシンの性能はさらに低く、41パーセントを超えることができませんでした。量子k近傍法は、自身の古典的な対抗馬よりも優れた結果を出して43.5パーセントの詐欺師を発見しましたが、それでも最高の古典的ツールには及びませんでした。
しかし、物語は量子コンピューティングの敗北では終わりませんでした。最も有望な結果は、小さな古典的コンピュータと極小の5量子ビット量子回路を組み合わせたハイブリッドモデルからもたらされました。このシステムは、他の量子モデルに必要とされる量子リソースの4分の1を使用しながら、完全なシミュレーションで57.9パーセント、実際の量子ハードウェア上で実行した際には59.8パーセントの性能を達成しました。これにより、最高の古典的モデルのすぐ後ろに位置し、テストされた8つの古典的構成のうち6つを上回りました。実用的な観点では、このハイブリッドモデルは、20件のアラートのうち1件しか本物ではないという現在の業界標準と比較して、約1桁上の精度で、真に不審な口座をフラグ立てすることができました。
この研究は、使用されるアルゴリズムと同じくらい、データの準備方法も重要であることを明らかにしました。研究者たちは、複雑な取引データを簡略化する2つの異なる方法をテストしましたが、選択された方法によって結果は大きく異なりました。ハイブリッドモデルと最高の古典的ツールについては、データを整理する特定の方法が、もう一方の方法よりも著しく優れた結果を示しました。これは、これらのシステムの可能性を解き放つ鍵が、単により強力な量子コンピュータを構築することではなく、適切な情報をいかに供給するかを理解することにあることを示唆しています。
この研究は、量子マシンが最高の古典的コンピュータを凌駕するという「量子優位性」は見出せませんでしたが、今日のノイズの多い量子ハードウェア上で動作する小さなハイブリッドシステムが、すでに最高の伝統的なツールと競合できることを証明しました。研究者たちは、この特定のタスクにとって最も効果的な道筋はハイブリッドアプローチであると結論付けました。小さな量子回路を導くために古典的コンピュータを使用することで、システムは固定された量子マップでは不可能な方法でデータを埋め込むことを学習しました。これは、金融監視の未来には、巨大でエラーのない量子スーパーコンピュータを必要とするのではなく、現在利用可能な不完全なマシン上で効果的に動作できる、古典的ツールと量子の巧妙な組み合わせが必要であることを示唆しています。この研究は、量子手法がもはや理論上の存在ではなく、たとえ現時点では絶対的な王者ではないとしても、現実世界の課題を解決するために、実際にトレーニングされ、テストされ、実機で実行できるものであることを証明しています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。