Hybrid Quantum Algorithms for Trade Surveillance Analytics
이 논문은 무역 감시를 위해 네 가지 양자 및 하이브리드 분류기를 고전적 베이스라인과 벤치마킹하였으며, 양자 우위는 관찰되지 않았으나 노이즈가 있는 하드웨어에서 실행되는 5큐비트 하이브리드 신경망이 잘 조정된 고전 모델과 대등한 경쟁력 있는 성능(F1 점수 55.4–59.8%)을 달着했다는 점을 발견하였고, 이는 더 큰 장치와 함께 향후 성장 가능성이 있음을 시사한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
매년 글로벌 금융 시스템은 자금 세탁과 시장 조작으로 인해 수천억 달러의 손실을 입고 있습니다. 이를 막기 위해 은행과 규제 기관은 자동화된 시스템을 활용하여 수백만 건의 거래를 스캔합니다. 그러나 현재 이 시스템들은 스스로의 성공에 압도되어 있습니다. 즉, 생성된 경보의 95% 이상이 허위 경보로 판명되고 있습니다. 이는 인간 분석가들이 거의 모든 시간을 지극히 정상적인 거래를 조사하는 데 소비하게 만들며, 정작 위험한 범죄 수법들은 소음 속에 숨겨지게 만든다는 것을 의미합니다. 과제는 단순히 나쁜 행위자를 찾아내는 것뿐만 아니라, 조사관들을 허위 정보의 바다에 빠뜨리지 않으면서 그들을 찾아내는 것입니다. 수십 년 동안 해결책은 더 나은 규칙을 만들거나 표준 컴퓨터 프로그램을 사용하여 패턴을 포착하는 것이었지만, 이러한 방식은 데이터의 엄청난 양과 탐지를 피하기 위해 교묘하게 진화하는 범죄자들의 방식에 대응하는 데 어려움을 겪고 있습니다.
최근, 원자 규모의 물리 법칙을 사용하여 기존 컴퓨터가 할 수 없는 방식으로 정보를 처리하는 분야인 양자 컴퓨팅의 세계에서 새로운 접근 방식이 등장했습니다. 연구자들은 오랫동안 이 양자 기계가 금융 감시라는 특정 문제를 해결할 수 있을지, 즉 전통적인 소프트웨어가 놓치는 계좌 간의 미묘하고 복합적인 연결 고리를 포착할 수 있을지 궁금해해 왔습니다. Vanguard, Washington Institute for STEM, Entrepreneurship, and Research, 그리고 Capgemini의 연구팀은 이 아이디어를 테스트하기 위해 나섰습니다. 그들은 엄격한 개인정보 보호법에 의해 보호되는 실제 은행 기록을 보는 대신, 매우 현실적인 인공 데이터셋을 생성했습니다. 이 합성 데이터는 한 그룹의 트레이더들이 주가를 인위적으로 부풀린 후 주식을 매도하여 피해자들에게 가치 없는 주식을 남기는 유형의 시장 사기인 '펌프 앤 덤프(pump-and-dump)' 수법의 행동을 모방했습니다. 이 데이터셋에는 1,000개의 거래 계좌가 포함되었으며, 그중 20%는 사기꾼 역할을, 나머지는 무고한 참여자 역할을 수행했습니다.
연구진은 네 가지 유형의 양자 및 하이브리드 양자-고전 알고리즘을 네 가지 표준 고전 컴퓨터 모델과 대결시켰습니다. 목표는 테스트 세트에 숨겨진 200개의 의심스러운 계좌를 가장 잘 식별하는 시스템이 무엇인지 확인하는 것이었습니다. 고전 모델에는 현재 업계의 핵심 도구인 의사 결정 나무(decision trees)와 신경망(neural networks) 같은 잘 알려진 도구들이 포함되었습니다. 양자 경쟁자들은 더 실험적이었습니다. 하나는 군중 속에서 가장 가까운 이웃을 찾는 방식과 유사하지만 양자 유사도로 측정하는 방식을 사용했고, 다른 하나는 데이터를 구분하는 선을 긋는 기술인 서포트 벡터 머신(support vector machine)을 사용하되 양자 데이터 맵 위에 구축되었으며, 세 번째는 완전한 양자 신경망이었고, 네 번째는 작은 고전 컴퓨터를 사용하여 아주 작은 양자 회로를 제어하는 하이브리드 모델이었습니다.
결과는 명확하고 놀라웠습니다. 최고의 성능을 보인 모델은 양자 기계가 아니라, XGBoost라고 불리는 고전적인 의사 결정 나무 알고리즘이었습니다. 이 모델은 허위 경보를 관리 가능한 수준으로 유지하면서 의심스러운 계좌의 61.4%를 정확하게 식별했습니다. 순수 양자 모델 중 어느 것도 이 성능에 근접하지 못했습니다. 20개의 큐비트(양자 정보의 기본 단위)를 사용한 양자 신경망은 사기꾼의 42%만을 찾아냈습니다. 양자 서포트 벡터 머신의 성과는 훨씬 더 저조하여 41%를 넘지 못했습니다. 양자 k-최근접 이웃(k-nearest neighbors) 방식은 고전적 대응 모델보다는 나은 성과를 보였으나, 여전히 최고의 고전적 도구들에는 뒤처졌습니다.
그러나 이야기는 양자 컴퓨팅의 패배로 끝나지 않았습니다. 가장 유망한 결과는 작은 고전 컴퓨터와 아주 작은 5-큐비트 양자 회로를 결합한 하이브리드 모델에서 나왔습니다. 다른 양자 모델에 필요한 양자 자원의 4분의 1만을 사용한 이 시스템은 완벽한 시뮬레이션에서 57.9%의 성능을 달성했으며, 실제 양자 하드웨어에서 실행했을 때는 59.8%를 달성했습니다. 이는 최고의 고전 모델 바로 뒤를 이었으며, 테스트된 8개의 고전적 구성 중 6개보다 앞선 성적이었습니다. 실질적인 관점에서, 이 하이브리드 모델은 단 20건 중 1건만이 실제 경보인 현재의 업계 표준보다 약 10배(an order of magnitude) 더 나은 정밀도로 실제 의심 계좌를 포착할 수 있었습니다.
이 연구는 데이터를 분석하는 알고리즘만큼이나 데이터를 준비하는 방식 또한 중요하다는 것을 보여주었습니다. 연구진은 복잡한 거래 데이터를 단순화하는 두 가지 서로 다른 방법을 테스트했으며, 선택한 방법에 따라 결과가 크게 달랐습니다. 하이브리드 모델과 최고의 고전적 도구들의 경우, 데이터를 조직하는 특정 방법이 다른 방법보다 훨씬 더 효과적이었습니다. 이는 이러한 시스템의 잠재력을 여는 열쇠가 단순히 더 강력한 양자 컴퓨터를 구축하는 것뿐만 아니라, 그들에게 올바른 정보를 제공하는 방법을 이해하는 데 있음을 시사합니다.
이 연구가 양자 기계가 최고의 고전 컴퓨터를 능가하는 '양자 우위'를 발견하지는 못했지만, 오늘날의 노이즈가 있는 양자 하드웨어에서 실행되는 작은 하이브리드 시스템이 이미 최고의 전통적 도구들과 경쟁할 수 있음을 입증했습니다. 연구진은 이 특정 과제에 있어 하이브리드 접근 방식이 가장 효과적인 경로라고 결론지었습니다. 작은 양자 회로를 안내하기 위해 고전 컴퓨터를 사용함으로써, 이 시스템은 고정된 양자 맵이 할 수 없는 방식으로 데이터를 임베딩(embed)하는 법을 배웠습니다. 이는 금융 감시의 미래가 거대하고 오류가 없는 양자 슈퍼컴퓨터가 아니라, 현재 사용 가능한 불완전한 기계에서도 효과적으로 작동할 수 있는 고전적 도구와 양자 도구의 영리한 조합을 필요로 할 수도 있음을 시사합니다. 이 작업은 양자 방식이 더 이상 이론적인 것에 머물러 있지 않으며, 비록 아직 독보적인 챔피언은 아닐지라도 실제 하드웨어에서 훈련되고 테스트되며 실제 세상의 문제를 해결할 수 있음을 증명합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.