⚛️ kwantumfysica

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

Dit artikel introduceert CircuitHunt, een geautomatiseerd framework dat efficiënt kwantumcircuits uit de KetGPT-dataset screent en optimaliseert om een superieure prestatie bij de detectie van creditcardfraude met 97% nauwkeurigheid te bereiken, waarbij de tijd voor architectuurzoektochten aanzienlijk wordt verminderd terwijl uitdagingen zoals klassenonbalans worden aangepakt.

Oorspronkelijke auteurs: Nouhaila Innan, Akshat Singh, Muhammad Shafique

Gepubliceerd 2026-10-26

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nouhaila Innan, Akshat Singh, Muhammad Shafique

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In de hooggespannen wereld van de financiële sector is de strijd tegen creditcardfraude een constante, stille oorlog. Elke dag stromen miljoenen transacties door banknetwerken, en verborgen in die enorme rivier van data bevinden zich de zeldzame, gevaarlijke druppels diefstal. Decennialang hebben banken vertrouwd op klassieke computerprogramma's om deze anomalieën op te sporen, maar de criminelen worden slimmer en de data wordt te complex voor oude methoden om alleen te verwerken. Dit heeft wetenschappers doen kijken naar een nieuwe grens: quantum machine learning. In tegen tegenstelling tot de computers in onze huizen, die informatie verwerken als eenvoudige aan-of-uit schakelaars, gebruiken quantumcomputers de vreemde wetten van de fysica om informatie in meerdere staten tegelijk vast te houden. Dit stelt hen in staat om vele mogelijkheden tegelijkertijd te verkennen, wat een potentiële kortere route biedt voor het oplossen van problemen die te complex zijn voor traditionele machines. Het bouwen van deze quantumprogramma's is echter berucht moeilijk. Het ontwerpen van een quantumcircuit—de specifieke arrangement van instructies die de quantumcomputer vertelt wat hij moet doen—is momenteel een traag, handmatig proces. Onderzoekers moeten vaak raden welk ontwerp zal werken, vergelijkbaar met het proberen te bouwen van een complexe machine door willekeurig tandwielen aan elkaar te klikken en te hopen dat hij draait.

Een team van onderzoekers van New York University Abu Dhabi en New York University Tandon School of Engineering heeft een nieuwe manier geïntroduceerd om dit ontwerpprobleem op te lossen, een manier die de gok volledig wegneemt. Ze creëerden een systeem genaamd CircuitHunt, een geautomatiseerde tool die op zoek gaat naar het best mogelijke quantumcircuit om fraude te detecteren. In plaats van te vertrouwen op menselijke intuïtie of willekeurige pogingen, die vaak tot mislukkingen leiden, fungeert CircuitHunt als een rigoureuze filter. Het begint met een enorme bibliotheek van meer dan duizend vooraf gemaakte quantumcircuits, gegenereerd door een kunstmatige intelligentie die getraind is op echte quantumprogrammeercode. Het systeem legt elk van deze kandidaten vervolgens langs een reeks strenge tests. Het controleert of het circuit klein genoeg is om op de huidige technologie te draaien, of het de juiste soort aanpasbare onderdelen heeft om van data te leren, en of het daadwerkelijk kan worden uitgevoerd zonder vast te lopen. Dit proces is als een talentenjacht waarbij duizenden kandidaten audities doen, maar de jury de overgrote meerderheid na slechts enkele seconden elimineert, waarbij alleen zij overblijven die werkelijke belofte tonen.

Zodra het systeem de lijst heeft teruggebracht tot een handvol levensvatbare kandidaten, zet het hen aan het werk aan een echte uitdaging: het identificeren van frauduleuze creditcardtransacties. De data die voor deze taak wordt gebruikt, is berucht moeilijk omdat fraude zeldzaam is; in een typische dataset is minder dan één procent van de transacties daadwerkelijk vals. Deze onbalans maakt het voor een computer gemakkelijk om standaard te voorspellen dat er "geen fraude" is, wat meestal accuraat zou zijn maar nutteloos voor het vangen van dieven. Om dit aan te pakken, trainden de onderzoekers hun geautomatiseerde systeem om te zoeken naar een specifiek soort succes: een score die de balans vindt tussen het vermogen om fraudeurs te vangen zonder onschuldige mensen onterecht te beschuldigen. Het systeem traint elke kandidaatat circuit snel gedurende een korte periode en controleert deze balansscore. Als een circuit slecht presteert, wordt het onmiddellijk weggegooid. Als het belofte toont, wordt het behouden voor verdere tests. Dit screeningsproces, dat menselijke experts dagen of weken handmatig zouden hebben moeten beheren, werd door het systeem in enkele uren voltooid.

Het resultaat van deze geautomatiseerde zoektocht was een enkel quantumcircuit dat uit de rest naar voren kwam. Toen de onderzoekers dit winnende circuit een volledige trainingssessie gaven, bereikte het een opmerkelijk niveau van nauwkeurigheid. In tests identificeerde het fraude en niet-fraudegevallen met een succespercentage van 97 procent, een prestatie die verschillende andere geavanceerde quantummodellen overtrof die zorgvuldig door experts waren ontworpen. De studie onthulde ook iets belangrijks over hoe deze quantumsystemen leren. De onderzoekers ontdekten dat het winnende circuit een specifieke architecturale functie bevat—een directe link die ervoor zorgt dat informatie soepel van het begin van het proces naar het einde stroomt. Toen ze deze link verwijderden om te zien wat er zou gebeuren, stortte de prestatie van het systeem in, met een daling naar een veel lagere nauwkeurigheid. Dit bewees dat het geautomatiseerde ontdekkingsproces niet alleen een werkend circuit vond, maar de juiste structuur vond om de quantumcomputer effectief te maken.

De betekenis van dit werk gaat verder dan alleen het vangen van creditcarddieven. Het demonstreert dat we kunnen bewegen van het trage, handmatige ontwerp van quantumalgoritmen naar een toekomst waarin machines zichzelf ontwerpen voor specifieke taken. Door het zoeken naar de beste quantumstructuren te automatiseren, hebben de onderzoekers aangetoond dat het mogelijk is om snel zeer effectieve oplossingen te vinden, zelfs voor moeilijke taken waarbij data schaars en ongebalanceerd is. Hoewel de huidige tests op een simulator werden uitgevoerd in plaats van op een fysieke quantummachine, bieden de resultaten een duidelijk stappenplan voor hoe deze systemen in de echte wereld kunnen worden ingezet. De studie suggereert dat de toekomst van quantumcomputing in de financiële sector en beveiliging niet zal afhangen van een handvol briljante menselijke ontwerpers, maar van geautomatiseerde systemen die onvermoeibaar duizenden mogelijkheden kunnen screenen om de ene te vinden die het beste werkt.

Technische Samenvatting: CircuitHunt – Geautomatiseerde Quantum Circuit Screening voor Detectie van Creditcardfraude

1. Probleemstelling

Het artikel behandelt de kritieke uitdaging van het ontwerpen van effectieve Quantum Machine Learning (QML) modellen voor realistische taken, specifiek de detectie van creditcardfraude. Dit domein presenteert twee primaire moeilijkheden:

Extreme klassenimbalans: Fraudeuze transacties vormen doorgaans minder dan 1% van de totale activiteit, wat ervoor zorgt dat standaard supervised learning-pipelines lijden onder bias en onderprestatie.
Architecturale knelpunten in QML: In tegen tegenstelling tot klassieke neurale netwerken, die profiteren van gevestigde architecturen en schaalbare Neural Architecture Search (NAS), is het landschap van Parameterized Quantum Circuits (PQCs) gefragmenteerd. Bestaande benaderingen vertrouwen op ofwel:
- Handmatig ontwerp: Het handmatig ontwerpen van circuits op basis van beperkte domeinkennis, wat leidt tot een gebrek aan structurele diversiteit.
- Willekeurige initialisatie: Het genereren van willekeurige circuits zonder rekening te houden met leerbaarheid of taakgeschiktheid, wat resulteert in hoge faalpercentages en inefficiënt resourcegebruik.

De auteurs stellen dat huidig QML-onderzoek een gebrek heeft aan een geautomatiseerd, taakgestuurd framework om hoogpresterende quantumcircuits efficiënt te screenen en te selecteren uit grote, gestructureerde datasets onder praktische hardwarebeperkingen.

2. Methodologie: Het CircuitHunt Framework

De auteurs stellen CircuitHunt voor, een volledig geautomatiseerd framework voor quantum circuit screening, ontworpen om hoogpresterende modellen te ontdekken uit de KetGPT-dataset (een collectie van 1.000 structureel geldige quantumcircuits gegenereerd door transformer-modellen). De pipeline werkt in drie hoofdfases:

A. Data Preprocessing

Omgaan met imbalans: De creditcardfraude-dataset wordt verwerkt met behulp van SMOTE (Synthetic Minority Over-sampling Technique) om de inputdistributie te balanceren.
Normalisatie: Kenmerken worden geschaald met Min-Max normalisatie naar een begrensd interval om compatibiliteit met quantumverwerking te garanderen.
Splitsing: De data wordt verdeeld in trainings-, validatie- en testsets met behulp van gestratificeerde steekproefname om de klassenverhoudingen te behouden.

B. Quantum Circuit Filtering

Het framework filtert de initiële set KetGPT-circuits ( $C$ ) om een levensvatbare subset ( $C'$ ) te creëren op basis van strikte hardware- en leerrestricties:

Qubit Budget: Circuits moeten tussen de 3 en 10 qubits hebben ( $3 \le n \le 10$ ) om aan te sluiten bij de huidige simulatie- en hardwarecapaciteiten.
Trainbare Gates: Circuits moeten ten minste één trainbare gate bevatten (bijv. $RY(\theta)$ , $RZ(\theta)$ , $U2(\phi, \lambda)$ ).
Parameter Budget: Het totaal aantal trainbare parameters mag niet meer dan 30 zijn ( $P \le 30$ ).
Executie Validatie: Kandidaten worden gesimuleerd met parameters geïnitialiseerd op nul; alleen degenen die eindige verwachtingswaarden binnen de grenzen opleveren, worden behouden.

C. Kandidaat Evaluatie & Selectie

Elk gefilterd circuit wordt ingebed in een gestandaardiseerde Hybride Quantum Neurale Netwerk (HQNN) architectuur:

Pre-Quantum Klassiek Netwerk: Een feedforward netwerk brengt inputkenmerken in kaart naar een latente ruimte die overeenkomt met de qubit-breedte van het circuit.
Quantum Module: Inputs worden gecodeerd via geparametriseerde rotatie-gates, verwerkt door het kandidaat KetGPT-circuit, gevolgd door verstrengelingsoperaties (bijv. CNOT-ketens).
Leerbare Skip Connection: Een residuele verbinding ( $z_{res} = z_{quantum} + \alpha \cdot z_{classical}$ ) wordt geïntroduceerd om de gradiëntstroom te behouden en expressiviteit te verbeteren.
Post-Quantum Netwerk: Een laatste MLP geeft logits uit voor binaire classificatie.

Selectieproces:

Elk kandidaatcircuit wordt voor een korte duur getraind (5 epochs) met de Adam-optimizer en Binary Cross-Entropy loss.
De Macro-F1 Score wordt gebruikt als de primaire selectiemetriek om een gebalanceerde prestatie over zowel de meerderheidsklasse (niet-fraude) als de minderheidsklasse (fraude) te waarborgen.
Het circuit dat de hoogste validatie Macro-F1 score behaalt, wordt geselecteerd, vanaf nul opnieuw getraind voor 20 epochs en geëvalueerd op de testset.

3. Belangrijkste Bijdragen

Het artikel schetst vier primaire bijdragen:

Constraint-Aware Circuit Filtering: Een pipeline die circuits uitsluit die de qubit-aantallen, parameterlimieten of executiestabiliteit schenden, waardoor alleen levensvatbare kandidaten verder gaan.
Macro-F1 Score Gebaseerde Selectie: Een evaluatiestrategie die prioriteit geeft aan gebalanceerde klassenprestaties boven ruwe nauwkeurigheid, wat cruciaal is voor imbalante fraude detectie.
Modulair End-to-End Pipeline: Een reproduceerbare workflow die preprocessing, quantum module selectie (met leerbare skip connections) en post-processing integreert.
Ablatie en Prestatieanalyse: Empirisch bewijs dat het geselecteerde circuit handmatig ontworpen modellen overtreft en dat de residuele skip connection essentieel is voor modelconvergentie en generalisatie.

4. Experimentele Resultaten

Experimenten werden uitgevoerd op een MacBook Air (M3 chip) met de PennyLane simulator. Het geselecteerde circuit (Index #221 uit KetGPT) maakte gebruik van 6 qubits en 9 trainbare parameters.

Prestatie Metrieken: Het door CircuitHunt geselecteerde model behaalde:
- 97% Test Nauwkeurigheid
- 97% Precisie, Recall en F1-score voor zowel de fraude- als de niet-fraude klassen.
- ROC-AUC van 0.9946, wat wijst op bijna perfect onderscheidend vermogen.
Vergelijking: Het model presteerde beter dan verschillende state-of-the-art handmatig ontworpen QML-architecturen (EstimatorQNN, QGNN, SQNN, QFDNN), die trade-offs vertoonden tussen precisie en recall (bijv. SQNN had 100% precisie maar slechts 68% recall).
Ablatie Studie: Het verwijderen van de residuele skip connection resulteerde in een significante prestatiedaling:
- De nauwkeurigheid daalde naar ~70%.
- De Macro-F1 score zakte onder 0.70.
- De ROC-AUC nam af naar 0.7706.
- Dit bevestigt dat de skip connection essentieel is voor de gradiëntstroom en het omgaan met klassenimbalans.

5. Betekenis en Claims

Het artikel beweert dat CircuitHunt een schaalbaar en taakgestuurd instrument biedt voor de implementatie van QML in kritieke financiële toepassingen. De betekenis ligt in:

Automatisering: Het vermindert de tijd voor architectuurzoekopdrachten van dagen/weken (handmatige afstemming) naar uren door de ontdekking van hoogpresterende circuits te automatiseren.
Robuustheid: Door budgetbewuste pruning te combineren met empirische validatie, vermindert het de hoge faalpercentages die geassocieerd worden met willekeurige of handmatige circuitselectie.
Practicaliteit: Het demonstreert dat geautomatiseerde ontdekking modellen kan opleveren die niet alleen structureel geldig zijn, maar ook empirisch superieur zijn aan door experts ontworpen tegenhangers in real-world, imbalante scenario's.

De auteurs hanteren een bescheiden houding en erkennen beperkingen zoals de computationele kosten van de filteringsfase en het feit dat de huidige evaluaties gebaseerd zijn op gesimuleerde omgevingen in plaats van op ruisige, real-world quantum hardware. Zij concluderen dat hoewel de aanpak een sterk potentieel vertoont, verder onderzoek nodig is met betrekking tot de overdraagbaarheid naar andere domeinen en de schaalbaarheid naar grotere datasets.