Resumo Técnico: CircuitHunt – Triagem Automatizada de Circuitos Quânticos para Detecção de Fraude em Cartões de Crédito

1. Declaração do Problema

O artigo aborda o desafio crítico de projetar modelos de Aprendizado de Máquina Quântica (QML) eficazes para tarefas do mundo real, especificamente a detecção de fraude em cartões de crédito. Este domínio apresenta duas dificuldades primordiais:

• Desbalanceamento Extremo de Classes: Transações fraudulentas tipicamente constituem menos de 1% da atividade total, fazendo com que pipelines padrão de aprendizado supervisionado sofram de viés e baixo desempenho.
• Gargalos Arquiteturais em QML: Ao contrário das redes neurais clássicas, que se beneficiam de arquiteturas estabelecidas e Busca de Arquitetura Neural (NAS) escalável, o cenário dos Circuitos Quânticos Parametrizados (PQCs) é fragmentado. As abordagens existentes dependem de:
  • Design Manual: Construção manual de circuitos baseada em conhecimento limitado do domínio, levando a uma falta de diversidade estrutural.
  • Inicialização Aleatória: Geração de circuitos aleatórios sem considerar a treinabilidade ou a adequação à tarefa, resultando em altas taxas de falha e uso ineficiente de recursos.

Os autores argumentam que a pesquisa atual em QML carece de um framework automatizado e orientado à tarefa para triar e selecionar eficientemente circuitos quânticos de alto desempenho a partir de grandes conjuntos de dados estruturados sob restrições de hardware práticas.

2. Metodologia: O Framework CircuitHunt

Os autores propõem o CircuitHunt, um framework de triagem de circuitos quânticos totalmente automatizado, projetado para descobrir modelos de alto desempenho a partir do dataset KetGPT (uma coleção de 1.000 circuitos quânticos estruturalmente válidos gerados por modelos transformer). O pipeline opera em três estágios principais:

A. Pré-processamento de Dados

• Tratamento de Desbalanceamento: O conjunto de dados de fraude de cartão de crédito é processado usando SMOTE (Synthetic Minority Over-sampling Technique) para reequilibrar a distribuição de entrada.
• Normalização: As características são escalonadas usando normalização Min-Max para um intervalo delimitado, garantindo compatibilidade com o processamento quântico.
• Divisão: Os dados são particionados em conjuntos de treinamento, validação e teste usando amostragem estratificada para preservar as proporções das classes.

B. Filtragem de Circuitos Quânticos

O framework filtra o conjunto inicial de circuitos KetGPT ($C$) para criar um subconjunto viável ($C'$) baseado em rigorosas restrições de hardware e aprendizado:

1. Orçamento de Qubits: Os circuitos devem ter entre 3 e 10 qubits ($3 \le n \le 10$) para alinhar-se com as capacidades atuais de simulação e hardware.
2. Portas Treináveis: Os circuitos devem conter pelo menos uma porta treinável (ex: $RY(\theta)$, $RZ(\theta)$, $U2(\phi, \lambda)$).
3. Orçamento de Parâmetros: O número total de parâmetros treináveis não deve exceder 30 ($P \le 30$).
4. Validação de Execução: Os candidatos são simulados com parâmetros inicializados em zero; apenas aqueles que produzem valores de expectativa finitos dentro dos limites são retidos.

C. Avaliação e Seleção de Candidatos

Cada circuito filtrado é incorporado em uma arquitetura de Rede Neural Híbrida Quântica (HQNN) padronizada:

• Rede Clássica Pré-Quântica: Uma rede feedforward mapeia as características de entrada para um espaço latente que corresponde à largura de qubits do circuito.
• Módulo Quântico: As entradas são codificadas via portas de rotação parametrizadas, processadas pelo circuito KetGPT candidato, seguidas por operações de emaranhamento (ex: cadeias CNOT).
• Conexão de Salto (Skip Connection) Aprendível: Uma conexão residual ($z_{res} = z_{quantum} + \alpha \cdot z_{classical}$) é introduzida para preservar o fluxo de gradiente e aumentar a expressividade.
• Rede Pós-Quântica: Um MLP final gera os logits para classificação binária.

Processo de Seleção:

• Cada candidato é treinado por uma curta duração (5 épocas) usando o otimizador Adam e perda de Entropia Cruzada Binária (Binary Cross-Entropy).
• O Score Macro-F1 é usado como a métrica primária de seleção para garantir um desempenho equilibrado entre ambas as classes (majoritária - não fraude, e minoritária - fraude).
• O circuito que atinge o maior Macro-F1 de validação é selecionado, re-treinado do zero por 20 épocas e avaliado no conjunto de teste.

3. Principais Contribuições

O artigo descreve quatro contribuições primárias:

1. Filtragem de Circuitos Consciente de Restrições: Um pipeline que exclui circuitos que violam contagens de qubits, limites de parâmetros ou estabilidade de execução, garantindo que apenas candidatos viáveis prossigam.
2. Seleção Baseada em Macro-F1 Score: Uma estratégia de avaliação que prioriza o desempenho equilibrado das classes sobre a acurácia bruta, o que é crítico para a detecção de fraude desbalanceada.
3. Pipeline Modular de Ponta a Ponta: Um fluxo de trabalho reproduzível integrando pré-processamento, seleção de módulo quântico (com conexões de salto aprendíveis) e pós-processamento.
4. Análise de Ablação e Desempenho: Evidência empírica demonstrando que o circuito selecionado supera designs manuais e que a conexão de salto residual é vital para a convergência e generalização do modelo.

4. Resultados Experimentais

Os experimentos foram conduzidos em um MacBook Air (chip M3) usando o simulador PennyLane. O circuito selecionado (Índice #221 do KetGPT) utilizou 6 qubits e 9 parâmetros treináveis.

• Métricas de Desempenho: O modelo selecionado pelo CircuitHunt alcançou:
  • 97% de Acurácia de Teste
  • 97% de Precisão, Recall e F1-Score para ambas as classes (fraude e não fraude).
  • ROC-AUC de 0.9946, indicando um poder discriminativo quase perfeito.
• Comparação: O modelo superou diversas arquiteturas de QML projetadas manualmente (EstimatorQNN, QGNN, SQNN, QFDNN), que apresentaram trocas (trade-offs) entre precisão e recall (ex: o SQNN teve 100% de precisão, mas apenas 68% de recall).
• Estudo de Ablação: A remoção da conexão de salto residual resultou em uma queda significativa de desempenho:
  • A acurácia caiu para ~70%.
  • O Macro-F1 score caiu abaixo de 0.70.
  • O ROC-AUC diminuiu para 0.7706.
  • Isso confirma que a conexão de salto é essencial para o fluxo de gradiente e para lidar com o desbalanceamento de classes.

5. Significância e Alegações

O artigo afirma que o CircuitHunt fornece uma ferramenta escalável e orientada à tarefa para o deployment de QML em aplicações financeiras críticas. Sua significância reside em:

• Automação: Reduz o tempo de busca de arquitetura de dias/semanas (ajuste manual) para horas, automatizando a descoberta de circuitos de alto desempenho.
• Robustez: Ao combinar a poda consciente de orçamento com validação empírica, mitiga as altas taxas de falha associadas à seleção de circuitos aleatória ou manual.
• Praticidade: Demonstra que a descoberta automatizada pode gerar modelos que não são apenas estruturalmente válidos, mas empiricamente superiores aos seus equivalentes projetados por especialistas em cenários reais e desbalanceados.

Os autores mantêm uma postura modesta, reconhecendo limitações como o custo computacional da etapa de filtragem e o fato de que as avaliações atuais são baseadas em ambientes simulados, em vez de hardware quântico ruidoso do mundo real. Eles concluem que, embora a abordagem mostre forte potencial, investigações adicionais são necessárias quanto à transferibilidade para outros domínios e escalabilidade para conjuntos de dados maiores.