Hybrid Quantum Algorithms for Trade Surveillance Analytics
Este artigo avalia quatro classificadores quânticos e híbridos em comparação com bases de referência clássicas para vigilância de negociações, constatando que, embora nenhuma vantagem quântica tenha sido observada, uma rede neural híbrida de cinco qubits executada em hardware ruidoso alcançou um desempenho competitivo (55,4–59,8% de F1) comparável a modelos clássicos bem ajustados, sugerindo potencial para crescimento futuro com dispositivos maiores.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Todos os anos, o sistema financeiro global perde centenas de bilhões de dólares para a lavagem de dinheiro e manipulação de mercado. Para deter isso, bancos e reguladores dependem de sistemas automatizados que varrem milhões de transações em busca de atividades suspeitas. No entanto, esses sistemas estão atualmente sobrecarregados pelo seu próprio sucesso; eles sinalizam mais de 95 por cento dos alertas que geram como falsos alarmes. Isso significa que analistas humanos passam quase todo o seu tempo investigando negociações perfeitamente normais, deixando os esquemas verdadeiramente perigosos escondidos no ruído. O desafio não é apenas encontrar os maus atores, mas fazê-lo sem afogar os investigadores em pistas falsas. Durante décadas, a solução tem sido construir regras melhores ou usar programas de computador padrão para detectar padrões, mas esses métodos têm dificuldade com o volume massivo de dados e as formas astutas pelas quais os criminosos se adaptam para evitar a detecção.
Recentemente, uma nova abordagem surgiu do mundo da computação quântica, um campo que utiliza as estranhas leis da física na escala atômica para processar informações de maneiras que os computadores clássicos não conseguem. Pesquisadores há muito se perguntavam se essas máquinas quânticas poderiam resolver o problema específico da vigilância financeira: poderiam elas detectar as conexões sutis e complexas entre contas que o software tradicional ignora? Uma equipe de pesquisadores da Vanguard, do Washington Institute for STEM, Entrepreneurship, and Research, e da Capgemini decidiu testar essa ideia. Eles não utilizaram registros bancários reais, que são protegidos por leis de privacidade rigorosas, mas criaram um conjunto de dados sintéticos altamente realistas. Esses dados sintéticos mimetizavam o comportamento de um esquema de "pump-and-dump", um tipo de fraude de mercado onde um grupo de negociadores infla artificialmente o preço de uma ação antes de vendê-la, deixando as vítimas com ações sem valor. O conjunto de dados incluía 1.000 contas de negociação, com 20 por cento atuando como os fraudadores e o restante como participantes inocentes.
Os pesquisadores colocaram quatro tipos diferentes de algoritmos quânticos e híbridos quântico-clássicos contra quatro modelos de computador clássicos padrão. O objetivo era ver qual sistema conseguiria identificar melhor as 200 contas suspeitas escondidas no conjunto de teste. Os modelos clássicos incluíam ferramentas bem conhecidas, como árvores de decisão e redes neurais, que são as atuais forças de trabalho do setor. Os contendores quânticos eram mais experimentais: um utilizava um método semelhante ao de encontrar os vizinhos mais próximos em uma multidão, mas medido por similaridade quântica; outro utilizava uma máquina de vetores de suporte, uma técnica que traça uma linha para separar grupos, mas construída sobre um mapa quântico dos dados; um terceiro era uma rede neural quântica completa; e o quarto era um modelo híbrido que usava um pequeno computador clássico para controlar um minúsculo circuito quântico.
Os resultados foram claros e surpreendentes. O modelo de melhor desempenho não foi uma máquina quântica, mas sim um modelo clássico: um algoritmo de árvore de decisão chamado XGBoost. Ele identificou corretamente 61,4 por cento das contas suspeitas, mantendo os falsos alarmes em um nível gerenciável. Nenhum dos modelos puramente quânticos chegou perto desse desempenho. A rede neural quântica, que utilizou 20 qubits (as unidades básicas de informação quântica), conseguiu encontrar apenas 42 por cento dos fraudadores. A máquina de vetores de suporte quântica teve um desempenho ainda pior, não conseguindo ultrapassar os 41 por cento. O método de k-vizinhos mais próximos quântico teve um desempenho melhor que o seu correspondente clássico, encontrando 43,5 por cento dos fraudadores, mas ainda ficou atrás das melhores ferramentas clássicas.
No entanto, a história não terminou com uma derrota para a computação quântica. O resultado mais promissor veio do modelo híbrido, que combinou um pequeno computador clássico com um minúsculo circuito quântico de cinco qubits. Este sistema, que utilizou um quarto dos recursos quânticos exigidos pelos outros modelos quânticos, alcançou um desempenho de 57,9 por cento em uma simulação perfeita e de 59,8 por cento quando executado em hardware quântico real. Isso o colocou logo atrás do melhor modelo clássico e à frente de seis das oito configurações clássicas testadas. Em termos práticos, este modelo híbrido foi capaz de sinalizar contas suspeitas genuínas com uma precisão que é aproximadamente uma ordem de magnitude melhor do que o padrão atual da indústria, onde apenas um em cada vinte alertas é real.
O estudo também revelou que a forma como os dados são preparados é tão importante quanto o algoritmo usado para analisá-los. Os pesquisadores testaram duas maneiras diferentes de simplificar os complexos dados de negociação, e os resultados variaram drasticamente dependendo do método escolhido. Para o modelo híbrido e as melhores ferramentas clássicas, um método específico de organizar os dados funcionou significativamente melhor do que o outro. Isso sugere que a chave para desbloquear o potencial desses sistemas reside não apenas na construção de computadores quânticos mais poderosos, mas em entender como alimentá-los com a informação correta.
Embora o estudo não tenha encontrado uma vantagem quântica onde uma máquina quântica superasse o melhor computador clássico, ele demonstrou que um sistema híbrido pequeno, operando no hardware quântico ruidoso de hoje, já consegue competir com as melhores ferramentas tradicionais. Os pesquisadores concluíram que a abordagem híbrida é o caminho mais eficaz para esta tarefa específica. Ao usar um computador clássico para guiar um pequeno circuito quântico, o sistema aprendeu a incorporar os dados de uma forma que um mapa quântico fixo não conseguiria. Isso sugere que o futuro da vigilância financeira pode não exigir supercomputadores quânticos massivos e livres de erros, mas sim combinações inteligentes de ferramentas clássicas e quânticas que possam operar efetivamente nas máquinas imperfeitas disponíveis hoje. O trabalho prova que os métodos quânticos não são mais apenas teóricos; eles podem ser treinados, testados e executados em hardware real para resolver problemas do mundo real, mesmo que ainda não sejam os campeões indiscutíveis.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.