⚛️ 量子物理

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

本文介绍了 CircuitHunt，这是一个能够高效筛选并优化来自 KetGPT 数据集的量子电路的自动化框架，旨在实现 97% 的准确率以获得卓越的信用卡欺诈检测性能，同时在解决类别不平衡等挑战的同时显著减少架构搜索时间。

原作者： Nouhaila Innan, Akshat Singh, Muhammad Shafique

发布于 2026-10-26

📖 1 分钟阅读🧠 深度阅读

原作者： Nouhaila Innan, Akshat Singh, Muhammad Shafique

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在金融界的高风险世界中，对抗信用卡欺诈是一场持续不断的、无声的战争。每天都有数百万笔交易流经银行网络，而在那浩如烟海的数据河流中，隐藏着极少数且危险的盗窃之滴。几十年来，银行一直依赖经典的计算机程序来识别这些异常情况，但犯罪分子正变得越来越聪明，数据也变得过于复杂，以至于传统方法难以独自应对。这促使科学家们转向一个新的前沿领域：量子机器学习。与我们家中的计算机（处理信息时仅作为简单的“开”或“关”开关）不同，量子计算机利用奇特的物理定律，使信息能够同时处于多种状态。这使得它们能够同时探索许多种可能性，为解决那些对传统机器而言过于纠缠的问题提供了一条潜在的捷径。然而，构建这些量子程序是出了名的困难。设计一个量子电路——即告诉量子计算机该做什么的具体指令排列——目前是一个缓慢且依赖人工的过程。研究人员通常必须猜测哪种设计会奏效，就像试图通过随机拼接齿轮并寄希望于它能转动一样，去建造一台复杂的机器。

纽约大学阿布扎比分校和纽约大学坦登工程学院的研究团队推出了一种解决这一设计问题的新方法，这种方法完全消除了猜测。他们创建了一个名为 CircuitHunt 的系统，这是一个自动化的工具，旨在搜寻用于检测欺诈的最佳量子电路。CircuitHunt 并不依赖于人类的直觉或随机试验（后者往往会导致失败），而是充当了一个严格的过滤器。它从一个拥有超过一千个预制量子电路的庞大库中开始，这些电路是由经过真实量子编程代码训练的人工智能生成的。随后，该系统会对每一个候选电路进行一系列严格测试：它会检查电路是否足够小以便在当前技术上运行，是否具有学习数据的正确类型的可调节部分，以及是否能够实际执行而不崩溃。这个过程就像一场选秀比赛，成千上万的选手参加试镜，但评委在短短几秒钟内就会淘汰掉绝大多数人，只留下那些展现出真正潜力的选手。

一旦系统将名单缩减到少数几个可行的候选者，它就会让它们投入到一项现实世界的挑战中：识别欺诈性的信用卡交易。用于此项任务的数据极其难以处理，因为欺诈行为非常罕见；在典型的数据集中，实际为伪造交易的比例不足百分之一。这种不平衡性使得计算机很容易默认预测为“无欺诈”，虽然这种预测在大多数情况下是准确的，但对于抓捕窃贼来说却毫无用处。为了应对这一问题，研究人员训练他们的自动化系统去寻找一种特定类型的成功：一种能够平衡“捕捉欺诈者”与“不误判无辜者”之间的得分。系统会快速地对每个候选电路进行短时间的训练，并检查这个平衡得分。如果一个电路表现不佳，它会被立即丢弃；如果显示出潜力，则会被保留以进行进一步测试。这种筛选过程如果由人类专家手动管理，可能需要数天或数周的时间，而该系统在短短几小时内便完成了。

这次自动化搜寻的结果是一个脱颖而出的量子电路。当研究人员给这个获胜的电路进行一次完整的训练时，它达到了惊人的准确度水平。在测试中，它正确识别欺诈和非欺诈案例的成功率达到了 97%，这一表现超越了由专家精心设计的其他几种先进量子模型。这项研究还揭示了关于这些量子系统如何学习的重要信息。研究人员发现，获胜的电路包含了一个特定的架构特征——一个允许信息从流程开始到结束平滑流动的直接链路。当他们移除这个链路以观察会发生什么时，系统的性能崩溃了，准确度大幅下降。这证明了自动发现过程不仅找到了一个可行的电路，更找到了让量子计算机发挥效能的正确结构。

这项工作的意义不仅限于抓捕信用卡窃贼。它表明我们可以从缓慢、人工的设计量子算法模式，转向一个机器为特定任务进行自我设计的未来。通过自动化搜索最佳量子结构，研究人员已经证明，即使是在数据稀缺且不平衡的困难任务中，我们也能够快速找到高效的解决方案。虽然目前的测试是在模拟器而非物理量子机器上进行的，但其结果为这些系统如何在现实世界中部署提供了清晰的路线图。研究表明，金融和安全领域的量子计算未来将不取决于少数天才设计师，而取决于能够不知疲倦地筛选数千种可能性以找到最优解的自动化系统。

技术摘要：CircuitHunt —— 用于信用卡欺诈检测的自动化量子电路筛选

1. 问题陈述

本文探讨了为现实世界任务（特别是信用卡欺诈检测）设计有效量子机器学习（QML）模型所面临的关键挑战。该领域存在两个主要难点：

极端的类别不平衡： 欺诈交易通常占总活动的比例不足 1%，这导致标准的监督学习流水线会出现偏差且性能不佳。
QML 中的架构瓶颈： 与受益于成熟架构和可扩展神经架构搜索（NAS）的经典神经网络不同，参数化量子电路（PQC）的格局是碎片化的。现有方法要么依赖于：
- 人工设计： 基于有限的领域知识手工构建电路，导致结构多样性不足。
- 随机初始化： 在不考虑可训练性或任务适用性的情况下生成随机电路，导致高失败率和资源利用效率低下。

作者认为，当前的 QML 研究缺乏一个自动化的、任务驱动的框架，以便在实际硬件约束下，从结构化的海量数据集中高效地筛选和选择高性能的量子电路。

2. 方法论：CircuitHunt 框架

作者提出了 CircuitHunt，这是一个全自动化的量子电路筛选框架，旨在从 KetGPT 数据集（由 Transformer 模型生成的 1,000 个具有结构有效性的量子电路集合）中发现高性能模型。该流水线分为三个主要阶段运行：

A. 数据预处理

不平衡处理： 使用 SMOTE（合成少数类过采样技术）对信用卡欺诈数据集进行处理，以重新平衡输入分布。
归一化： 特征通过 Min-Max 归一化缩放到一个有界区间内，以确保与量子处理的兼容性。
拆分： 使用分层采样将数据划分为训练集、验证集和测试集，以保持类别比例。

B. 量子电路过滤

该框架根据严格的硬件和学习约束，对初始的 KetGPT 电路集 ( $C$ ) 进行过滤，以创建可行的子集 ( $C'$ )：

量子比特预算： 电路必须包含 3 到 10 个量子比特（ $3 \le n \le 10$ ），以符合当前的模拟和硬件能力。
可训练门： 电路必须至少包含一个可训练门（例如 $RY(\theta)$ 、 $RZ(\theta)$ 、 $U2(\phi, \lambda)$ ）。
参数预算： 可训练参数的总数不得超过 30 个（ $P \le 30$ ）。
执行验证： 对候选电路使用零初始化参数进行模拟；只有产生有限期望值且在界限内的电路才会被保留。

C. 候选评估与选择

每个过滤后的电路都被嵌入到一个**标准化的混合量子神经网络（HQNN）**架构中：

前量子经典网络： 一个前馈网络将输入特征映射到与电路量子比特宽度相匹配的潜空间。
量子模块： 输入通过参数化旋转门进行编码，经过候选 KetGPT 电路处理，随后进行纠缠操作（例如 CNOT 链）。
可学习跳跃连接： 引入残差连接（ $z_{res} = z_{quantum} + \alpha \cdot z_{classical}$ ）以保持梯度流并增强表达能力。
后量子网络： 最后的 MLP 输出用于二分类的逻辑值（logits）。

选择过程：

每个候选电路使用 Adam 优化器和二元交叉熵损失进行短时间训练（5 个 epoch）。
使用 Macro-F1 分数 作为主要的选择指标，以确保在多数类（非欺诈）和少数类（欺诈）之间实现平衡的表现。
选择获得最高验证集 Macro-F1 分数的电路，从头开始重新训练 20 个 epoch，并在测试集上进行评估。

3. 核心贡献

论文概述了四个主要贡献：

约束感知型电路过滤： 一个能够排除违反量子比特数量、参数限制或执行稳定性的电路的流水线，确保只有可行的候选对象进入后续环节。
基于 Macro-F1 分数的选择： 一种优先考虑平衡类别表现而非原始准确率的评估策略，这对于不平衡的欺诈检测至关重要。
模块化端到端流水线： 一个集成了预处理、量子模块选择（带有可学习跳跃连接）和后处理的可复现工作流。
消融实验与性能分析： 通过实证证据表明，所选电路优于人工设计的电路，并且残差跳跃连接对于模型的收敛性和泛化能力至关重要。

4. 实验结果

实验在配备 M3 芯片的 MacBook Air 上使用 Pennylee 模拟器进行。所选电路（来自 KetGPT 的索引 #221）使用了 6 个量子比特和 9 个可训练参数。

性能指标： CircuitHunt 选出的模型实现了：
- 97% 的测试准确率
- 欺诈类和非欺诈类均为 97% 的精确率（Precision）、召回率（Recall）和 F1 分数。
- ROC-AUC 为 0.9946，表明具有近乎完美的判别能力。
对比： 该模型优于几种最先进的手工设计 QML 架构（EstimatorQNN, QGNN, SQNN, QFDNN），这些架构在精确率和召回率之间存在权衡（例如，SQNN 拥有 100% 的精确率，但召回率仅为 68%）。
消融研究： 移除残差跳跃连接会导致性能显著下降：
- 准确率降至约 70%。
- Macro-F1 分数降至 0.70 以下。
- ROC-AUC 下降至 0.7706。
- 这证实了跳跃连接对于梯度流和处理类别不平衡是必不可少的。

5. 重要性与主张

论文声称 CircuitHunt 提供了一个可扩展且任务驱动的工具，用于在关键金融应用中部署 QML。其重要性在于：

自动化： 它通过自动化发现高性能电路，将架构搜索时间从几天/几周（手动调优）缩短至几小时。
鲁棒性： 通过结合预算感知型剪枝和实证验证，它减轻了与随机或人工电路选择相关的高失败率。
实用性： 它证明了自动化发现可以产生不仅在结构上有效，而且在现实世界的、不平衡场景下比专家设计模型更优越的模型。

作者保持了谦逊的态度，承认了一些局限性，例如过滤阶段的计算成本，以及目前的评估是基于模拟环境而非嘈杂的真实量子硬件。他们总结道，虽然该方法展示了强大的潜力，但仍需对其他领域的迁移能力以及更大规模数据集的扩展性进行进一步研究。