量子人工智能实验室(量子 人工智能)

 

本文介绍了量子人工智能（QAI）及其对金融犯罪领域的重大影响，因为它可能比最出名的经典机器学习算法更快地解决某些问题。QAI专注于开发量子算法，以增强人工智能（AI）中的计算任务，包括机器学习子域。叠加、干扰、纠缠和隧穿等量子现象使量子计算（QC）能够执行比金融犯罪领域使用的经典AI算法更有效的计算。

人工智能和量子计算必然会共同发展，以挑战经典的计算范式。本文重点介绍QAI的基本原则，及其在基于金融犯罪服务的AI系统中的各种应用。利用量子计算机的强大功能带来商业优势是一个需要时间的旅程;试图采取"观望"策略的用户可能会发现自己落后于竞争对手多年。随着量子计算机的实现和未来十年的预计增长，预计早期采用者将实现突破，从而实现新的商业模式。因此，组织现在就采取行动，开始了解量子计算的可能用例并开始制定计划是有利的。

什么是量子人工智能

量子人工智能（QAI）整合了来自多学科领域的知识和方法，使用专注于量子计算的方法综合来促进人工智能及其子领域内的复杂计算任务，如机器学习。

量子计算（QC）和人工智能（AI）是变革性技术，因为人工智能可能需要量子计算才能取得重大进展。虽然量子计算对人工智能技术的影响非常明显，但没有多少人会考虑相反的关系。量子计算和人工智能之间的双边亲和力认为，通过将量子霸权论点应用于人工智能，量子计算的起源将使今天不可能的人工神经网络新范式的基础成为可能。另一方面，人工智能的最新发展也影响了量子技术的发展。

量子计算可以为人工智能提供计算提升，使其能够解决人工通用智能AGI（计算机科学的一个分支，涉及构建能够执行类似人类的智能机器）中更复杂的问题。

量子计算和人工智能都是非常活跃的领域，在过去几年中，新发展的速度非常快，交互的可能性很大。由于力学现象，量子算法和人工智能可能无可辩驳地构成了更深层次的联系。新兴的QAI领域使用量子启发算法来解决与AI相关的计算任务。这种组合可能是高度协同的，因为人工智能的进步对计算资源的要求越来越高。本课程的增长远远超过了计算能力可用性的持续增长。

然而，完全规模的量子技术还有很长的路要走，但一些金融机构已经预见到了潜在的价值。金融犯罪服务需要能够评估一系列可能的结果。为此，银行使用机器学习算法来计算统计概率。在数据丰富的现实中，功能越来越强大的计算机对于精确估计概率、风险、相关性和因果关系至关重要。量子技术正在接近主流，在这方面，几家银行正在转向新一代处理器，这些处理器利用量子物理学的原理以超快的速度处理大量数据。

该领域的领导者谷歌在2019年表示，其Sycamore量子处理器花了三分多钟来执行一项将占据超级计算机数千年的任务。Google AI将量子计算描述为"一种新的范式，它将在加速AI的任务中发挥重要作用。我们希望为研究人员和开发人员提供开源框架和计算能力，这些框架和计算能力可以超越经典功能。谷歌拥有开源框架，明确设计用于开发新颖的量子算法，以帮助解决实际问题的近期应用。一个工具是Cirq，另一个是OpenFermion。

高盛（Goldman Sachs）最近宣布，他们可以在五年内引入量子算法来为金融工具定价。霍尼韦尔是一家在航空航天和建筑技术领域运营的跨国企业集团公司，预测量子计算将在未来几十年内形成一个价值1万亿美元的产业。摩根大通还试验了霍尼韦尔的量子计算机，以简化涉及斐波那契数的数学运算。与此同时，摩根大通（JPMorgan）和花旗集团（Citigroup）已经启动了量子计算计划，甚至购买了计算初创公司的股份。

2019年底，富国银行加入了IBM Q计划，这是一个由公司，初创公司，学术机构和研究实验室组成的社区，致力于探索实际应用。欧洲银行也在探索量子计算机会。BBVA已经建立了合作伙伴关系，以探索投资组合优化和更高效的蒙特卡罗建模。同样在西班牙，Caixa银行正在运行量子和传统计算的试验混合框架，目的是更好地对信用风险状况进行分类。

2019年底，美国银行（Bank of America）的一位策略师表示，量子计算将"在2020年代与智能手机在2010年代一样具有革命性"。然而，从业务线的角度来看，最有前途的用例可能是那些需要高度复杂、复合和/或极快模型的用例。

这些举措是有道理的，因为它们允许金融机构在模拟器或云上测试量子算法，而无需购买全尺寸量子计算机。这似乎是一个明智的策略，只要量子计算机在实际应用中保持亚临界状态，并且没有扩展量子能力的主导设计。

快速准确地计算欺诈易的最佳风险评分的能力建立了显着的竞争优势。对历史行为模式的准确估计应该导致决策系统内更好的优化。从广义上讲，通过深入了解实体之间关系的规模、高维度、稀疏性、复杂性以及风险的重要性，可以改善一系列公司融资活动中的欺诈和洗钱解决方案。付款和汇款也可以通过更好的加密来保护。

量子计算应用可能会通过吸引初始投资者和用户，为金融犯罪领域的非凸优化和约束模型带来许多进步。量子计算可以提供特定的好处，例如使用行为数据增强客户参与度，提高合规性以及对市场波动的更快响应。

量子计算机解决方案空间甚至比超级计算机系统还要大几个数量级。传统计算机能力的两倍，大约需要两倍的晶体管数量。在量子计算机中，每当添加量子位时，计算能力就会翻倍。量子计算可能需要几年时间才能实现广泛的商业应用。然而，许多专家预测，这将导致某些产品和服务在不同业务领域的突破，特别是在打击金融犯罪解决方案方面。金融机构可以使用量子计算来重组其高级分析解决方案，以防止欺诈。

量子计算的基本原则

量子计算过程专注于创建基于系统和技术的量子力学现象，如叠加、纠缠、干扰和隧穿，允许执行比金融犯罪服务中使用的经典AI算法更有效的计算。

量子比特。量子计算使用量子比特（qubits），它比经典计算机使用的传统比特更先进。根据量子力学定律的本质，量子比特在亚原子水平上的操作方式与比特不同。在量子纠缠下，科学家可以将多个量子位推入相同的状态，即使这些量子位彼此不接触。量子位代表四种状态（00，01，10，11）。由于叠加现象，量子比特可以同时表示所有四种状态。两个量子位的叠加随着更多的量子位相互纠缠而呈指数级增长。因此，一个两量子位结构包含四个可能的值，一个二十个量子位结构包含一个以上的值。

量子门。量子逻辑门（或量子门）是在少量量子位上运行的基本量子电路。它们是量子电路的构建块，就像传统数字电路的经典逻辑门一样。经典门在经典位上运行，而量子门在量子量子位上运行。与许多经典逻辑门不同，量子逻辑门是可逆的。这意味着量子门可以利用量子力学的两个主要方面，这两个方面对于经典门来说是完全遥不可及的：叠加和纠缠。存在无数的量子逻辑门。其中一些是由不同的作者命名的。最常见的量子门在一个或两个量子位的向量空间上运行，就像经典逻辑门在一个或两个位上运行一样。这些值决定了在测量量子比特状态时测量 0 或 1 的概率。

量子纠缠。量子纠缠是一种已知的现象，其中两个粒子的性质交织在一起，尽管彼此相距很远。这也许是它们中最奇怪的量子属性。这是量子比特之间的一种量子联姻。纠缠是一件非常有用的事情。测量一个量子位的值，并确定第二个纠缠量子位的值。然而，量子比特越多，它们趋向于退相干的速度就越快（见下文）。NIST（美国国家标准与技术研究院）声称这就是为什么仍然没有量子计算机可以执行有益的任务。在做任何有价值的事情之前，系统可能会崩溃。

重合。叠加是一种量子系统特征，其中粒子或电子同时存在于几个单独的量子态中。电子只有在被测量时才能在特定状态下被观察到。也就是说，它退出叠加并采用一种或另一种位置。

在量子叠加中，量子粒子确实同时存在于两种不同的状态。通过每一次观察行为，波函数坍缩成一个单一的经典状态——两个叠加状态合而为一，正如薛定谔的猫实验中提到的那样。

干扰。量子干涉允许量子系统偏向于期望状态。这个想法是创造一种干扰模式，其中导致错误答案的路径破坏性地干扰并抵消，但通向正确答案的路径相互加强。

直觉的经典类比是降噪。噪声消除是通过利用叠加和干扰原理来执行的，通过产生大致相同的频率和振幅来降低不需要的噪声的振幅。

退相干。退相干会破坏叠加态，这是一个严重的问题。因此，研究人员必须保护量子比特并隔离它们。当量子叠加（同时处于0和1状态的原子）被一些外部扰动坍缩时，就会发生退相干。它可以是测量原子的研究人员。退相干和热状态是QC中的主要误差。

所以，量子退相干是所有这些现象，这些现象都会损害我们看到一只活死的猫。这些现象是噪声，干扰或相互作用，这些现象来自这样一个事实，即这个单一的原子并不孤单。猫移动，空气变化，分子相互撞击;任何事件都可能影响单个原子的完整性，从而触发其解体，即选择 - 无论是死的还是活的。

隧道。量子隧穿是一种量子现象，其中原子或亚原子粒子可以通过潜在的势垒传播并出现在它的另一侧 - 粒子不可能穿透的东西。通过障碍物的传输可能是有限的，并且呈指数级取决于障碍物高度和障碍物宽度。量子隧穿使一些量子计算机不仅有可能更快地完成任务，而且有可能完成经典计算机在经典物理学范围内根本无法完成的任务。

代表量子力学粒子的波函数必须平滑变化，从原子核内（到势垒的左侧）到原子核外（在势垒的右侧）。在势垒内部，波函数不会突然变为零;相反，它呈指数级下降。在势垒之外，波函数很小但有限，在那里它平滑地变成正弦。由于在势垒外找到粒子的可能性很小，粒子可以通过栅栏隧道。

由于电子的波性质，隧穿是可能的。量子力学将波的性质分配给每个粒子，因此波通过障碍物传播的概率总是有限的，就像声音穿过墙壁一样。

量子霸权。量子霸权意味着量子计算机可以实现经典计算机无法实现的目标。在量子革命的前沿，IBM、微软和谷歌等公司正在制造计算机，旨在做经典计算机无法做到或只能在数千年内完成的事情。然而，"量子霸权"的概念是基于在一台机器中组装足够数量的量子位。

谁刚刚实现了量子霸权？——中国量子计算系统，名为九张，在200秒内完成了他们估计世界上最强大的超级计算机之一需要20亿年才能解决的问题。

时间复杂度。量子计算机可以比经典计算机更有效地解决的问题称为有界误差量子多项式时间（BQP） - 量子计算机可以在多项式时间内解决的一类决策问题，在所有情况下，错误概率最多为1/3。BQP问题的一个著名例子是分解。

不幸的是，我们的大多数问题都是NP完全或NP硬的。这些词是一种说法，即我们不知道如何解决它们，我们没有计算资源来解决它们。防止金融欺诈所需的复杂模式识别可能属于NP-hard类别。量子计算机可以有效解决的问题。

量子计算会导致BQP空间之外的问题，而BQP与NP和PSPACE的确切关系尚不清楚，并且需要近似，假设和简化才能将任何问题转换为其他较小顺序的问题。使用这些，我们可以将任何问题转换为其他较小顺序的问题。无论如何，这是以牺牲准确性为代价的。量子计算机允许近似更少，假设更少，简化更少。因此，量子计算机可以提高准确性。欺诈模式识别问题将受益于这种方法。

最近，谷歌宣布了TensorFlowQuantum（TFQ）：一个用于量子机器学习的开源库，与滑铁卢大学，X和大众汽车合作。TFQ的目的是提供必要的工具来控制和建模自然或人造量子系统。TFQ是一套结合了量子建模和机器学习技术的工具的例子。

1. 将量子数据转换为量子数据集：量子数据可以表示为多维数字数组，称为量子张量。TensorFlow处理这些张量，以便表示创建一个数据集以供进一步使用。

2、选择量子神经网络模型：根据对量子数据结构的了解，选择量子神经网络模型。其目的是执行量子处理，以提取隐藏在纠缠状态中的信息。

3.样本或平均值：量子态的测量从经典分布中提取样本形式的经典信息。这些值是从量子态本身获得的。TFQ 提供了在涉及步骤 （1） 和 （2） 的多个运行中求平均值的方法。

4. 评估经典神经网络模型 — 由于量子数据现在已转换为经典数据，因此深度学习技术用于学习数据之间的相关性。

量子计算的局限性

在这一点上，了解量子计算机的发展程度也是必不可少的。我们正在经历第二次量子革命，我们越来越能够比以前更大程度地控制单个量子系统。这就是推动量子计算发展的原因。

然而，随着第二次量子革命的进行，量子计算面临着巨大的挑战。目前的量子计算机都不符合DiVincenzo的所有标准。

系统的大小决定了可扩展性，解决问题的难度呈指数级增长，而基准面是巨大的，或者问题的本质非常复杂。研究证明，量子计算是解决各种问题的强大解决方案。然而，由于对纯物理学的依赖，它有局限性和挑战。然而，其他技术推动了量子计算机的硬件和软件开发，可以在其上创建和运行复杂的算法。

其一，硬件限制。困扰研究人员的常见挑战是隔离。量子退相干可能由于约束而由热和光引起，例如条件量子位可以失去其量子特性，如纠缠，这进一步导致存储在这些量子位中的数据丢失。此外，量子计算机逻辑门中的旋转容易出错，它们对于改变量子比特的状态也至关重要。错误的旋转可能会导致输出错误。具有更大电路长度和纠错（每个量子位都有冗余）的计算机的要求对于量子机器学习领域也至关重要。

其二，软件限制。量子计算机算法的开发人员必须关注它们的物理特性。虽然可以按照图灵机的路线开发经典算法，为量子计算机开发算法，但开发人员必须将其基于物理学，没有简单的公式将其与逻辑联系起来。这种设计中的关键问题始终是可伸缩性。设计一个程序，以处理具有更高处理能力的更大数据。用于开发量子计算的此类算法的信息很少。因此，大多数开发都是直观的。大多数已知的量子算法都存在特定模拟的条件，这些条件限制了它们的实际适用性，并且很难开发可能对机器学习产生重大影响的模型。

量子计算的另一个限制是量子圈上可以拥有的量子比特数量是有限的。虽然这些限制通常适用于量子计算，但机器学习等领域的增强可以吸引更多的注意力，并以适当的梯度和幅度刺激主题。

即使在那些日子里，专家们仍在试图让量子计算机工作得足够好，但这项任务仍然具有挑战性，主要是因为量子态是脆弱的。退相干是一个关键的限制，其中叠加崩溃，计算机丢失信息。由于系统中最轻微的噪声而导致的退相干。量子计算机是非常复杂和昂贵的机器。与任何新兴技术一样，限制清单不断增加。随着政府和全球最大公司的数十亿美元投资，量子计算能力的竞争正在突飞猛进。

虽然量子计算是一种不成熟的技术，但量子计算的改进增加了量子AI的潜力。然而，量子AI行业需要关键的里程碑才能成为更成熟的技术。这些关键步骤将使量子AI能够进一步发展。

根据洛斯阿拉莫斯国家实验室最近的研究，量子机器学习不能成为量子混沌和热化（通过物理体之间的相互相互作用达到热平衡的过程）等研究过程的一部分。它对通过量子计算与之相关的任何新过程的学习施加了很大的限制。一项研究是基于海登-普雷斯基尔思想实验。一个思想实验，通过假设从霍金辐射中解码黑洞中抛出的信息需要多长时间来研究黑洞信息悖论。

量子人工智能在金融犯罪中的应用

互联网小常识：网络运行环境包括机房和电源两部分。网络系统包括网络传输基础设施和网络设备。

金融犯罪是风险管理中增长最快的领域之一。新技术和监管合规处于这个不断发展的行业的前沿，随着金融机构寻求可靠和值得信赖的欺诈、反洗钱和金融市场合规解决方案，在过去几年中引发了巨大的增长。金融服务公司利用人工智能和机器学习的进步力量，通过拥有动态和复杂的金融犯罪解决方案，使自己与竞争对手区分开来。

能够利用量子计算的金融机构可能会看到显著的好处。公司将能够以集中和分散的方式分析大型结构化和非结构化高维数据集。对金融犯罪领域的更深入的洞察可以帮助银行做出更好、更快的决策，并通过利用量子计算的力量显著缩短价值实现时间。

金融犯罪部门开始预测量子计算可能创造的巨大变革可能性，并为量子计算机的潜在用例做好准备。许多金融机构和银行正在投资量子解决方案，以改善其金融运营。投资量子计算集成的公司正在获得优势，为量子解决方案建立财务建模问题的专业知识。同样，金融机构在招聘已经稀缺的量子人才方面也获得了优势。

摩根大通（JPMorgan Chase & Co.）研究部门的负责人Marco Pistoia希望量子计算机可以通过加快资产定价、挖掘表现更好的投资组合和改进现有的ML算法来提高利润。西班牙银行BBVA于今年7月发表的一项研究发现，量子计算机可以提高信用评分，发现套利机会，并加速蒙特卡洛模拟（《经济学人》，2020年）。就连高盛（Goldman Sachs）量子研究主管威廉·曾（William Zeng）也大胆地宣称，量子计算机可以"彻底改变"银行和金融业（《经济学人》，2020年）。

银行业的一些人认为，量子计算与其说是事实，不如说是科幻小说，计算能力并不是商业模式的关键差异化因素。当然，为客户提供服务不仅仅是计算速度和敏捷性。尽管如此，量子计算在解决复杂或棘手的问题方面似乎越来越成为游戏规则的改变者，特别是在优化领域。量子解决方案进入主流只是时间问题，这意味着快速掌握并获得竞争优势的窗口不会持续很长时间。

全球各地的金融机构都在应对金融犯罪方面的系统性威胁。从欺诈和洗钱到了解您的客户（KYC）和内幕交易，这些违法行为不仅会对组织产生重大影响，还会对个人和经济产生重大影响。它们可以助长犯罪企业和活动，包括人口贩运、恐怖主义和毒品交易。

老练的犯罪集团继续利用新技术和瞬息万变的条件，实施日益复杂和大规模的非法计划，从隐藏非法资金到各种形式的第一方和第三方欺诈。最终结果是，金融机构面临的犯罪威胁比以往任何时候都要多，来自其组织内外。作为其强制性合规和欺诈预防计划的一部分，金融机构将拥有各种系统和技术。但是，由于欺诈和金融犯罪模式复杂且千变万化，如果没有基于AI系统的高级分析解决方案，这些工具就无法快速有效地阻止这些事件。

大型数据集的复杂性和规模的增长速度快于计算资源，因此扩展了计算能力。虽然今天的计算机正在努力解决一些问题，但量子计算很可能在几秒钟内解决同样的问题。然而，据预测，人工智能和机器学习尤其可以从量子计算技术的进步中受益，并将继续这样做，甚至在完整的量子计算解决方案可用之前。量子计算算法使我们能够增强机器学习领域已经实现的功能。

在量子计算中，用户可以物理控制电磁场强度、激光脉冲频率等参数，以解决问题。因此，量子机器学习算法可以像人工神经网络一样被训练。量子计算机的主要优点是它们可以产生经典系统认为在生产中存在困难的模式。因此，可以合理地假设量子计算机在机器学习任务上的表现可能优于经典计算机。它导致了一个称为量子机器学习的新领域。

数据处理。量子计算可能促进革命的方式之一是它能够执行数据采样和数据处理，以进行探索性数据分析任务，解决多种类型的问题，例如检测，预防和调查欺诈，洗钱和合规性违规行为，并全面了解整个组织的风险。

大数据的各向异性膨胀需要不同的计算架构方法来处理大量生成的数据。它不仅在范围上更大，而且试图解决的问题的类别也非常不同。量子计算机能够更好地有效地解决与数据流处理和分析相关的顺序问题。

量子计算机将允许通过拓扑结构从巨大的集中式和分散式数据源进行快速分析，数据摄取和集成，并推动机器学习开发工作流程中的ETL流程。量子计算可以快速处理大型数据集，并向基于人工智能的技术提供数据，以更精细的级别对其进行分析，从而识别复杂的不可重复模式和异常。

由于量子技术可以增强机器学习算法（量子增强机器学习），量子计算机在该领域最常见的应用是指机器学习中的描述性和诊断性分析，用于无法通过经典计算执行的数据处理。

采样和分布参数化。采样是一种基本技术，用于近似由于时间、成本和硬件容量等各种限制而无法直接或有效计算的答案。采样技术旨在选择、操作和分析数据集的代表性子集，以识别正在检查的大型数据集中的模式和趋势。通常，概率分布是隐式定义的。可以很容易地计算出任何给定点的概率。但是分布没有已知的结构。不可能在比经典步骤更少的步骤中根据任意概率分布精确采样。

最近在理论和实践上成功地证明了量子计算能力超越了经典的可处理性，这表明量子计算机可以从概率分布中采样，而这些概率分布是使用传统计算机难以采样的指数级分布。如果这些分布与现实世界的分布一致，这将表明潜在的显着优势。最近在量子神经网络方面的工作显示出这一优势。它试图通过一组可调整的参数和量子核方法对分布进行参数化。这些方法使用量子计算机来定义一个特征图，该特征图将经典数据映射到量子希尔伯特空间（具有其完全或闭合性质的无限维内积空间）。这些方法能够超越经典模型的理由通常遵循与量子模拟结果类似的路线。这意味着在从传统计算角度来看非常困难的情况下执行复杂的采样过程将毫不费力。

数据集成。由于异构数据集的集成，量子计算将带来巨大的突破。虽然一开始如果没有人为干预，这可能很困难，但人类的参与将帮助计算机学习如何在未来整合数据。因此，如果存在附加了具有唯一架构的不同原始数据源，并且研究团队想要比较它们，则计算机必须在数据比较之前了解架构之间的关系。为了实现这一目标，需要在分析自然语言语义方面取得突破。这是人工智能面临的最大挑战之一。然而，人类在环提供了数据管理，然后为未来训练系统。量子计算机有望快速分析和集成巨大的数据集，从而改善和改变机器学习和人工智能能力。

优化。优化问题是机器学习模型、基于决策系统的人工智能或任何其他基于金融犯罪解决方案的高级分析的核心。优化的目的是在一组优先标准和约束下实现最佳解决方案。典型的优化解决方案如下：包括采样、模拟、成本函数最小化、拟合机器学习算法、训练模型、正则化、HPO 等等。

量子计算机具有独特的功能，可以更有效地解决这些复杂类型的优化问题：使用叠加的量子特性来表示所有可能的解决方案，而干扰的量子特性可以识别低成本，高价值的解决方案。这些问题的经典方法往往呈指数级增长，达到计算时间或性能欠佳。量子优化算法，如量子近似优化算法（QAOA），有望找到改进次优解决方案的答案，而不会产生指数级计算时间的成本。它可能包括在训练环境中查找更好的最优值，执行非凸优化，转义或解析鞍点（其中函数在一个方向上具有局部最大值，但在另一个方向上具有局部最小值），或者使用较少的查询找到最优值。

D-Wave（一家加拿大量子计算公司）正在广泛使用量子退火来解决优化和采样问题。最近，他们推出了一个开源插件，允许开发人员轻松地将IBM Qiskit格式的二次优化输入映射到D-Wave的二次无约束二进制优化（QUBO）格式，并在Qiskit支持的任何量子系统上求解相同的输入。这使用户能够对其应用的量子退火的好处进行现实的评估。

量子退火器是一种通用量子计算机版本，专门用于查找超局部最小值，并且比经典计算机更接近全局最小值。量子退火器的工作原理是将一系列磁铁连接到网格上。磁铁相互影响，并通过反转成协调的方向，通过最大限度地减少其使用量来节省系统的能量。在传统系统中，磁铁被限制在低能量设置中，然后才能找到较低的最小值。然而，获得诸如隧穿之类的量子属性，它们可以省略那些大的能量成本设置，这些设置允许函数更容易地从局部最小值下降到全局最小值或接近全局最小值的局部最小值。

当涉及到成本函数时，这可能意味着梯度下降函数卡在次优设置与最佳或接近最佳设置之间的差异，特别是在复杂的非凸误差表面上，鞍点可能是基础。

这种方法为复杂的机器学习优化问题提供了可靠的解决方案，以防出现软要求。这意味着需要巨大的传统计算能力的情况。通过利用量子隧穿，可以快速收敛以最小化优化应用中的误差函数，例如金融犯罪领域的欺诈损失分析。

蒙特卡尔模拟。蒙特卡罗方法是一种数学技术，用于估计不确定事件的可能结果。蒙特卡罗模拟执行随机抽样以估计难以确定计算的数值量。它使用与概率函数不同的一组随机值重复计算结果。蒙特卡罗模拟用于模拟由于随机变量的干预而无法轻易预测的过程中不同结果的概率。

它是一种用于了解金融犯罪解决方案中预测和预测模型中风险和不确定性影响的技术。但是，要获得具有较小相关误差的最有效结果，所需的模拟次数是巨大的。这些计算通常需要长达 24 小时。

因此，在蒙特卡罗方法中获得量子加速可能非常有益。它可以使用量子幅度放大估计算法（幅度放大）来实现，该算法可以比经典方法快得多地对概率分布进行二次采样。量子幅度估计算法采用最大似然估计（MLE），基于具有不同幅度放大操作的量子电路产生的测量数据。

金融衍生品的风险分析和定价是可以使用这种方法解决的一些问题。确定办公桌完整投资组合的风险通常需要隔夜计算价格。通过量子计算，通宵计算可以减少到更短的时间尺度（如分钟）。它使机构能够更快地对不断变化的市场条件做出反应，并从价值实现时间的机会中获利。

IBM已经发表了一篇论文，展示了蒙特卡罗模拟的二次加速版本。剑桥量子计算（CQC）最近在使用量子振幅估计的量子蒙特卡罗积分方面取得了突破。自2017年以来，摩根大通（JPMorgan Chase）和巴克莱（Barclays）一直在使用IBM的量子计算软件来测试蒙特卡罗模拟，以进行投资组合优化。与蒙特卡罗方法相比，高盛能够将衍生品定价速度提高一千倍，以获得一百万条潜在路径。BMO金融集团和丰业银行与Xanadu合作，对各种交易产品的量子蒙特卡洛算法进行基准测试。

训练模型。构建和训练机器学习模型带来了巨大的挑战。需要大量的计算资源来训练健壮和广义的模型。简单的数据集可以仅使用 CPU 进行训练，并且只需要几分钟。另一方面，更复杂的深度学习模型需要2到32个GPU，你需要几天的时间来训练，特别是在处理典型的金融犯罪数据集时，这些数据集是高维的，稀疏的，并且由于少数欺诈交易而极度不平衡。

开发用于经典学习模型量子泛化的量子算法可以在深度学习训练过程中提供可行的加速和其他改进。量子计算可用于机器学习模型的快速训练和创建优化的算法。量子计算对经典机器学习的贡献可以通过快速呈现人工神经网络权重的最优解集来实现。量子计算提供的优化和稳定的AI可以在短时间内完成多年的分析，并导致技术进步。

模式识别。预计量子计算将非常大规模地搜索未排序的数据集，以非常快速地识别模式或异常。量子计算机有可能同时访问数据库中的所有项目，以便在几秒钟内识别出这些相似性。虽然这在今天理论上是可能的，但它只发生在并行计算按顺序查看每条记录的情况下，因此需要花费令人难以置信的时间，并且根据数据集的大小，这些类型的任务可能永远无法完成。

强化学习。量子计算架构的创建充满了传统离散计算技术难以解决的挑战，并且更适合AI模型。其中一个问题被称为量子控制优化，它专注于量子控制的设计，将每个量子算法转换为一组模拟控制信号，这些信号准确地引导量子计算机围绕希尔伯特空间（配备内积操作的矢量空间，允许定义长度和角度）。这些控件的精确选择最终决定了每个量子操作的保真度和速度。到目前为止，量子计算一直缺乏一个通用的控制框架，该框架有助于在系统约束下对主要实验性非理想性的优化，这些约束限制了量子架构的创建。

在一篇题为"通过深度强化学习的通用量子控制"的论文中，谷歌提出了一种新的深度强化学习框架，该框架可以同时针对泄漏和随机控制错误优化量子计算的速度和可信度。通过将控制噪声添加到训练环境中，提高控制鲁棒性，以便强化学习代理通过可信区域策略优化进行训练。与基线随机梯度下降解决方案相比，代理控制解决方案的平均门误差降低了 2 个数量级，并且与最佳门合成对应物相比，栅极时间减少了 1 个数量级。

云

量子云计算是一种量子计算机，可以通过网络在云环境中访问。基于云的量子计算提供对仿真器、模拟器和量子处理器的直接访问。在云中使用量子服务的最大优势之一是它允许通过Web访问量子物理驱动的计算机。2016年，IBM将一台小型量子计算机连接到云端，并允许在云上构建和执行简单的程序。2017年初，Rigetti Computing的研究人员展示了使用pyQuil Python库的第一个可编程云访问。量子编排平台提供了一个统一的框架，用于控制量子处理器和运行繁重的经典处理。先进的流处理框架和内置的AI引擎允许从第一天起运行和优化混合量子经典算法。

云中的量子计算有可能以类似于其他新兴技术（如人工智能和机器学习）的方式颠覆行业。今天的云服务旨在为行业做好准备，迎接量子计算机即将开始发挥作用的那一天。量子计算甚至可以补充云提供商目前提供的通用计算和AI服务。在这种情况下，云将与协同处理环境中的经典计算云资源集成。事实上，量子计算和人工智能共生有很大的潜力，利用云的弹性特性和量子计算强大的、特定于问题的解决方案能力。可以想象的前景是感知到两者和谐地合作，以解决具有挑战性和复杂的问题。两者都有优势，量子计算可以作为解决方案的一部分发挥作用。随着时间的推移，这两种计算格式将继续发展，但是在传统GPU和ASIC上加速工作负载的能力，同时也利用量子计算的强大功能，是更快，更强大的结果的秘诀，这是市场应该渴望看到的，因为量子计算变得更加广泛。

基于云的量子计算最突出的应用之一是利用分散式AI的元素，如联合和分布式机器学习范式。以模型为中心和以数据为中心的方法都可以通过在云上整合集体智能，以离线或在线学习的方式训练中型数据集批次时获得更高的速度和稳健性。

量子神经网络

量子神经网络是变分量子算法的一个子类，包括包含参数化量子门操作的量子电路。信息首先通过特征图编码为量子态，该特征图适应了量子模型的增强性能，并且通常既不优化也不训练。一旦数据被编码为量子态，就会应用包含参数化量子门的变分模型，并针对特定任务进行优化。这是通过损失函数最小化实现的，其中量子模型的输出可以从经典的后处理函数中提取。

量子神经网络（QNN）是一种新兴的深度学习范式，它促进了可以在量子计算架构上运行的人工神经网络的创建。在一篇论文"近期处理器上的量子神经网络分类"中，谷歌提出了一个量子神经网络模型，专注于表示标记数据的分类任务。所提出的架构不同于经典的深度神经网络。量子神经网络架构不是隐藏层，而是由量子比特上的量子门构建的。谷歌在著名的MNIST数据集中训练了他们的量子神经网络，结果非常令人印象深刻。

训练人工神经网络是一项众所周知的棘手任务，然而，量子神经网络表现出弹性，并且由于其有利的优化景观，通过均匀分布的Fisher信息（我们可以从样本中获得多少关于未知参数的信息）频谱来捕获，因此比经典的人工神经网络模型训练得更快。

基于量子神经网络的金融犯罪解决方案可能会受益于强大的通用模型，该模型可以捕获大量数据中令人困惑的欺诈模式，并且可以在几分钟内有效地进行训练。通过采用变分量子算法，量子神经网络架构通过整合分布式深度神经网络，推动实现基于云上数据联盟的欺诈解决方案。

可解释的人工智能

模型治理、风险和合规性对于金融机构确保运营的可靠性和实现业务成果至关重要。金融机构和企业面临的压力越来越大，要求它们建立适当的风险管理框架来检测、预防和调查金融犯罪。因此，金融犯罪解决方案应满足监管要求，并提供可解释、透明和值得信赖的分析解决方案。

量子逻辑门的一个独特特征是它们是可逆的，这意味着与经典逻辑门不同，它们带有撤消按钮。实际上，这意味着当量子位恢复到像经典位一样的行为时，它们永远不会丢失直到测量点的信息。它在机器学习模型的可解释性和可解释性方面非常有用。确定算法对欺诈易的预测的特征重要性及容易访问。

NICE Actimize使用创新技术来保护机构并保护消费者和投资者的资产，可识别金融犯罪，防止欺诈并提供监管合规。它提供实时的跨渠道欺诈预防、反洗钱检测和交易监控解决方案，以解决支付欺诈、网络犯罪、制裁监控、市场滥用、客户尽职调查和内幕交易等问题。基于人工智能的系统和高级分析解决方案可以更早、更快地发现异常行为，消除从盗窃到欺诈、从监管处罚到制裁的财务损失。因此，组织可以减少损失，提高调查人员的效率，并改善法规遵从性和监督。

互联网小常识：浏览器与服务器之间传送信息的协议是HTTP协议，用于传输网页等内容，使用TCP协议，默认端口号为80。

NICE Actimize看到了量子人工智能的直接应用，其中量子计算可以利用速度和特异性来帮助克服人工智能和机器学习中非常复杂的问题。事实上，量子计算的快速胜利最有可能在人工智能的子领域，例如机器学习已经改进了传统的分类和回归解决方案，将预测分析应用于预测和预测。

NICE Actimize认为，在未来几年内，量子计算可能会增强这些活动。可以肯定的是，这将是一条漫长的道路，大多数银行正在迈出第一步。但是，银行在开始旅程时现在需要考虑三项行动：与亚马逊，D-Wave，IBM，Google，Microsoft，Rigetti和Xanadu等QAI开发人员建立研究合作伙伴关系。这些公司拥有帮助组织发展其能力的硬件和专业知识。

创建一个专注于量子计算的小团队。在基于人工智能和高级分析的金融犯罪解决方案中，这些合作伙伴关系不是单行道，量子提供商也热衷于向金融行业参与者学习他们的算法和要求。确保为协作做出贡献。

探索潜在的投资或合资企业。考虑到构建量子系统的挑战者，合资企业可能会很普遍。与量子技术融合的经典解决方案可能会形成云产品，并合并用于数据分析和模拟的复杂优化。它可以在整个供应商平台中获得，该平台可以顺利完成采用过程并协助运行初始POC。

可以想象，早期采用者具有优越性。无论如何，在所有情况下，实际的第一步是用量子语言重写内部算法，这将为实质性资金奠定基础。

总结

量子计算的到来可能会改变游戏规则。金融机构才刚刚开始获得必要的硬件，并开发他们需要的量子算法。尽管如此，越来越多的举措表明，Rubicon即将到来。对于尚未参与的银行，特别是那些依靠计算能力和基于人工智能的系统来产生竞争优势的银行，现在是采取行动的时候了。

在未来几十年中，量子计算将在技术、科学和商业进步中发挥至关重要的作用。随着谷歌声称量子霸权和对这个问题的指数兴趣，我们离看到量子计算解决的经典计算机难以解决的许多棘手问题不远了。此外，有明确的迹象表明，机器学习和量子计算将在加强彼此的领域方面发挥互补作用。

银行业的一些人认为，量子计算与其说是事实，不如说是科幻小说，计算能力并不是商业模式的关键差异化因素。当然，为客户提供服务不仅仅是计算速度和敏捷性。尽管如此，量子计算在解决复杂或棘手的问题方面似乎越来越成为游戏规则的改变者，特别是在优化领域。量子解决方案进入主流只是时间问题，这意味着快速掌握并获得竞争优势的窗口不会持续很长时间。

互联网小常识：VLAN通常用VLAN ID和VLAN name表示。VLAN ID为12位0-1005为标准范围，1025-4096为扩展范围，其中1-1000为以太网VLAN ID.1002-1005为FDDI和Toke Ring的VLAN ID.VLAN name为32个字符表示，可以是字母和数字。缺省为VLAN00xxx 。

免责声明：本站所有信息均搜集自互联网，并不代表本站观点，本站不对其真实合法性负责。如有信息侵犯了您的权益，请告知，本站将立刻处理。联系QQ：1640731186