原標題為【光子計算在金融領(lǐng)域的研究應(yīng)用——聚焦“光子金融科技”新方向】

作者 | 吳永飛 王彥博 沈亦晨 楊璇

光子計算作為前沿尖端技術(shù)之一，近年來蓬勃發(fā)展、逐步成熟，目前已基本具備與行業(yè)應(yīng)用深度結(jié)合的可行性。本文立足金融領(lǐng)域業(yè)務(wù)實踐，創(chuàng)新提出光子金融科技 (Photon FinTech)研究與應(yīng)用領(lǐng)域，并將光子計算應(yīng)用于風(fēng) 險價值計量和賬戶欺詐識別等金融場景，以期為數(shù)字經(jīng)濟時代下 金融行業(yè)數(shù)字化轉(zhuǎn)型發(fā)展提供基于光子科技路線的新動能。

一、數(shù)字經(jīng)濟時代呼喚光子金融科技

當前，隨著ChatGPT的橫空出世，大模型背后的底層算力支撐問題再次受到全球業(yè)界和學(xué)界的高度關(guān)注。可以預(yù)見，數(shù)字經(jīng)濟時代下，隨著各行各業(yè)數(shù)字化轉(zhuǎn)型發(fā)展的不斷深化，疊加大模型參數(shù)量和訓(xùn)練效果的進一步升級迭代，目前基于電子計算的經(jīng)典算力體系將面臨巨大挑戰(zhàn)。開辟光子計算新路徑，已成為提高計算效率、降低計算功耗迫在眉睫的重要選項。光子計算作為前沿尖端技術(shù)之一，近年來蓬勃發(fā)展、逐步成熟，目前已基本具備與行業(yè)應(yīng)用深度結(jié)合的可行性。本文立足金融領(lǐng)域業(yè)務(wù)實踐，創(chuàng)新提出光子金融科技 (Photon FinTech)研究與應(yīng)用領(lǐng)域，并將光子計算應(yīng)用于風(fēng) 險價值計量和賬戶欺詐識別等金融場景，以期為數(shù)字經(jīng)濟時代下 金融行業(yè)數(shù)字化轉(zhuǎn)型發(fā)展提供基于光子科技路線的新動能。

一直以來，世界各國都高度重視光子技術(shù)研究。早在2005年，歐盟就將光子技術(shù)定為重點研發(fā)的技術(shù)之一，并組建了“光子科技21”歐洲技術(shù)平臺。以德國為例，光子學(xué)是其國內(nèi)發(fā)展最快的行業(yè)之一，已在半導(dǎo)體和醫(yī)療技術(shù)、光伏、機械工程、航空等領(lǐng)域發(fā)揮著關(guān)鍵作用。我國同樣高度重視光子計算相關(guān)研究，從“十二五”規(guī)劃時期開始，我國以光學(xué)儀器行業(yè)作為著力點，推動光學(xué)技術(shù)的完善與發(fā)展。

光子計算作為一項快速發(fā)展的新興技術(shù)，不僅在技術(shù)上不斷取得突破，近年來在商業(yè)應(yīng)用方面也日益成熟。特別是對于金融行業(yè)而言，光子計算所帶來的速度和效能優(yōu)勢天然地與金融行業(yè)的需求相匹配，光子金融科技這一新領(lǐng)域應(yīng)運而生。一方面，光子金融科技有望滿足金融機構(gòu)對計算速度的嚴格要求。金融市場瞬息萬變，每一筆資金都具有時間成本，特別是在金融市場類業(yè)務(wù)中，交易速度的差異往往會對組合收益帶來顯著影響。光子計算所帶來的顯著速度提升有望為金融機構(gòu)在交易中提供“天下武功唯快不破”的優(yōu)勢。另一方面，光子金融科技有望滿足金融機構(gòu)海量數(shù)據(jù)樣本的計算需求。金融機構(gòu)是典型的數(shù)據(jù)密集型機構(gòu)，具有海量的結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)運算需求，亟需探索出一條以低成本來處理海量數(shù)據(jù)的算力提升路徑。光子計算有望在該領(lǐng)域提出全新的破局思路。 

二、光子計算的起源與發(fā)展

 光子計算獨具優(yōu)勢 

立足當前的數(shù)字經(jīng)濟時代，回顧過往幾十年的算力發(fā)展歷程，傳統(tǒng)提高芯片算力的方法是在僅僅只有指甲蓋大小的芯片上集成晶體管，并不斷加大集成密度。然而，隨著人類社會數(shù)據(jù)量爆棚及人工智能的加速發(fā)展，人們對算力的需求激增，而芯片自身受物理極限限制，導(dǎo)致“摩爾定律”也面臨失效的困境。為了突破電子芯片存在的一系列弊端，國內(nèi)外學(xué)者們紛紛考慮從“電”向“光”進行轉(zhuǎn)化，即利用光子計算代替?zhèn)鹘y(tǒng)電子計算中的計算密集型操作，從而達到提高算力、降低能耗的實用效果。

光子是一種靜止質(zhì)量為零的粒子，具有能量和動量。光子計算具有超強的并行處理能力及超高的運算速度。20世紀八九十年代，研究學(xué)者發(fā)現(xiàn)光學(xué)技術(shù)在信息處理方面具有巨大優(yōu)勢，而后掀起了光子計算研究的熱潮。光子計算是一種基于光學(xué)信號處理的新型計算技術(shù)，具有高速度、低功耗、高并行度等優(yōu)勢，是未來信息技術(shù)領(lǐng)域的重要發(fā)展方向之一。在光子計算的諸多優(yōu)勢中，高速度和高效率兩個優(yōu)點尤為突出。在高速度方面，光子計算有著傳統(tǒng)電子計算無法比擬的優(yōu)點，它可以采用新的進制，比如三進制和四進制等，同時讓成千上萬條光在同一時刻穿越光子元件的不同通道，而且彼此之間互不干擾，這些優(yōu)點使其具有超強的并行計算能力，可以對數(shù)據(jù)實現(xiàn)高速處理。在高效率方面，光子在光介質(zhì)中傳輸信息損失極小，光在傳輸過程中的能量消耗和熱量散發(fā)極低，因此光子計算可以在大規(guī)模計算中實現(xiàn)高效率的數(shù)據(jù)處理。 

光子計算在國內(nèi)外的發(fā)展如火如荼

國內(nèi)外已有許多專家學(xué)者在光子計算的相關(guān)領(lǐng)域開展了研究探索。1964年，Vander Lugt使用光學(xué)相關(guān)器的方法，通過空間濾波器來對光信號實現(xiàn)相位補償,并產(chǎn)生光信號計算結(jié)果。1990年前后，專家學(xué)者參考數(shù)字電子計算機的發(fā)展歷史來對光子計算機進行了研究，主要成果涵蓋邏輯器件、邏輯計算、時空編碼及數(shù)字并行算法等各個領(lǐng)域。此后，研究學(xué)者們也針對光學(xué)計算中的光學(xué)模式識別、光子神經(jīng)網(wǎng)絡(luò)、邏輯光計算、光學(xué)全息存儲等技術(shù)方向進行了研究，其中光子神經(jīng)網(wǎng)絡(luò)技術(shù)是一個重要的研究方向。

光子神經(jīng)網(wǎng)絡(luò)設(shè)計了存算一體的結(jié)構(gòu),有效解決了電子神經(jīng)網(wǎng)絡(luò)下對周期性數(shù)據(jù)讀寫異常的問題，它不僅提高了計算速度，同時也使計算時延降低。2017年，沈亦晨等人將硅基光電子技術(shù)和深度學(xué)習(xí)進行融合，提出一種全光卷積架構(gòu),在相關(guān)納米光子芯片上實現(xiàn)了語音識別功能。2018年，Lin等人提出了一種光子深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),該結(jié)構(gòu)基于光的衍射，能對MNIST手寫數(shù)字數(shù)據(jù)集和Fashion-MNIST時尚產(chǎn)品數(shù)據(jù)集進行有效分類。2019年，費爾德曼等人利用相關(guān)芯片實現(xiàn)光學(xué)神經(jīng)網(wǎng)絡(luò)，并將其用于簡單的英文字母識別。2022年，胡躍強等人提出了一種基于超構(gòu)表面全光衍射神經(jīng)網(wǎng)絡(luò)的多任務(wù)智能感知芯片，它能在可見光下執(zhí)行多個通道的低功耗、極速智能圖像識別任務(wù)，其利用亞波長納米結(jié)構(gòu)的偏振復(fù)用方案，構(gòu)建了一種多通道分類器框架，實現(xiàn)了對MNIST手寫數(shù)字數(shù)據(jù)集和Fashion-MNIST時尚產(chǎn)品數(shù)據(jù)集的識別。

近年來，國內(nèi)相關(guān)光子研究團隊有了創(chuàng)新的技術(shù)突破。2019年，首款光子芯片原型板卡由曦智科技發(fā)布，光子芯片的誕生有效證實了光子能夠替代電子來進行高性能計算的設(shè)想。2021年，第二代高性能光子計算處理器PACE（Photonic Arithmetic Computing Engine，光子計算引擎）的問世再次驗證了光子計算的優(yōu)越性。PACE主要利用了光計算的低延遲優(yōu)勢，更具體而言，通過矩陣乘法的疊加及受控噪聲的緊密回環(huán)來實現(xiàn)低延遲，使得“伊辛問題”在PACE下僅在3納秒就可以完成單次迭代計算，其計算速度遠超當前頂端GPU計算。 

三、光子計算在金融領(lǐng)域的應(yīng)用

光子計算在風(fēng)險價值計量中的應(yīng)用

業(yè)務(wù)理解

金融機構(gòu)是經(jīng)營風(fēng)險的專業(yè)機構(gòu)，對風(fēng)險的價值計量能力是金融機構(gòu)的核心競爭力之一。自2022年1月1日《關(guān)于規(guī)范金融機構(gòu)資產(chǎn)管理業(yè)務(wù)的指導(dǎo)意見》施行以來，理財產(chǎn)品打破“剛性兌付”，如何有效提升對金融產(chǎn)品的風(fēng)險管理和風(fēng)險價值計量能力再次引發(fā)了行業(yè)的高度關(guān)注。

風(fēng)險管理是識別和度量風(fēng)險、檢驗承擔(dān)風(fēng)險是否與預(yù)期風(fēng)險一致的重要過程。管理市場風(fēng)險的過程在很大程度上依賴于模型的使用，金融模型提供了管理投資風(fēng)險所必需的關(guān)鍵信息。投資風(fēng)險模型可以幫助投資組合管理者洞察風(fēng)險因子發(fā)生變化時對投資組合的影響，了解投資組合未來收益和波動，以及可能發(fā)生的重大損失，在已打破“剛兌”的當前具有現(xiàn)實意義。

風(fēng)險價值（Value at Risk，VaR）是在假定的市場條件一段時間內(nèi)，在一定顯著性水平（通常為1%或5%）內(nèi)預(yù)期的最小損失。在不同交易單位或投資組合頭寸之間比較風(fēng)險價值，能夠為決策者提供一個可用于資本配置的基準。風(fēng)險價值計量通常采用三種方法，分別為參數(shù)法、歷史模擬法和蒙特卡洛模擬法，這些方法需要根據(jù)產(chǎn)品復(fù)雜程度進行金融建模，從而得到風(fēng)險價值。然而，蒙特卡洛等傳統(tǒng)風(fēng)險定價方法往往需要進行大量路徑的模擬，需要消耗相對較長的時間。面對復(fù)雜的金融市場變化和海量的數(shù)據(jù)，如何既快速又準確地計量出風(fēng)險價值，一直是困擾相關(guān)金融從業(yè)者的難題之一。本文創(chuàng)新性地將光子計算運用于金融風(fēng)險價值計量場景，依托光子計算的高速傳輸特性，幫助金融從業(yè)者快速獲取所需資產(chǎn)路徑數(shù)據(jù)并迅速做出擬合計算，從而實現(xiàn)高效的風(fēng)險價值計量。以表1中的某理財產(chǎn)品為例，實證分析結(jié)果如下。 

表1 理財產(chǎn)品A要素示例

表2 風(fēng)險價值計量參數(shù)表

數(shù)據(jù)理解 

本文創(chuàng)新性地應(yīng)用光子神經(jīng)網(wǎng)絡(luò)算法對傳統(tǒng)的蒙特卡洛方法進行替代，從而實現(xiàn)對投資組合風(fēng)險價值（VaR）的高效計量。本文依托光互連技術(shù)，能夠?qū)崿F(xiàn)大規(guī)模、高速、實時風(fēng)險價值計量任務(wù)。風(fēng)險價值計量過程主要分為訓(xùn)練和推理兩個階段，其中：訓(xùn)練階段是離線完成的，運用提前準備好的訓(xùn)練數(shù)據(jù)進行深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并通過大量運算把訓(xùn)練好的模型部署到適配的光子計算設(shè)備上；推理階段則是在線過程，將實時性數(shù)據(jù)推送至光子計算設(shè)備，依托光子計算低能耗、高速率等特性，通過實時推理得到風(fēng)險價值計量值。通過離線訓(xùn)練和在線推理相結(jié)合的方式，滿足各品類實時風(fēng)險價值計量需求。

離線訓(xùn)練過程主要應(yīng)用模擬數(shù)據(jù)來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型以適配光子計算網(wǎng)絡(luò)，包含數(shù)據(jù)準備、模型訓(xùn)練、模型驗證等步驟。在數(shù)據(jù)準備過程中，首先針對對應(yīng)投資組合產(chǎn)品特點，確定影響產(chǎn)品風(fēng)險敞口的固定參數(shù)及可變參數(shù)有效區(qū)間，如均值范圍、方差范圍、標的初始價格、標的計算周期等（見表2）。其次，在對應(yīng)的參數(shù)區(qū)間，采用均勻采樣的方式生成一組定價輸入?yún)?shù)，并將各參數(shù)值輸入模型，而后進行5萬次蒙特卡洛路徑模擬，得到對應(yīng)的風(fēng)險價值計量值；以此方式離線生成數(shù)據(jù)，并將生成的500萬條數(shù)據(jù)樣本，按照8∶1∶1的比例劃分為訓(xùn)練、驗證及測試數(shù)據(jù)集。 

模型構(gòu)建 

在模型訓(xùn)練過程中，首先針對光子計算加速特性，設(shè)計專用的矩陣計算密集型風(fēng)險價值計量神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并進行隨機初始化。其次，利用數(shù)據(jù)準備階段獲得的訓(xùn)練數(shù)據(jù)集，訓(xùn)練出運行于光子計算設(shè)備上的風(fēng)險價值計量神經(jīng)網(wǎng)絡(luò)模型。模型結(jié)構(gòu)采用共6層且除輸入及輸出層外每層1024個節(jié)點的多層全連接網(wǎng)絡(luò)，能夠有效利用光子計算擅長矩陣運算推理的特性，以實現(xiàn)加速推理。當完成模型訓(xùn)練及驗證后，固定模型并部署權(quán)重。 

模型評估 

在線部署階段，將離線訓(xùn)練階段訓(xùn)練好的模型導(dǎo)入光子計算軟件棧中，進行量化適配，并將模型部署到光子計算設(shè)備上，最終通過在線部署的方式實現(xiàn)對金融風(fēng)險價值的實時計量。

從風(fēng)險價值計量結(jié)果的精度來看，光子深度神經(jīng)網(wǎng)絡(luò)算法模型的計量精度隨路徑增多會逐漸逼近風(fēng)險價值公允精度。本文以決定系數(shù)R2作為光子深度神經(jīng)網(wǎng)絡(luò)模型結(jié)果與經(jīng)典蒙特卡洛模擬算法結(jié)果之間擬合效果的評估指標，實證結(jié)果表明：光子計算模型的風(fēng)險價值計量精度隨離線訓(xùn)練數(shù)據(jù)量的不斷增加而增加。隨著訓(xùn)練數(shù)據(jù)量的增大，光子計算風(fēng)險價值計量精度能夠逐漸保持在99%以上（見圖1）。未來，隨著待估計產(chǎn)品種類及參數(shù)的增加，光子深度神經(jīng)網(wǎng)絡(luò)算法模型優(yōu)勢較其他模型將有望更加凸顯。 

圖1 不同樣本量訓(xùn)練集下光子計算金融資產(chǎn)風(fēng)險價值計量模型精度

從風(fēng)險價值計量任務(wù)的計算速度來看，使用傳統(tǒng)CPU進行蒙特卡洛模擬5萬條路徑需要528毫秒；而通過上述全連接網(wǎng)絡(luò)訓(xùn)練后，分別使用GPU計算及光子計算進行推理運算，其中使用8納米制程工藝的英偉達A10處理器用時893微秒，而實現(xiàn)同樣需求的光子計算使用的是28納米制程工藝但用時僅712微秒。在測試數(shù)據(jù)集上，光子計算風(fēng)險價值計量模型的推理速度比采用傳統(tǒng)CPU蒙特卡洛算法得到相似結(jié)果快數(shù)百倍；同時采用先進制程GPU計算模型實現(xiàn)推理的時間是采用該光子計算推理算法模型的1.25倍（見圖2）。

圖2 CPU與GPU和光子計算關(guān)于風(fēng)險價值計量模型推理時間的對比（單位：微秒）

實證研究結(jié)果表明，針對風(fēng)險價值計量問題，采用光子深度神經(jīng)網(wǎng)絡(luò)算法模型進行推理的計算速度顯著優(yōu)于傳統(tǒng)的CPU蒙特卡洛模擬算法；且光子深度神經(jīng)網(wǎng)絡(luò)算法模型可以以低工藝制程（28納米）獲得更優(yōu)于先進制程（8納米）的計算速度優(yōu)勢。  

光子計算在銀行賬戶欺詐識別中的應(yīng)用

業(yè)務(wù)理解

數(shù)字經(jīng)濟時代下線上支付手段的快速發(fā)展，在為金融機構(gòu)用戶提供便捷服務(wù)的同時，也對金融行業(yè)提出了新的挑戰(zhàn)。近年來，跨境賭博、電信網(wǎng)絡(luò)詐騙等涉賭涉詐案件劇增、方式手法多樣，呈現(xiàn)出線上化、產(chǎn)業(yè)化、交易鏈條復(fù)雜、易派生洗錢和其他涉詐等特點，對人民群眾財產(chǎn)安全和社會安全穩(wěn)定造成了不良影響。以商業(yè)銀行為代表的金融機構(gòu)作為維護國家金融安全穩(wěn)定的重要力量之一，承擔(dān)著構(gòu)建牢固“防火墻”的責(zé)任使命。2022年12月1日起施行的《中華人民共和國反電信網(wǎng)絡(luò)詐騙法》已將反欺詐工作上升到了國家法律層面。該法中專門設(shè)立了“金融治理”章節(jié)，明確了銀行業(yè)等金融機構(gòu)的反詐職責(zé)，指出“銀行業(yè)金融機構(gòu)、非銀行支付機構(gòu)應(yīng)當對銀行賬戶、支付賬戶及支付結(jié)算服務(wù)加強監(jiān)測，建立完善符合電信網(wǎng)絡(luò)詐騙活動特征的異常賬戶和可疑交易監(jiān)測機制”。  

以商業(yè)銀行為例，銀行業(yè)務(wù)的交易流水可以看作為一個復(fù)雜的圖網(wǎng)絡(luò)結(jié)構(gòu)，一些涉賭、涉詐及相關(guān)聯(lián)團體往往呈現(xiàn)出一些“群體”特點。如何從復(fù)雜的交易網(wǎng)絡(luò)結(jié)構(gòu)中發(fā)現(xiàn)有欺詐特征的社區(qū)已經(jīng)成為一項重要的任務(wù)。本文從圖社區(qū)發(fā)現(xiàn)的視角出發(fā)，將商業(yè)銀行的賬戶欺詐識別任務(wù)轉(zhuǎn)化為“伊辛模型”問題，并創(chuàng)新性地應(yīng)用光子計算進行求解，以期高效地從圖數(shù)據(jù)中發(fā)現(xiàn)涉賭涉詐及值得關(guān)注的相關(guān)聯(lián)賬戶。

數(shù)據(jù)理解

本文采用國內(nèi)某全國性股份制商業(yè)銀行2020年3月1日至5月31日包含涉詐賬戶和欺詐行為的交易流水數(shù)據(jù)，數(shù)據(jù)集包括賬戶數(shù)據(jù)、交易數(shù)據(jù)、樣本數(shù)據(jù)三大類，其中：賬戶數(shù)據(jù)包括賬戶號、賬戶所屬機構(gòu)、賬戶開戶日期等；交易數(shù)據(jù)包括交易流水號、賬戶號、對手賬戶號、交易金額、賬戶余額、對方行號、交易日期、交易時間、交易渠道、摘要代號等；樣本數(shù)據(jù)包括賬戶號、業(yè)務(wù)標志等。本文聚焦涉賭涉詐及相關(guān)聯(lián)業(yè)務(wù)場景，并綜合考慮客戶地域、交易對手特征、交易金額、轉(zhuǎn)賬頻率、交易時間等業(yè)務(wù)關(guān)注的重點特征，提取出該類業(yè)務(wù)圖數(shù)據(jù)的一張子圖。從業(yè)務(wù)實際來看，該場景數(shù)據(jù)集為典型的小樣本學(xué)習(xí)圖數(shù)據(jù)集，包含66個賬戶節(jié)點和60筆交易，旨在從中發(fā)現(xiàn)涉賭、涉詐及存有其他相關(guān)聯(lián)問題的社區(qū)。 

模型構(gòu)建

如前所述，面向該小樣本學(xué)習(xí)圖數(shù)據(jù)集的欺詐識別問題，可以被轉(zhuǎn)化為社區(qū)發(fā)現(xiàn)問題，即在一整張網(wǎng)絡(luò)中，將網(wǎng)絡(luò)中的節(jié)點劃分為若干社區(qū)，從而發(fā)現(xiàn)包含涉賭、涉詐賬戶及其他相關(guān)聯(lián)賬戶的社區(qū)。傳統(tǒng)的社區(qū)發(fā)現(xiàn)算法包括圖分割算法、層次聚類算法、分割式聚類算法和基于模塊度的算法等。經(jīng)典的Kernighan-Lin算法就是解決該類問題的重要方法之一。Kernighan-Lin算法常用于復(fù)雜網(wǎng)絡(luò)聚類問題，其核心目標是使社區(qū)間連接數(shù)與社區(qū)內(nèi)連接數(shù)之間的差值最小化。然而，經(jīng)典的社區(qū)發(fā)現(xiàn)算法往往被認為難以在多項式時間內(nèi)得到滿意的計算結(jié)果，因而在實際應(yīng)用中面臨不小的挑戰(zhàn)。 

本文創(chuàng)新采用光子計算將該欺詐識別問題轉(zhuǎn)化為對社區(qū)發(fā)現(xiàn)問題進行求解，并通過與經(jīng)典Kernighan-Lin算法模型進行對比，從而達到提升效率、節(jié)約時間、提高模型準確性的目的。具體而言，在光子計算視角下，可將社區(qū)發(fā)現(xiàn)問題轉(zhuǎn)化為二次無約束二值優(yōu)化問題（Quadratic Unconstrained Binary Optimization, QUBO），而QUBO問題和伊辛模型是一一對應(yīng)的，其數(shù)學(xué)表達式為： 

min f = X^TQX

其中，X=(x₁,x₂,…,x_n )T，xi∈{0,1}；Q為n×n的權(quán)重矩陣，它是通過鄰接矩陣得到的。本文使用光子計算對上述問題進行求解：

首先通過電光轉(zhuǎn)換單元，將權(quán)重矩陣Q轉(zhuǎn)換為光權(quán)重信號，并加載到光子器件上；同時初始化一組輸入向量X，并將其轉(zhuǎn)化為光輸入信號；然后通過硅基芯片上實現(xiàn)的數(shù)萬個光學(xué)器件，實現(xiàn)一次高速低功耗的大規(guī)模矩陣計算，最終經(jīng)過光電轉(zhuǎn)換單元將結(jié)果轉(zhuǎn)換為電信號，并將其分成兩部分，一部分用于能量計算，另一部分用于迭代。其中，下一次迭代使用的輸入向量是在前一步的基礎(chǔ)上加上隨機擾動得到的，每次可在納秒量級完成一次端到端的算法迭代。 

模型評估

在求解過程中，損失函數(shù)隨著迭代次數(shù)發(fā)生變化的曲線如圖3所示。不難看出，模型通過迭代后可較快地收斂到一個穩(wěn)定水平，此時可以理解為社區(qū)劃分任務(wù)達到了最佳社區(qū)分割狀態(tài)。 

圖3 社區(qū)發(fā)現(xiàn)問題迭代求解過程中損失函數(shù)變化情況

從算法實現(xiàn)時間來看，實證研究結(jié)果表明：光芯片實現(xiàn)矩陣乘法在求解特定規(guī)模的社區(qū)發(fā)現(xiàn)問題時，較現(xiàn)有算法具有顯著的性能優(yōu)勢。與傳統(tǒng)GPU相比，光子伊辛問題求解算法可展現(xiàn)出上百倍的速度優(yōu)勢，具體計算時間情況如圖4所示。

圖4 光子計算與GPU計算在社區(qū)發(fā)現(xiàn)問題中單次迭代所耗時間對比（單位：納秒）

從模型準確性方面來看，在該小樣本學(xué)習(xí)圖數(shù)據(jù)集上，模型的構(gòu)建天然面臨著較大挑戰(zhàn)。如表3和表4所示，經(jīng)典的Kernighan-Lin算法模型在該數(shù)據(jù)集上是將全部賬戶節(jié)點平均分為兩群，經(jīng)業(yè)務(wù)排查，涉賭涉詐的賬戶節(jié)點（真實標簽為1的節(jié)點）被平均分在兩群中，對于本文社區(qū)發(fā)現(xiàn)和欺詐識別問題而言效果不佳。而采用基于光子計算的伊辛模型結(jié)果顯示，實際發(fā)生涉賭涉詐的賬戶節(jié)點被較為有效地劃分進了同一社區(qū)，并為業(yè)務(wù)人員有效鎖定與涉賭涉詐相關(guān)聯(lián)的其他問題行為及相關(guān)賬戶提供了依據(jù)，起到了事半功倍、降本增效的良好應(yīng)用效果。

表3 基于Kernighan-Lin算法構(gòu)建模型的混淆矩陣

表4 基于光子計算構(gòu)建模型的混淆矩陣

進一步將經(jīng)典的圖分區(qū)Kernighan-Lin算法模型與光子計算模型結(jié)果指標進行對比：在當前小樣本學(xué)習(xí)圖數(shù)據(jù)集上，針對涉賭涉詐相關(guān)賬戶識別任務(wù)，Kernighan-Lin算法模型的查全率為0.5、查準率為0.09、F1-score為0.15；而光子計算模型的查全率為0.83、查準率為0.15、F1-score為0.26。光子計算模型在上述三個指標方面均表現(xiàn)優(yōu)于Kernighan-Lin算法模型。

隨著未來相關(guān)欺詐識別業(yè)務(wù)的進一步發(fā)展，在處理更大規(guī)模（甚至超大規(guī)模）交易圖數(shù)據(jù)時，得益于數(shù)據(jù)規(guī)模的增大，模型準確性指標有望得到自然提升，同時光子計算模型的計算效率優(yōu)勢將進一步得到凸顯，具有可觀的應(yīng)用價值和廣闊的應(yīng)用前景。 

四、結(jié)語

數(shù)字經(jīng)濟時代下，光子金融科技作為提高金融業(yè)務(wù)與管理的計算效率、降低其計算功耗的新路徑應(yīng)運而生。本文立足金融行業(yè)應(yīng)用視角，創(chuàng)新性地將光子計算應(yīng)用于風(fēng)險價值計量和賬戶欺詐識別業(yè)務(wù)場景，構(gòu)建了較經(jīng)典電子計算技術(shù)更優(yōu)的應(yīng)用模型，為光子計算在金融領(lǐng)域的應(yīng)用提供了新思路。

此外，光子計算在金融行業(yè)還具有廣闊的應(yīng)用場景：一是可應(yīng)用于金融衍生品的定價，特別是以障礙期權(quán)為代表的較為復(fù)雜的金融衍生品定價場景；二是結(jié)構(gòu)化金融產(chǎn)品的定價，例如雙重貨幣債券的產(chǎn)品組合分析場景；三是金融圖計算中除社區(qū)發(fā)現(xiàn)以外的社交網(wǎng)絡(luò)分析以及知識圖譜應(yīng)用；四是自然語言處理在金融領(lǐng)域的應(yīng)用，包括但不限于智能客服、客戶情緒識別、合規(guī)制度問答等應(yīng)用場景；五是計算機視覺在金融領(lǐng)域的應(yīng)用，包括但不限于人臉識別、光學(xué)字符識別等應(yīng)用場景。

未來，應(yīng)進一步聚焦光子金融科技的技術(shù)創(chuàng)新與深化應(yīng)用，為金融機構(gòu)數(shù)字化轉(zhuǎn)型發(fā)展提供更強有力的算力支撐，為數(shù)字經(jīng)濟時代下全社會廣泛應(yīng)用光子科技起到示范性效用。 

【參考文獻】 

1. Shen Y, Harris N C, Skirlo S, et al. Deep learning with coherent nanophotonic circuits[J]. Nature photonics, 2017, 11(7): 441-446.

2. Wetzstein G, Ozcan A, Gigan S, et al. Inference in artificial intelligence with deep optics and photonics[J]. Nature, 2020, 588(7836): 39-47.

3. Roques-Carmes C, Shen Y, Zanoci C, et al. Heuristic recurrent algorithms for photonic Ising machines[J]. Nature communications, 2020, 11(1).

4.王碩. 量子光學(xué)中的蒙特卡洛方法研究[J]. 科技資訊, 2015(15):7-9.

5.李樹. 光子與相對論麥克斯韋分布電子散射截面的蒙特卡羅計算方法[J]. 物理學(xué)報, 2018, 67(21):268-276.

6. 方軼圣. 面向光學(xué)模擬計算的空間微分器和光學(xué)伊辛模型[D]. 浙江大學(xué), 2020.

（上海曦智科技有限公司陳辰、陳章、楊春、黃洋，龍盈智達﹝北京﹞科技有限公司張月、王一多、徐奇、王子珺、曹曉峰、馮琳、高新凱、王學(xué)志、李婷婷、呂鵬對本文亦有貢獻） 

作者單位：華夏銀行股份有限公司，龍盈智達（北京）科技有限公司，上海曦智科技有限公司，其中吳永飛系華夏銀行首席信息官、信息科技部總經(jīng)理 

文章刊發(fā)于《銀行家》雜志2023年第4期「金融科技」欄目(有刪節(jié))