Quantum Computing Programmierung - Eine QC Optimization Challenge an der LMU

Anomalieerkennung mittels Quantum Boltzmann Maschinen
(mit Allianz Finance, 2024)

Die Erkennung von Anomalien im Rahmen von Endpoint Detection and Response (EDR) ist eine zentrale Aufgabe in den Cybersicherheitsprogrammen großer Unternehmen. Angesichts rasant wachsender Datenmengen und der Allgegenwart von Zero-Day-Angriffen sind manuelle und regelbasierte Erkennungstechniken in der Praxis nicht mehr zeitgemäß. Zwar gibt es klassische Ansätze des maschinellen Lernens für dieses Problem, doch zeigen sie häufig eine unbefriedigende Leistung bei der Unterscheidung zwischen bösartigen und harmlosen Anomalien. Ein vielversprechender Ansatz, um eine bessere Generalisierungsfähigkeit zu erreichen als derzeit eingesetzte Techniken des maschinellen Lernens, sind generative Quantenmodelle. Unter Berücksichtigung der größtmöglichen Datenrepräsentation auf verfügbarer Quantenhardware untersuchen wir für das vorliegende Problem auf Quantum Annealing basierende Quantum Boltzmann Machines (QBMs). Wir stellen den ersten vollständig unüberwachten Ansatz für das Problem der Anomalieerkennung unter Verwendung von QBMs vor und bewerten dessen Leistung anhand eines von EDR inspirierten synthetischen Datensatzes. Unsere Ergebnisse zeigen, dass QBMs in speziellen Fällen ihre klassischen Entsprechungen (d. h. Restricted Boltzmann Machines) hinsichtlich der Ergebnisqualität und der Trainingsschritte übertreffen können. Bei der Verwendung von Quantum Annealern von D-Wave Systems kommen wir zu dem Schluss, dass entweder genauere klassische Simulatoren oder wesentlich mehr QPU-Zeit erforderlich sind, um die notwendige Hyperparameteroptimierung durchzuführen, die es ermöglicht, unsere Simulationsergebnisse auf Quantenhardware zu replizieren.

• Publikation: Stein et al., 2024 – Exploring Unsupervised Anomaly Detection with Quantum Boltzmann Machines in Fraud Detection (arXiv)