量子計算機視覺技術在金融領域應用探析

導語：量子計算機視覺技術是量子計算領域的一個新興技術方向，旨在通過量子計算的特性解決現有計算機視覺任務的技術難點。本文針對金融領域合同文本識別場景，探索將金融合同文本識別中的金融數據OCR模型進行量子化改進，構建量子混合模型，并通過數據實驗的方式驗證該技術在小樣本學習中的先進性與可行性，以期為量子計算機視覺技術在金融行業的落地應用提供新思路和新方法。

數字經濟時代呼喚量子信息科技

在當前數字經濟的時代背景下，以經典計算為算力支撐，以人工智能等一系列技術為算法驅動的智能經營模式已日漸成熟，并在以商業銀行為代表的金融行業中發揮著舉足輕重的作用。然而，日益增長的金融需求、海量數據的輸入、多種模態數據融合、數據質量缺陷等問題也對經典人工智能技術提出了一系列挑戰，對金融行業的數字化轉型和智能化升級提出了更高要求。

利用量子計算的并行處理及高維度表達能力可獲得量子加速及高維映射，以較低的數據成本提取最優網絡框架和維度，提高網絡的準確性、泛化性和魯棒性等性能，這為數字經濟時代全社會的數字化轉型、智能化升級提供了量子信息科技方案。量子計算目前處于產業蓬勃發展的早期階段，已在金融行業眾多應用場景中表現出良好的應用潛力。一方面，在金融市場的模擬分析場景，由于金融市場復雜度較高，且和量子系統一樣表現出一定的隨機性，利用量子計算來模擬金融市場已成為學界和業界高度關注的方向。另一方面，在自然語言處理（Natural Language Processing，NLP）的語義分析場景，量子計算可以使用量子編碼與量子疊加態來表達語義歧義狀態[1]，從而有效模擬語義環境，大大提高自然語言處理技術的運算效率，并提升模型效果。除此之外，金融領域計算機識別（Computer Vision，CV）任務中也可以看到量子計算的身影，如在光學字符視覺（Optical Character Recognition，OCR）場景，現已有諸多中外學者對該場景進行研究。本文探索將量子計算機視覺（Quantum Computer Vision，QCV）技術在金融行業進行應用，針對銀行合同文本識別場景提供量子信息科技解決方案，以期為QCV技術在金融行業的應用落地提供新思路和新方法。

量子計算機視覺技術的發展

在金融領域中圖像是常用的信息載體，將量子計算引入計算機視覺圖像識別、OCR等領域意義重大。神經網絡是經典計算解決圖像識別和OCR問題的重要手段，同樣，量子計算也可以通過神經網絡的方案解決金融領域的圖像識別和OCR任務需求。現有的神經網絡通常具有多層網絡結構，其本質是從訓練數據中提取高階特征或者學習隱藏的映射關系。在計算機視覺領域使用的神經網絡主要由幾種基本結構組成，包括卷積層、池化層、全連接層等。

卷積層是利用內核來確定輸入數據的特征和模式。量子卷積層與經典卷積層邏輯模式類似，區別在于量子卷積層以量子電路門來進行定義。基本的量子卷積層由一系列兩個成對量子位酉算子（Unitary Operator）組成，為了讓量子卷積神經網絡跨越整個希爾伯特（Hilbert）空間，量子卷積神經網絡中每個單元包含15個參數。后續將相鄰的量子位耦合，并將第一和最后的量子位也通過酉門耦合[2]。具體形式如圖1所示。

量子池化層的目的是在減少量子比特數量的同時，降低整個電路的計算成本。量子池化層電路有將兩個量子比特的信息“組合”成一個量子比特的效果，可以將維度為N的量子比特電路降為N/2[2]，具體形式如圖2所示。

在經典神經網絡中，全連接是指由第N層的每個神經元和第N-1層的每個神經元都相連的結構，而此結構組成在量子電路中也相同，全連接是每個神經元計算的矩陣加合。其中，量子神經元是將量子神經網絡的該層輸入編碼值與權重值分別送入量子計算基態上，稱為輸入量子態與權重量子態，然后將包含權重量子態數值的受控幺正門作用在這些輸入量子態上，最終輸入和權重相互作用的結果被寫入由輸入與權重量子態及輔助量子比特所組成的系統狀態本征值相位上，最后通過量子相位估計得到量子神經網絡神經元的輸出[3]，相關原理示意如圖3所示。

量子計算機視覺技術在銀行合同文本識別場景的應用研究

數字經濟時代下，隨著智能化、信息化技術的快速發展，計算機視覺技術在金融領域發揮著越來越重要的作用。以商業銀行為例，計算機視覺技術已在諸多場景落地應用，并呈現出巨大的應用潛力。例如：第一，在銀行卡相關領域，針對銀行卡號識別問題，通過快速、準確地識別持卡人的卡號可在支付環境下實現銀行卡的準確綁定；第二，在現金相關場景，計算機視覺技術可助力假幣識別和新舊鈔票清分的效率提升；第三，在票據相關場景，計算機視覺技術的應用不僅可以快速實現票面數據的錄入，而且可以進一步對票面要素合法性進行驗證；第四，在身份識別相關領域，計算機視覺可以輔助提升個人客戶與對公客戶的證照和印鑒識別的準確性，加快驗證和驗印進程；第五，在財務報銷相關場景，計算機視覺可以助力實現對大量發票的快速錄入，極大降低人工成本；第六，在合同文本相關場景，計算機視覺技術不僅可以實現對最終合同文本的準確提取，而且可以對合同文本中交易金額、交易時間等手寫關鍵數據進行識別。綜上，充分利用計算機視覺技術對商業銀行各條線進行科技賦能和數字化轉型，可有效提高工作效率、降低人工成本，進而對整個金融領域帶來降成本、提質量、增效率、拓市場、防風險、保合規等價值收益。

本文以商業銀行合同文本識別場景為切入點開展應用研究。商業銀行的日常經營中存在大量合同文本，記錄著銀行和客戶間交易規定的各項權利與義務，在必要時是定紛止爭的重要法律依據。隨著數字化轉型發展，電子合同的應用日益廣泛；銀行歷史上留存有大量紙質合同，即使是當前亦仍有大量合同通過紙質方式由客戶簽署。因此，高效、準確地識別合同中的金額、簽署日期等關鍵數字以及相關文本信息，對于銀行而言具有重要意義。本文在經典算法的基礎上引進量子算法，嘗試利用量子混合模型對金融行業合同文本中的數字信息進行識別，探究量子神經網絡尤其在小樣本學習環境下對合同文本識別精度的提升能力，以期解決經典識別技術存在的問題與難點。

本文選用包含0至9的十個阿拉伯數字的數據集，每類數字有500個樣本，數據集中的數字提取于各類合同。本文嘗試搭建兩種不同方式的混合模型：一種是“量子卷積層+經典全連接層結構”（Quantum Convolution Neural Networks + Full Connection，QCNN+FC），另一種是“經典卷積層+量子全連接層結構”（Convolution Neural Networks + Quantum Full Connection，CNN+QFC），并對這兩種模型進行測試評估，驗證其性能效果并與經典網絡結構進行對比。具體測試評估方式為：選用數據集中的數字0至9；訓練集每個數字分別選50張、100張、300張圖像，以模擬真實環境中訓練數據不足的小樣本學習情況，圖像尺寸設為32×32px；測試集每個數字為90張圖像，圖像尺寸同樣為32×32px；訓練輪數均為epoch=5，優化器選擇Adam。

基于量子卷積和經典全連接組成的混合模型由經典卷積層、量子卷積層和經典全連接層組成。該模型中量子卷積結構運用PennyLane量子電路庫，在4個量子比特的模擬量子計算機上搭建而成。PennyLane是一個用于量子機器學習的跨平臺Python庫。混合模型具體形式為：輸入圖像先經過經典卷積提取圖像特征，再將特征送入量子電路，在量子電路里先經過Hadamard門將信息編碼為量子疊加態，然后通過糾纏模塊門操作，最后經過測量得到量子電路輸出，再輸出給經典全連接網絡層[4]。該模型具體結構如圖4所示。

基于經典卷積和量子全連接組成的混合模型包含兩個經典卷積層、兩個經典池化層、一個經典全連接層和一個量子全連接層（Quantum Full Connection，QFC）。其中，量子全連接層QFC的輸入|φ，1〉是n+1位量子比特的狀態，輸出是經過一系列U（θ）變換最終得到的一個量子比特在三維中Y軸的觀察Yn+1。訓練過程中，模型通過不斷對最后一個量子比特的Yn+1進行觀測，與真實樣本標簽計算損失，來對網絡進行優化，修正神經網絡中的θ參數，并且根據θ參數調整每個酉算子不斷進行迭代并更新以達到訓練的目的[5]。該模型量子全連接結構最終搭建是基于PennyLane量子模型工具庫，在8個量子比特模擬量子機上搭建而成。

對比測試模型使用經典CNN網絡結構和經典全連接結構對數據集中的數字進行識別。本文中經典模型包含兩個卷積層、兩個池化層、兩個全連接層。其中，所有卷積層的所有卷積核均為3×3，池化方法為最大池化，激活函數為ReLU；經典全連接結構每一層能夠將m個元素的輸入向量映射為n個元素的輸出向量[6] ；輸入圖像經過兩次卷積、池化后輸出特征圖，特征圖在展平后進入到全連接層，經過兩個全連接層后輸出結果。

本文使用經典和兩種量子混合模型，分別對50、100和300張圖像訓練樣本集進行訓練，得到9個模型，"并用測試樣本進行測試，最終模型效果如表1所示。可以看出，量子混合模型與經典模型在輸入圖像尺寸上一致，在模型參數上大小也基本相似，說明量子混合結構所耗費的計算資源與經典結構相似。在訓練集為50、100、300張圖像時，經典模型的測試集準確率均低于兩種混合量子模型，說明在小樣本學習場景下，含有量子計算的模型精度優于經典模型。如圖5所示，兩種量子混合模型和經典模型相比，損失下降的速度更快，說明含有量子計算的模型其訓練的收斂速度優于經典模型。

綜上，在小樣本學習場景且訓練輪數較少時，量子混合模型精度優于經典模型。量子混合模型的收斂速度優于經典模型，這是由于量子網絡與經典網絡主要差異點之一是每個量子比特門電路的組成為多項式形式的波函數疊加，而多比特量子門可以產生量子糾纏現象，"從而使得線路具有非線性表達能力；量子電路運行時隨著量子比特數量的增加，其總體計算過程與參數會呈現指數級別的增長，這使得相對于經典網絡而言，量子網絡結構在處理復雜維度的問題時往往表現出更強的擬合能力[7]。總體而言，量子混合模型能夠對小樣本學習數字信息進行有效識別且具有一定優勢，這為發展金融領域小樣本學習計算機視覺技術提供了新的思路。

結語

近年來，隨著國內外各科研團隊、研究機構以及科技企業的大力投入，量子機器學習相關算法蓬勃發展并取得一系列重要成果。然而，量子計算視覺相關算法在金融行業落地應用仍較為鮮見。本文探索運用量子計算機視覺技術對小樣本學習場景下金融合同文本相關數據進行識別，并提出了優于經典計算機視覺算法精度的解決方案，為量子計算機視覺技術在金融領域的實際應用提出了新路徑。

鑒于當前量子計算機視覺技術的行業應用尚處于發展的初期階段，機遇與挑戰并存，未來存在廣闊的探討空間，例如對量子神經網絡結構與經典網絡結構的融合改進做進一步探索，使量子神經網絡融合到更加復雜的模型結構中，讓量子網絡優勢可以更快地在具體場景中落地。可以預見，隨著量子科技在國內的快速發展，量子模型結構的表現形式也將會更加全面與多樣[8]，有望在以計算機視覺為代表的一系列領域中有所建樹，為數字經濟時代金融科技發展提供新動能。

（本文受北京市科技計劃《量子金融云平臺關鍵技術研發及示范應用》項目支持，項目編號為Z231100001323001。）

（龍盈智達﹝北京﹞科技有限公司的陳生、袁敏、巨春武、楊璇、徐奇對本文亦有貢獻。）

【參考文獻】

[1]龍桂魯．量子計算機的研發進展與未來展望［J］．人民論壇·學術前沿，2021（7）： 44-56．

[2] Open-Source Quantum Development．"QISKIT［EB/ OL］．［2023-2-3］

[3] 喻瑩，楊揚，董才林，等.基于多分類器集成的手寫體金融漢字識別[J].計算機工程與應用，2007，（15）：212-214.

[4] Henderson Maxwell， Samriddhi Shakya， Shashindra Pradhan，et al.Cook. “Quanvolutional Neural Networks： Powering Image Recognition with Quantum Circuits.”［J］"Quantum Machine Intelligence 2020，2（1）：1-9.

[5] Farhi E. Neven H. Classification with Quantum Neural Networks on Near Term Processors. Preprint at https：//arxiv.org/abs/1802.06002 （2018）.

[6] Andrea Mari， Thomas R. Bromley， Josh Izaac，et al.Transfer Learning in Hybrid Classical-quantum Neural Networks. arXiv：1912.08278 （2019）.

[7] Ville Bergholm， Josh Izaac， Maria Schuld，et al.PennyLane： Automatic differentiation of Hybrid Quantum-classical Computations. arXiv preprintarXiv：1811.04968， 2018．

[8] 劉軼男，楊巍，魏凡．量子計算發展與應用動向研究［J］．中國電子科學研究院學報，"2022（2）： 141-148．

（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）

責任編輯：董"治