原標題為【光子計算在金融領域的研究應用——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之一，近年來蓬勃發展、逐步成熟，目前已基本具備與行業應用深度結合的可行性。本文立足金融領域業務實踐，創新提出光子金融科技 (Photon FinTech)研究與應用領域，并將光子計算應用于風 險價值計量和賬戶欺詐識別等金融場景，以期為數字經濟時代下 金融行業數字化轉型發展提供基于光子科技路線的新動能。

一、數字經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界和學界的高度關注。可以預見，數字經濟時代下，隨著各行各業數字化轉型發展的不斷深化，疊加大模型參數量和訓練效果的進一步升級迭代，目前基于電子計算的經典算力體系將面臨巨大挑戰。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之一，近年來蓬勃發展、逐步成熟，目前已基本具備與行業應用深度結合的可行性。本文立足金融領域業務實踐，創新提出光子金融科技 (Photon FinTech)研究與應用領域，并將光子計算應用于風 險價值計量和賬戶欺詐識別等金融場景，以期為數字經濟時代下 金融行業數字化轉型發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研究。早在2005年，歐盟就將光子技術定為重點研發的技術之一，并組建了“光子科技21”歐洲技術平臺。以德國為例，光子學是其國內發展最快的行業之一，已在半導體和醫療技術、光伏、機械工程、航空等領域發揮著關鍵作用。我國同樣高度重視光子計算相關研究，從“十二五”規劃時期開始，我國以光學儀器行業作為著力點，推動光學技術的完善與發展。

光子計算作為一項快速發展的新興技術，不僅在技術上不斷取得突破，近年來在商業應用方面也日益成熟。特別是對于金融行業而言，光子計算所帶來的速度和效能優勢天然地與金融行業的需求相匹配，光子金融科技這一新領域應運而生。一方面，光子金融科技有望滿足金融機構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務中，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在交易中提供“天下武功唯快不破”的優勢。另一方面，光子金融科技有望滿足金融機構海量數據樣本的計算需求。金融機構是典型的數據密集型機構，具有海量的結構化與非結構化數據運算需求，亟需探索出一條以低成本來處理海量數據的算力提升路徑。光子計算有望在該領域提出全新的破局思路。 

二、光子計算的起源與發展

 光子計算獨具優勢 

立足當前的數字經濟時代，回顧過往幾十年的算力發展歷程，傳統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，隨著人類社會數據量爆棚及人工智能的加速發展，人們對算力的需求激增，而芯片自身受物理極限限制，導致“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，國內外學者們紛紛考慮從“電”向“光”進行轉化，即利用光子計算代替傳統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，研究學者發現光學技術在信息處理方面具有巨大優勢，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信號處理的新型計算技術，具有高速度、低功耗、高并行度等優勢，是未來信息技術領域的重要發展方向之一。在光子計算的諸多優勢中，高速度和高效率兩個優點尤為突出。在高速度方面，光子計算有著傳統電子計算無法比擬的優點，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，這些優點使其具有超強的并行計算能力，可以對數據實現高速處理。在高效率方面，光子在光介質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極低，因此光子計算可以在大規模計算中實現高效率的數據處理。 

光子計算在國內外的發展如火如荼

國內外已有許多專家學者在光子計算的相關領域開展了研究探索。1964年，Vander Lugt使用光學相關器的方法，通過空間濾波器來對光信號實現相位補償,并產生光信號計算結果。1990年前后，專家學者參考數字電子計算機的發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、時空編碼及數字并行算法等各個領域。此后，研究學者們也針對光學計算中的光學模式識別、光子神經網絡、邏輯光計算、光學全息存儲等技術方向進行了研究，其中光子神經網絡技術是一個重要的研究方向。

光子神經網絡設計了存算一體的結構,有效解決了電子神經網絡下對周期性數據讀寫異常的問題，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和深度學習進行融合，提出一種全光卷積架構,在相關納米光子芯片上實現了語音識別功能。2018年，Lin等人提出了一種光子深度神經網絡結構,該結構基于光的衍射，能對MNIST手寫數字數據集和Fashion-MNIST時尚產品數據集進行有效分類。2019年，費爾德曼等人利用相關芯片實現光學神經網絡，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表面全光衍射神經網絡的多任務智能感知芯片，它能在可見光下執行多個通道的低功耗、極速智能圖像識別任務，其利用亞波長納米結構的偏振復用方案，構建了一種多通道分類器框架，實現了對MNIST手寫數字數據集和Fashion-MNIST時尚產品數據集的識別。

近年來，國內相關光子研究團隊有了創新的技術突破。2019年，首款光子芯片原型板卡由曦智科技發布，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越性。PACE主要利用了光計算的低延遲優勢，更具體而言，通過矩陣乘法的疊加及受控噪聲的緊密回環來實現低延遲，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、光子計算在金融領域的應用

光子計算在風險價值計量中的應用

業務理解

金融機構是經營風險的專業機構，對風險的價值計量能力是金融機構的核心競爭力之一。自2022年1月1日《關于規范金融機構資產管理業務的指導意見》施行以來，理財產品打破“剛性兌付”，如何有效提升對金融產品的風險管理和風險價值計量能力再次引發了行業的高度關注。

風險管理是識別和度量風險、檢驗承擔風險是否與預期風險一致的重要過程。管理市場風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險所必需的關鍵信息。投資風險模型可以幫助投資組合管理者洞察風險因子發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，以及可能發生的重大損失，在已打破“剛兌”的當前具有現實意義。

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

表1 理財產品A要素示例

表2 風險價值計量參數表

數據理解 

本文創新性地應用光子神經網絡算法對傳統的蒙特卡洛方法進行替代，從而實現對投資組合風險價值（VaR）的高效計量。本文依托光互連技術，能夠實現大規模、高速、實時風險價值計量任務。風險價值計量過程主要分為訓練和推理兩個階段，其中：訓練階段是離線完成的，運用提前準備好的訓練數據進行深度神經網絡訓練，并通過大量運算把訓練好的模型部署到適配的光子計算設備上；推理階段則是在線過程，將實時性數據推送至光子計算設備，依托光子計算低能耗、高速率等特性，通過實時推理得到風險價值計量值。通過離線訓練和在線推理相結合的方式，滿足各品類實時風險價值計量需求。

離線訓練過程主要應用模擬數據來訓練深度神經網絡模型以適配光子計算網絡，包含數據準備、模型訓練、模型驗證等步驟。在數據準備過程中，首先針對對應投資組合產品特點，確定影響產品風險敞口的固定參數及可變參數有效區間，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，在對應的參數區間，采用均勻采樣的方式生成一組定價輸入參數，并將各參數值輸入模型，而后進行5萬次蒙特卡洛路徑模擬，得到對應的風險價值計量值；以此方式離線生成數據，并將生成的500萬條數據樣本，按照8∶1∶1的比例劃分為訓練、驗證及測試數據集。 

模型構建 

在模型訓練過程中，首先針對光子計算加速特性，設計專用的矩陣計算密集型風險價值計量神經網絡結構，并進行隨機初始化。其次，利用數據準備階段獲得的訓練數據集，訓練出運行于光子計算設備上的風險價值計量神經網絡模型。模型結構采用共6層且除輸入及輸出層外每層1024個節點的多層全連接網絡，能夠有效利用光子計算擅長矩陣運算推理的特性，以實現加速推理。當完成模型訓練及驗證后，固定模型并部署權重。 

模型評估 

在線部署階段，將離線訓練階段訓練好的模型導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備上，最終通過在線部署的方式實現對金融風險價值的實時計量。

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

圖1 不同樣本量訓練集下光子計算金融資產風險價值計量模型精度

從風險價值計量任務的計算速度來看，使用傳統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絡訓練后，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。在測試數據集上，光子計算風險價值計量模型的推理速度比采用傳統CPU蒙特卡洛算法得到相似結果快數百倍；同時采用先進制程GPU計算模型實現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和光子計算關于風險價值計量模型推理時間的對比（單位：微秒）

實證研究結果表明，針對風險價值計量問題，采用光子深度神經網絡算法模型進行推理的計算速度顯著優于傳統的CPU蒙特卡洛模擬算法；且光子深度神經網絡算法模型可以以低工藝制程（28納米）獲得更優于先進制程（8納米）的計算速度優勢。  

光子計算在銀行賬戶欺詐識別中的應用

業務理解

數字經濟時代下線上支付手段的快速發展，在為金融機構用戶提供便捷服務的同時，也對金融行業提出了新的挑戰。近年來，跨境賭博、電信網絡詐騙等涉賭涉詐案件劇增、方式手法多樣，呈現出線上化、產業化、交易鏈條復雜、易派生洗錢和其他涉詐等特點，對人民群眾財產安全和社會安全穩定造成了不良影響。以商業銀行為代表的金融機構作為維護國家金融安全穩定的重要力量之一，承擔著構建牢固“防火墻”的責任使命。2022年12月1日起施行的《中華人民共和國反電信網絡詐騙法》已將反欺詐工作上升到了國家法律層面。該法中專門設立了“金融治理”章節，明確了銀行業等金融機構的反詐職責，指出“銀行業金融機構、非銀行支付機構應當對銀行賬戶、支付賬戶及支付結算服務加強監測，建立完善符合電信網絡詐騙活動特征的異常賬戶和可疑交易監測機制”。  

以商業銀行為例，銀行業務的交易流水可以看作為一個復雜的圖網絡結構，一些涉賭、涉詐及相關聯團體往往呈現出一些“群體”特點。如何從復雜的交易網絡結構中發現有欺詐特征的社區已經成為一項重要的任務。本文從圖社區發現的視角出發，將商業銀行的賬戶欺詐識別任務轉化為“伊辛模型”問題，并創新性地應用光子計算進行求解，以期高效地從圖數據中發現涉賭涉詐及值得關注的相關聯賬戶。

數據理解

本文采用國內某全國性股份制商業銀行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據，數據集包括賬戶數據、交易數據、樣本數據三大類，其中：賬戶數據包括賬戶號、賬戶所屬機構、賬戶開戶日期等；交易數據包括交易流水號、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；樣本數據包括賬戶號、業務標志等。本文聚焦涉賭涉詐及相關聯業務場景，并綜合考慮客戶地域、交易對手特征、交易金額、轉賬頻率、交易時間等業務關注的重點特征，提取出該類業務圖數據的一張子圖。從業務實際來看，該場景數據集為典型的小樣本學習圖數據集，包含66個賬戶節點和60筆交易，旨在從中發現涉賭、涉詐及存有其他相關聯問題的社區。 

模型構建

如前所述，面向該小樣本學習圖數據集的欺詐識別問題，可以被轉化為社區發現問題，即在一整張網絡中，將網絡中的節點劃分為若干社區，從而發現包含涉賭、涉詐賬戶及其他相關聯賬戶的社區。傳統的社區發現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算法常用于復雜網絡聚類問題，其核心目標是使社區間連接數與社區內連接數之間的差值最小化。然而，經典的社區發現算法往往被認為難以在多項式時間內得到滿意的計算結果，因而在實際應用中面臨不小的挑戰。 

本文創新采用光子計算將該欺詐識別問題轉化為對社區發現問題進行求解，并通過與經典Kernighan-Lin算法模型進行對比，從而達到提升效率、節約時間、提高模型準確性的目的。具體而言，在光子計算視角下，可將社區發現問題轉化為二次無約束二值優化問題（Quadratic Unconstrained Binary Optimization, QUBO），而QUBO問題和伊辛模型是一一對應的，其數學表達式為： 

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：

首先通過電光轉換單元，將權重矩陣Q轉換為光權重信號，并加載到光子器件上；同時初始化一組輸入向量X，并將其轉化為光輸入信號；然后通過硅基芯片上實現的數萬個光學器件，實現一次高速低功耗的大規模矩陣計算，最終經過光電轉換單元將結果轉換為電信號，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，損失函數隨著迭代次數發生變化的曲線如圖3所示。不難看出，模型通過迭代后可較快地收斂到一個穩定水平，此時可以理解為社區劃分任務達到了最佳社區分割狀態。 

圖3 社區發現問題迭代求解過程中損失函數變化情況

從算法實現時間來看，實證研究結果表明：光芯片實現矩陣乘法在求解特定規模的社區發現問題時，較現有算法具有顯著的性能優勢。與傳統GPU相比，光子伊辛問題求解算法可展現出上百倍的速度優勢，具體計算時間情況如圖4所示。

圖4 光子計算與GPU計算在社區發現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，在該小樣本學習圖數據集上，模型的構建天然面臨著較大挑戰。如表3和表4所示，經典的Kernighan-Lin算法模型在該數據集上是將全部賬戶節點平均分為兩群，經業務排查，涉賭涉詐的賬戶節點（真實標簽為1的節點）被平均分在兩群中，對于本文社區發現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果顯示，實際發生涉賭涉詐的賬戶節點被較為有效地劃分進了同一社區，并為業務人員有效鎖定與涉賭涉詐相關聯的其他問題行為及相關賬戶提供了依據，起到了事半功倍、降本增效的良好應用效果。

表3 基于Kernighan-Lin算法構建模型的混淆矩陣

表4 基于光子計算構建模型的混淆矩陣

進一步將經典的圖分區Kernighan-Lin算法模型與光子計算模型結果指標進行對比：在當前小樣本學習圖數據集上，針對涉賭涉詐相關賬戶識別任務，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優于Kernighan-Lin算法模型。

隨著未來相關欺詐識別業務的進一步發展，在處理更大規模（甚至超大規模）交易圖數據時，得益于數據規模的增大，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勢將進一步得到凸顯，具有可觀的應用價值和廣闊的應用前景。 

四、結語

數字經濟時代下，光子金融科技作為提高金融業務與管理的計算效率、降低其計算功耗的新路徑應運而生。本文立足金融行業應用視角，創新性地將光子計算應用于風險價值計量和賬戶欺詐識別業務場景，構建了較經典電子計算技術更優的應用模型，為光子計算在金融領域的應用提供了新思路。

此外，光子計算在金融行業還具有廣闊的應用場景：一是可應用于金融衍生品的定價，特別是以障礙期權為代表的較為復雜的金融衍生品定價場景；二是結構化金融產品的定價，例如雙重貨幣債券的產品組合分析場景；三是金融圖計算中除社區發現以外的社交網絡分析以及知識圖譜應用；四是自然語言處理在金融領域的應用，包括但不限于智能客服、客戶情緒識別、合規制度問答等應用場景；五是計算機視覺在金融領域的應用，包括但不限于人臉識別、光學字符識別等應用場景。

未來，應進一步聚焦光子金融科技的技術創新與深化應用，為金融機構數字化轉型發展提供更強有力的算力支撐，為數字經濟時代下全社會廣泛應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]. 物理學報, 2018, 67(21):268-276.

6. 方軼圣. 面向光學模擬計算的空間微分器和光學伊辛模型[D]. 浙江大學, 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、信息科技部總經理 

文章刊發于《銀行家》雜志2023年第4期「金融科技」欄目(有刪節)