点击次数：

近日，中国科学技术大学联合本源量子、合肥综合性国家科学中心人工智能研究院和中科院软件研究所等单位的团队在量子机器学习领域取得科研进展。研究团队围绕量子机器学习模型在真实量子硬件上的安全性与可靠性问题，开展了超导量子处理器上量子神经网络鲁棒性的系统实验研究。相关成果以“Experimental Robustness Benchmarking of Quantum Neural Networks on a Superconducting Quantum Processor”为题，发表在物理学综合期刊《中国科学：物理学 力学 天文学》（SCIENCE CHINA Physics, Mechanics & Astronomy）上。

图1. 量子神经网络鲁棒性评估的实验示意图。(a)量子神经网络分类器的结构，包括态制备线路、l层变分线路以及测量前的基变换门。(b)分类器鲁棒性上下界的示意图。(c)对抗鲁棒性，通过输出对输入扰动的敏感性进行量化。(d)图像分类中使用的手写字母“Q”和“T”的可视化。(e)量子合成数据集，展示了在线性簇态之后施加Rx(α)操作，并根据旋转角度α将状态标记为“激发”或“非激发”。(f)所提出的掩码对抗攻击方法通过输入梯度分析识别脆弱子空间，并施加局部扰动。(g)超导量子处理器示意图，显示了二维晶格中的72个量子比特和126个耦合器，实验中选取的20个量子比特以绿色标出。

针对量子神经网络鲁棒性缺乏硬件级系统评估的问题，研究团队提出了一种适用于量子硬件实验的掩码快速梯度符号攻击算法（Mask-FGSM）。该方法通过输入梯度分析识别模型最脆弱的特征子空间，仅对关键输入维度施加局域扰动，从而在降低实验成本的同时提高攻击效率，并有效减弱硬件噪声对梯度估计的影响。基于该算法，研究团队在本源量子研发的72比特超导量子处理器上，实现了20比特量子神经网络分类器的系统鲁棒性实验基准测试。实验结果显示，该攻击算法能够高精度地逼近量子分类器的脆弱边界，也从实验上验证了基于保真度的量子鲁棒性界的紧致性。

该研究还将量子神经网络与经典前馈神经网络进行了对比。实验发现，在相同任务条件下，超导量子处理器上运行的量子神经网络表现出更高的对抗鲁棒性。这一现象归因于真实量子硬件中不可避免的量子噪声所引发的梯度衰减效应。这一发现揭示了噪声中等规模量子设备在安全性研究中的独特物理特征，也为理解真实量子硬件上的量子机器学习行为提供了新的视角。

该工作不仅为量子机器学习模型的脆弱性评估和防御策略设计提供了实验工具，也为未来安全、可靠的量子人工智能应用奠定了方法基础。

该工作得到了国家重点研发计划（青年科学家项目）以及国家自然科学基金的支持。

论文链接：https://link.springer.com/article/10.1007/s11433-025-2943-6