我科学家在超导系统中实现量子对抗机器学习

伴随着发展量子计算和人工智能成为世界各国的重要战略，源于二者交汇点的量子人工智能正在快速发展可是，由于神经网络易受抗干扰影响，量子人工智能技术的安全性成为研究热点

最近几天，清华大学交叉信息研究院邓东玲研究组与浙江大学物理学院王浩华，宋超研究组合作，首次实现了超导系统中的量子对抗机器学习相关成果《通过可编程超导量子比特进行量子对策学习的实验演示》以封面论文的形式发表在《自然计算科学》杂志上，并获得了该刊的专栏评论

机器学习对抗垃圾邮件的早期研究可以追溯到垃圾邮件过滤问题，涉及垃圾邮件发送者和抵制者之间的博弈一般来说，当用户的电子邮件地址为外界所知时，一些恶意方可能会发送广告邮件，计算机病毒等为了商业利益为了抵制这种行为，人们开发了邮件过滤器来区分正常邮件和恶意邮件，并阻止后者为了躲避邮件过滤器的检测，恶意邮件的发送者会采取一系列措施，比如修改恶意邮件中的特征词，添加正常词等

伴随着深度学习的发展，深度学习模型已经广泛应用于人脸识别，自动驾驶，医疗诊断等领域但是发现深度学习模型也有被反样本攻击的威胁

近两年，量子对抗机器学习的概念被提出并受到广泛关注可是，面对脆弱性和针对攻击的防御措施，在当前中等规模的噪声量子设备上演示量子学习模型仍然存在许多挑战

在这项研究中，研究团队使用10个可编程超导量子位阵列进行了量子对策学习的首次实验演示在这项工作中，通过优化器件制造和控制工艺，他们将这些量子位的平均寿命提高到150微秒，而单量子位门和双量子位门的平均保真度分别大于99.94%和99.4%这使得成功实现不同结构的大规模量子分类器成为可能，量子电路深度达到60，可训练的变分参数超过250

该团队使用核磁共振成像和其他图像作为训练数据经过训练，这些分类器在这些数据集上可以达到目前量子分类器所能达到的最先进的性能，测试准确率高达99%进一步的实验表明，通过对抗训练，量子分类器的抗干扰能力会得到增强，并且对相同攻击策略产生的对抗扰动免疫

团队成员表示，他们的成果不仅揭示了量子学习系统在对抗场景下的脆弱性，也证明了防御策略在实践中应对对抗攻击的有效性，从而为实现可靠的量子人工智能做出了重要的实验尝试。