科学家在超导系统中实现量子对抗机器学习

在一个已经训练好的可以正确识别熊猫的深度学习模型中，即使添加一个肉眼难以察觉的扰动，也很可能会使这个模型给出的预测结果变为长臂猿。如果这类攻击没有得到解决而且被恶意利用，将可能导致严重的安全隐患。因此，对抗学习的研究对于机器学习实际应用的安全性十分重要。

在某些特定的任务下，量子分类模型和生成模型相对于经典模型具有可证明的、有复杂性理论保证的优势。近年来，量子对抗机器学习的概念也被提出并受到了广泛关注。然而，在当前中等规模带噪声（NISQ）量子设备上演示量子学习模型面对对抗攻击的脆弱性和防御手段还面临诸多挑战。

近日，清华大学交叉信息研究院邓东灵团队设计了处理经典数据和量子多体态数据的学习模型，并与浙江大学超导量子计算团队合作，首次在量子设备上成功实现了高维数据的学习、对抗攻击脆弱性的揭示以及相应防御手段的展示。

相关结果显示，在对抗训练后，之前导致模型给出错误判断的对抗样本不能使更新后的模型再次出错，对抗训练的防御效果得到了验证。

此外，实验采用的 36 比特超导量子芯片具有易扩展的近邻连通架构。其高度的编程灵活性和 99.94%/99.4% 保真度的单/双比特量子门，为模型的实验实现提供了基础，并可用于探索更多未知的量子机器学习架构。

内容来源：清华大学

论文链接：

https://www.nature.com/articles/s43588-022-00351-9

转自：“学术头条”微信公众号

如有侵权，请联系本站删除！