浙大、清华取得了超导量子计算机的开创性成果

光子盒研究院出品

研究人员已经提出了许多量子算法来增强各种人工智能任务。随着量子增强人工智能的迅速建立，一个紧迫的基本问题自然出现了：量子人工智能技术在各种攻击下是否值得信赖？

经典神经网络容易受到对抗性扰动的影响，例如，带有小涂鸦的停车标志可能会被误分类为让行标志。最近的理论工作表明，量子神经网络同样具有脆弱性，这将给未来量子机器学习在安全场景中的应用带来严重问题。由此，研究人员建立了量子对抗机器学习的基础。

然而，从实验上演示量子分类器的对抗例子，并显示所提出的对抗措施在实践中的有效性是具有挑战性的，以前从未报道过。现在，由浙江大学王浩华、清华大学邓东灵等组成的团队克服了这些困难，并报告了用10个可编程超导量子比特阵列进行量子对抗学习的首次实验演示。论文于11月28日发表在《自然·计算科学》上[1]。

值得一提的是，在最近举办的第三届和第四届“科学探索奖”颁奖典礼上，浙江大学王浩华教授荣获“科学探索奖”数学物理学奖，奖金300万人民币。

王浩华，浙江大学物理学院教授、博士生导师

在这项工作中，通过优化器件制造和控制工艺，他们将这些量子比特的平均寿命提高到150 μs，同时单和双量子比特门平均保真度分别大于99.94%和99.4%。这使其能够成功地实现具有不同结构的大规模量子分类器，电路深度达到60，并且可训练的变分参数数量超过250。他们使用大尺寸真实图像(例如，医用磁共振成像扫描)和高维量子数据(例如，热和局域量子多体态)训练这些分类器，通过测量一些可观测值直接获得量子梯度(梯度是一个向量)。

经过训练，这些分类器可以在这些数据集上实现最先进的性能，测试准确率高达99%，并进一步证明，通过对抗性训练，量子分类器将对相同攻击策略产生的对抗性扰动免疫。

01

36量子比特处理器

该团队展示了一个可编程量子处理器，它有36个超导transmon量子比特，排列在6×6的二维正方形上。图1b中突出显示的量子比特层和控制线层分别在蓝宝石(顶部)和硅(底部)衬底上形成图案，它们在倒装结合过程中组装在一起。量子分类器建立在用该处理器实现的大规模变分量子电路的基础上。

他们将生成的对抗例子输入到量子分类器中测试其性能。量子对抗学习的主要思想的示意图如图1所示。图1a是用于硬化诊断的固定大脑半球的合法MRI(磁共振成像)扫描及其相应的对抗性示例，通过向原始图像添加少量精心制作的扰动而获得。图1c显示了对合法样本和对抗样本的预测。量子分类器将正确地将合法的MRI扫描识别为“恶性”(蓝)，而错误地将相应的对抗性示例分类为具有高置信度的“良性”(红)，其差别仅在于难以察觉的扰动量。

图1 实验量子对抗学习示意图

为了演示量子对抗学习，他们在处理器中选择了由10个量子比特组成的一维阵列，在量子比特初始化和操作的频率下，其能量弛豫时间T1的范围为131到173 μs。使用由多通道任意波形发生器(MOSTFIT MFAWG-08)产生的30 ns长的微波脉冲实现单量子比特XY旋转，受控非(CNOT)门基于受控π相位(CZ)门加单量子比特旋转。长60纳秒的CZ门是通过仔细调谐量子比特的频率和耦合强度来实现的。

图2 实验中使用的量子比特

由于在该团队的实验序列中，单量子比特(双量子比特)门是在多个量子比特(量子比特对)上同时实现的，因此他们同时进行交叉熵基准测试来表征门的性能，平均泡利错误约为0.08% (0.72%)。

图3 10个量子比特的性能指标（表中第二行ηj/2π单位应为MHz）

02

量子对抗测试正确率99%

在实验中，该团队着重于对抗性训练，并进行实验，以证明其在实践中的有效性。他们首先为每个合法样本生成对抗性示例，然后将它们注入训练集。他们用合法样本和对抗样本重新训练量子分类器。在图4a中，他们绘制了用于在合法和对抗集合上对MRI图像进行分类的分类器的准确度，作为对抗训练过程中的时间段的函数。

他们发现，在大约25个时间段后，两个数据集的概率都会增加，并接近统一，这表明经过对抗性训练的量子分类器变得对对抗性扰动免疫。更具体地说，在图4b中绘制了随机选择的对抗示例(上图)。该图像将被原始量子分类器错误分类到“乳房”类别中，但在对抗训练之后，它将被正确识别为“手”。这清楚地表明，对抗性训练确实可以显著增强量子分类器对对抗性扰动的鲁棒性。

图4 利用MRI图像进行量子对抗训练的实验结果。a.在对抗训练过程中每个阶段的合法和对抗测试数据的准确性。b.量子分类器对抗训练前后的对抗样本图像和相应的实验输出。

作者在最后表示，他们的结果不仅揭示了量子学习系统在对抗场景中的脆弱性，而且证明了防御策略在实践中应对对抗性攻击的有效性，从而为实现可信赖的量子人工智能做出了重要的实验尝试。随着量子人工智能这一新兴领域的发展，他们的研究结果将在安全实际应用中被证明是有用的。

参考文献：

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

相关阅读：

每周一到周五，我们都将与光子盒的新老朋友相聚在微信视频号，不见不散！

你可能会错过：|qu|cryovac>

|qu|cryovac>