量子科技中心_量科网

量子机器学习（QML）是解决经典人工智能难以应对的计算问题的前沿范式。然而，量子力学固有的概率特性、含噪声中等规模量子（NISQ）硬件的设备噪声，以及混合量子-经典执行流程带来的新型风险，阻碍了QML在现实世界安全关键场景中的可靠部署。该研究提出了“可信量子机器学习（TQML）”的总体框架，整合了三个可靠性基础支柱：（一）面向校准化风险感知决策的不确定性量化；（二）抵御经典与量子原生威胁模型的对抗鲁棒性；（三）分布式与委托量子学习场景中的隐私保护。研究人员基于量子信息理论，形式化定义了量子专用信任度量指标，包括预测不确定性的方差分解、迹距离约束的鲁棒性边界，以及混合学习通道的差分隐私保护机制。为验证当前NISQ设备的可行性，该团队在参数化量子分类器上测试了统一信任评估流程，揭示了不确定性预测风险之间的关联性、经典扰动与量子态扰动在攻击脆弱性上的不对称现象，以及由散粒噪声和量子通道噪声驱动的隐私-效用权衡关系。该路线图旨在将可信性确立为量子人工智能的一级设计目标。