量子科技中心_量科网

变分量子电路面临着隐私性与可训练性的关键权衡。实现强隐私性所需的高表达能力会引发指数级膨胀的动态李代数结构，这一结构不可避免地导致训练陷入“贫瘠高原”。反之，受限于多项式规模李代数的可训练模型则对代数攻击完全透明。为解决这一困境，该研究团队提出DyLoC架构——这种双层结构采用正交解耦策略：将可训练性锚定在多项式DLA的拟设上，同时将隐私保护外化至输入输出接口。具体而言，该方案通过“截断切比雪夫图编码”(TCGE)阻止快照反演攻击，利用“动态局部扰动”(DLS)混淆梯度信息。实验表明，DyLoC在保持基线收敛水平（最终损失0.186）的同时，将梯度重构误差提升了13个数量级。当重构均方误差超过2.0时，系统能完全阻断快照反演攻击。这些结果证实DyLoC为安全可训练的量子机器学习建立了可验证的实施路径。