量子科技中心_量科网

分布式量子算法提供了一种有前景的路径，能够将变分量子算法扩展到超越嘈杂中等尺度量子硬件的限制。然而，现有方法隐含地假设了跨量子处理器的可信纠缠共享层。该工作表明，这一假设引入了一个根本性的漏洞：共享纠缠的对抗性扰动会引发结构化的门级噪声，直接影响量子学习。该团队开发了一个框架，通过显式的Kraus表示将纠缠级扰动映射到门级噪声。为了量化其影响，该研究人员引入了Kraus可表达性这一度量，将酉可表达性推广到噪声量子信道。随后，该工作通过梯度方差分析，建立了噪声量子电路的Kraus可表达性与可训练性之间的权衡关系。分析揭示，攻击者可以操控Kraus可表达性，在维持足够大的成本梯度（避免贫瘠高原）的同时，系统性地将优化偏向错误解。该团队通过数值模拟验证了这些发现，展示了对抗性攻击对可表达性和可训练性的退化效果。