量子科技中心_量科网

与经典神经网络类似，量子机器学习（QML）模型易受微小输入扰动的影响，这些扰动可能显著改变输出预测。因此，验证QML模型的鲁棒性，尤其是在NISQ硬件上，是实现可信赖量子人工智能的基础步骤。本章回顾了该团队近期开发的用于验证QML对抗鲁棒性的综合形式化框架。该框架的核心是一个基于保真度的鲁棒性下界，可直接从测量结果分布计算得出，从而能够在真实量子设备上进行形式化验证和经验性估计。此外，在完全了解量子机器学习模型的情况下，可通过半定规划（SDP）计算最优下界。该团队将这些成果整合为：（1）一个高效的形式化验证框架；（2）VeriQR，首个专用的QML鲁棒性验证工具；（3）首个在20比特超导处理器上进行的量子对抗鲁棒性实验基准测试。这些系统性进展共同实现了对QML模型的可扩展、基于物理的鲁棒性评估。