量子科技中心_量科网

随机量子神经网络（SQNN）将神经元激活编码为量子比特，突触连接编码为纠缠，并通过林德布拉德主方程引入神经噪声。近期一项会议研究将环形纠缠SQNN应用于协同入侵检测，得出三个结论：环形纠缠对于非局域异常检测是\emph{必需的}；存在一个对抗鲁棒性界限但该界限是\emph{保守的}；去极化信道\emph{未能}起到类似随机失活的正则化作用，其行为反而类似于输出噪声。该研究遗留了两个开放问题：逐门的随机失活（“真正量子随机失活”）能否在去极化信道失效的情况下实现正则化；以及松散的鲁棒性界限能否被一种预测性理论所取代。本文同时解决了这两个问题，并将该框架扩展至真实数据及中性原子硬件。该团队通过随机主方程及其向量化的刘维尔超算符给出了一个 \(N\) 量子比特的表述，并证明了一个\emph{退相干收缩定理}：强度为 \(\gamma\) 的去极化信道作用于 \(L\) 个纠缠层时，会使得每个权重为 \(w\) 的泡利读出值收缩一个因子 \((1-4\gamma/3)^{wL}\)（对于此处使用的权重为 \(1\) 的读出值，该因子为 \((1-4\gamma/3)^{L}\)）；基于Du等人提出的噪声即防御的通用结论，该工作将此结论量化和操作化，应用于入侵检测。在使用白盒FGSM和PGD攻击的真实NSL-KDD数据集上，经过去极化信道训练的SQNN在七次随机种子及强 \(\ell_\infty\)/\(\ell_2\) 攻击下，比无噪声电路具有显著更强的鲁棒性（\(\ell_\infty\) PGD-\(20\)，\(p=0.04\)，大效应），且关键的是，该模型从未遭受无噪声模型和梯度训练的传统检测器（后者准确率从 \(95\%\) 降至 \(47\%\)）所经历的灾难性鲁棒性崩溃，鲁棒性方差大致降低了两倍；该研究证明此鲁棒性源于噪声重塑的训练边界，而非攻击时刻的梯度收缩。针对泛化性能，该团队推导出一个自适应惩罚公式，表明逐门随机失活在权重空间中实现了一种曲率加权的 \(L_2\) 惩罚 \(\tfrac{p(1-p)}{2}\sum\theta^2\partial^2_\theta L\)，在 \(p=1/2\) 时达到最大值，而去极化噪声则实现了一种输出空间的惩罚。一项包含30次随机种子的研究证实了该公式的定量预测：两种机制都能以较小但统计显著的比例缩小训练-测试差距（约 \(\approx\!0.01\)；\(p<10^{-4}\) 和 \(p=0.004\)），且二者在统计上无法区分，其效应集中在过拟合最严重的区域；正如公式所预测，将随机失活率提升至超过 \(1/2\) 并无帮助。先前工作中基于单次随机种子得出的二分法结论在重复实验中未能复现。最后，该工作给出了一个中性原子实现方案以及基于 \(N\) 的可行性分析。