量子科技中心_量科网

量子神经网络（QNNs）利用量子计算技术构建强大高效的人工智能模型，能够以远超传统计算机的速度解决复杂问题。随着超导量子比特、囚禁离子和集成光子学等量子硬件技术的快速发展，量子计算机有望成为现实，这将加速量子神经网络的应用推广。然而，为量子神经网络准备量子电路和优化参数需要量子硬件支持、专业知识及高质量数据。如何保护量子神经网络的知识产权（IP）成为量子计算时代亟待解决的难题。该研究团队首次尝试通过数字水印技术实现量子神经网络的IP保护。具体方法包括：收集干净的经典样本和触发样本（通过在干净样本上添加扰动生成，并关联与真实标签不同的伪标签），构建由量子编码、量子态变换和量子测量组成的主干QNN模型，并用干净样本和触发样本从头开始训练，最终得到带有水印的QNN模型。训练过程中采用样本分组配对训练策略，确保在水印提取性能良好的同时维持下游任务表现。当出现争议时，只需收集少量触发样本，通过分析目标模型对触发样本的预测结果（无需接触目标QNN模型内部细节）即可提取隐藏水印，从而验证模型所有权。实验验证了该方案具有优越性和适用性。