量子科技中心_量科网

研究量子机器学习（QML）模型的对抗鲁棒性，对于理解其相对于经典模型的潜在优势及构建可信系统至关重要。分布式QML模型能够利用多个量子处理器突破单个设备的限制，构建可扩展系统。然而，这种分布式架构可能影响其对抗鲁棒性，甚至可能引发新型攻击漏洞。分布式QML的核心范式包括：1）类经典模型的联邦学习（在本地数据训练共享模型后仅传输模型参数更新）；2）量子计算特有的线路分布方法（如线路切割和基于量子隐形传态的技术），这些方法支持跨多设备的量子线路分布式执行。该工作系统比较了这些分布方法的差异，总结了各范式下分布式QML模型对抗鲁棒性的现有研究，并探讨了该领域的开放性问题。