量子科技中心_量科网

云端量子平台使用户能够访问采用不同量子比特技术、耦合架构和噪声水平的多种后端系统。然而，电路的实际执行过程依赖于用户不可见的内部资源分配与路由策略——服务提供商可能出于节约资源、均衡负载或其他不透明原因，将任务重定向至错误率更高的区域，导致保真度下降，却仍向用户展示过时或平均化的校准数据。这种透明度缺失形成了安全漏洞：用户无法验证其电路是否在所计费的硬件上执行。因此，通过用户可见特征推断后端行为的取证方法变得至关重要。 该研究团队提出了一种基于图神经网络（GNN）的取证框架，仅需利用拓扑结构信息和从编译电路中提取的聚合特征，即可预测未知后端的单量子比特错误率与量子比特间链路错误率。研究人员从多个IBM 27量子比特设备构建数据集，将静态校准特征与动态编译特征融合，并分别训练针对单量子比特和双量子比特错误的GNN回归模型。在推理阶段，该模型无需目标后端的校准数据，仅通过用户可获取的特征即可重构完整的错误分布图。 实验结果显示，该模型在目标后端上实现了错误率的精确重建：单量子比特错误平均失配率约22%，量子比特链路错误平均失配率约18%。模型还展现出极强的排序一致性——预测错误值诱导的排序与实际校准错误排序高度吻合（反映为高斯皮尔曼相关系数）。该框架能持续识别薄弱链路与高噪声量子比特，并在实际时间噪声漂移条件下保持稳健性。