量子科技中心_量科网

机器学习分类器正日益应用于量子计算系统，以提升多量子比特读出分辨能力并抑制关联读出误差。这些分类器已成为现代量子计算机控制与读出架构的核心组成部分。本研究首次揭示了此类机器学习分类器在物理故障注入攻击下的脆弱性——这种攻击可导致量子计算机产生错误读出结果。该研究针对5量子比特（即32分类）读出纠错模型展开，利用ChipWhisperer Husky设备实施电压毛刺攻击，并通过自动化算法扫描故障注入参数空间，在目标机器学习模型的所有层级中成功诱发多种故障。重复实验表明，故障敏感性呈现显著的层级依赖性：早期层级触发故障时误判率较高，而后期层级误判率较低。该工作进一步通过汉明距离和逐比特翻转统计，在比特串层面量化了故障导致的读出异常，证明单次毛刺攻击可引发具有特定结构的读出数据损坏，而非纯粹随机噪声。这些发现提示：基于机器学习的量子计算机读出及纠错模块应被视为量子系统的安全关键组件，亟需在量子读出流水线中部署轻量级、易集成的故障检测与冗余机制。