量子科技中心_量科网

深度神经网络（DNNs）在多个领域展现出卓越性能，但其对对抗性扰动的脆弱性限制了其在安全关键场景中的应用。本研究提出了两种基于量子优化的鲁棒性验证模型：针对分段线性激活函数（如ReLU和hardtanh）的首个模型建立了精确且完备的数学表述，可精确定位对抗样本；针对通用激活函数（包括sigmoid和tanh）的第二个模型通过分段常数边界构建可扩展的过近似方案，该模型具有渐进完备性——当分割粒度细化时近似误差趋近于零。该团队进一步将量子Benders分解法与区间运算相结合以加速求解，并提出证书迁移边界理论，将剪枝网络的鲁棒性保证与原始模型建立关联。通过层级分割策略实现的量子-经典混合工作流，可耦合不同深度子问题。在鲁棒性基准测试中，该方法展现出高认证精度，证明量子优化能作为神经网络（含复杂激活函数）鲁棒性保证的理论基础。