量子科技中心_量科网

对抗训练是安全关键型机器学习系统中防御恶意输入扰动的标准方法。其主要负担在于结构性问题——每次参数更新前，当前模型必须首先遭受攻击以发现新的对抗性扰动，这使得训练成本随着模型规模扩大而急剧增加且难以持续。该研究团队提出了一种在局部稳定性和稀疏性假设下进行投影梯度鲁棒训练的端到端量子流程。其核心步骤是将攻击者-学习者的耦合动力学重构为高维稀疏线性系统，该系统终端模块可生成最终网络参数状态。在此框架下，主要查询成本随训练时间步长呈线性增长（对数因子内），并随模型尺寸呈多对数增长，而完整门电路复杂度则计入输入准备和稀疏访问的额外开销。这项工作将人工智能安全的核心计算任务置于量子计算基础上，并确定了可降低鲁棒训练开销的作用范围。