量子科技中心_量科网

机器学习模型可以通过看似无害的公共接口继承隐藏的行为特征，这一现象被称为阈下学习。该研究将此框架扩展到量子模型，并研究了两种蒸馏路径：随机输入上的辅助通道，以及受限任务通道——在该通道中，学生模型匹配公开监督输出，而隐藏行为则位于不相交的任务上。经典神经网络与量子神经网络（QNN）均表现出高效的辅助通道阈下学习，但任务通道则显示出强烈的架构依赖性。经典神经网络通过公共任务接口传递的隐藏任务信息极少，而QNN则能保留大部分隐藏任务信号。该团队证明，一个统一的几何图景可以解释这两种情况：传输过程由教师漂移幅度以及通过公共接口可见的隐藏任务相关漂移比例共同控制。这些结果揭示了量子模型供应链中一个具体的安全隐患，并为量子信息处理中隐藏信息的可控传输提供了一条途径。