自然計算科學封面:量子對策學習示意圖

機器學習對抗垃圾郵件的早期研究可以追溯到垃圾郵件過濾問題，涉及垃圾郵件發(fā)送者和抵制者之間的博弈一般來說，當用戶的電子郵件地址為外界所知時，一些惡意方可能會發(fā)送廣告郵件，計算機病毒等為了商業(yè)利益為了抵制這種行為，人們開發(fā)了郵件過濾器來區(qū)分正常郵件和惡意郵件，并阻止后者為了躲避郵件過濾器的檢測，惡意郵件的發(fā)送者會采取一系列措施，比如修改惡意郵件中的特征詞，添加正常詞等

在量子機器學習領(lǐng)域，最近幾年來的理論工作表明，在某些特定的任務(wù)下，量子分類模型和生成模型相對于經(jīng)典模型具有可證明的優(yōu)勢，這是由復(fù)雜性理論保證的近兩年，量子對抗機器學習的概念也被提出并受到廣泛關(guān)注可是，面對脆弱性和針對攻擊的防御措施，在當前中等規(guī)模的噪聲量子設(shè)備上演示量子學習模型仍然存在許多挑戰(zhàn)在這項研究中，清華大學交叉信息研究院鄧東玲團隊設(shè)計了處理經(jīng)典數(shù)據(jù)和量子多體數(shù)據(jù)的學習模型，并與浙江大學超導(dǎo)量子計算團隊合作，首次在量子器件上成功學習高維數(shù)據(jù)，揭示抵御攻擊的脆弱性并展示相應(yīng)的防御措施

經(jīng)典輸入數(shù)據(jù)的量子對抗學習

首先，實驗是針對高維經(jīng)典數(shù)據(jù)進行學習，核磁共振圖像作為訓練數(shù)據(jù)為了在目前有噪聲的超導(dǎo)量子芯片上實現(xiàn)較高的分類精度，實驗中采用了變參數(shù)和輸入數(shù)據(jù)交錯的方案經(jīng)過訓練收斂并取得良好效果后，實驗發(fā)現(xiàn)這種量子分類模型在面對添加了抗噪聲的樣本時會給出錯誤的分類判斷，揭示了當前模型在抗攻擊方面的脆弱性為了增強模型對潛在噪聲的魯棒性，實驗通過對抗訓練的方式對模型進行了重新訓練相應(yīng)的結(jié)果表明，對抗訓練結(jié)束后，之前導(dǎo)致模型判斷錯誤的對抗樣本不能使更新后的模型再次出錯，對抗訓練的防御效果得到了驗證

量子輸入數(shù)據(jù)的反樣本生成

此外，實驗研究了量子學習模型對量子多態(tài)數(shù)據(jù)的分類以及相應(yīng)對策樣本的生成多體哈密頓量的演化產(chǎn)生了局域態(tài)和熱化態(tài)兩種量子態(tài)數(shù)據(jù)經(jīng)過訓練后，該模型可以以接近100%的準確率區(qū)分這些量子態(tài)通過產(chǎn)生抗噪聲，實驗揭示了即使抗樣本保持與原始樣本相似的局部/熱性質(zhì)，這些樣本也能使模型給出錯誤的分類，這表明模型對抗噪聲是敏感的實驗中使用的36位超導(dǎo)量子芯片具有易于擴展的鄰居連接架構(gòu)其高度的編程靈活性和99.94%/99.4%保真度的單/雙比特量子門為模型的實驗實現(xiàn)提供了基礎(chǔ)，可用于探索更多未知的量子機器學習架構(gòu)

本站了解到，成果論文《通過可編程超導(dǎo)量子比特進行量子對策學習的實驗演示》最近幾天以封面論文的形式發(fā)表在《自然計算科學》雜志上，并獲得了該刊的專欄評論。