12月4日，据清华大学官网消息，清华大学交叉信息研究院邓冬玲助理教授课题组与浙江大学物理学院王浩华、宋超课题组合作在超导系统中实现量子对抗机器学习的首次实验实现。
《自然计算科学》 封面：量子对抗学习示意图对抗性机器学习的早期研究可以追溯到垃圾邮件过滤问题，其中涉及垃圾邮件发送者和抵制者之间的博弈。一般来说，当用户的电子邮件地址被外界知晓后，一些恶意方可能会向该电子邮件地址发送广告电子邮件、计算机病毒等，以获取商业利益。为了打击这种行为，我们开发了电子邮件过滤器来区分合法电子邮件和恶意电子邮件并阻止后者。为了逃避电子邮件过滤器的检测，恶意电子邮件的发件人会采取一系列方法，例如修改恶意电子邮件中的特征词、添加正常词等。
随着深度学习的发展，深度学习模型在人脸识别、自动驾驶等领域得到了广泛的应用。然而，人们发现深度学习模型也存在受到对抗性例子攻击的威胁。在经过训练可以正确识别熊猫的深度学习模型中，即使添加肉眼难以察觉的扰动，也很可能将模型给出的预测结果变成长臂猿。如果此类攻击不得到解决并被恶意利用，可能会导致严重的安全风险。例如，在自动驾驶汽车中，如果前面的停车标志贴有精心设计的防干扰膜，并被汽车的识别程序判断为以正常速度行驶，则可能会引发安全事故。在机器学习辅助医疗诊断中，如果在MRI图像中恶意添加微小扰动，也可能发生医疗事故。可见，对抗性学习的研究对于机器学习实际应用的安全非常重要。
在量子机器学习领域，近年来的理论工作表明，在某些特定任务下，量子分类模型和生成模型比经典模型具有可证明的复杂性理论优势。近两年，量子对抗机器学习的概念也被提出并受到广泛关注。然而，在证明量子学习模型对当前中尺度噪声（NISQ）量子设备的对抗性攻击的脆弱性和防御方面仍然存在许多挑战。在这项研究中，清华大学交叉信息研究院邓东岭团队设计了处理经典数据和量子多体数据的学习模型，并与浙江大学超导量子计算团队合作，成功实现了该学习首次在量子设备上处理高维数据。揭示对抗性攻击的脆弱性并演示相应的防御方法。
对于经典输入数据的量子对抗学习实验，第一步是对高维经典数据进行对抗学习，并使用核磁共振图像（MRI）作为训练数据。为了对当前带有噪声的超导量子芯片实现更高的分类精度，实验采用了变分参数和输入数据交错嵌入的方案。训练到收敛并取得更好的结果后，实验产生了对抗性噪声，发现该量子分类模型在面对添加了对抗性噪声的样本时会给出错误的分类判断，揭示了当前模型容易受到对抗性攻击的脆弱性。漏洞。为了增强模型面对潜在对抗噪声的鲁棒性，实验采用对抗训练的方式对模型进行重新训练。相应的结果表明，经过对抗性训练后，之前导致模型做出错误判断的对抗性样本不能使更新后的模型再次出错，对抗性训练的防御效果得到了验证。
量子输入数据对抗样本的生成此外，还对量子学习模型对量子多体数据的分类以及相应对抗样本的生成进行了实验研究。实验通过多体哈密顿量的演化生成了两种类型的量子态数据，即局域态和热化态。经过训练，该模型可以以接近100% 的准确度区分这些量子态。通过生成对抗性噪声，实验表明，即使对抗性样本保持与原始样本相似的定位/热化特性，这些样本也会导致模型给出错误的分类，从而证明模型容易受到对抗性噪声的影响。实验中使用的36位超导量子芯片具有易于扩展的邻居连接架构。其高度的编程灵活性和保真度为99.94%/99.4%的单/双位量子门为模型的实验实现提供了基础，可用于探索更多未知的量子机器学习架构。
成果论文“ExperimentalQuantum Adversarial Learning with Programmable Superconducting qubits”近期作为封面论文发表在Nature Computational Science 《自然计算科学》上，并获得该期刊专栏评论。
