基于图的云量子后端硬件噪声推断 Forensic 框架

云量子平台为用户提供许多具有不同量子比特技术、耦合布局和噪声水平的后端。然而，电路的执行取决于不可观测的内部分配和路由策略。供应商可能将作业重定向到更易出错的区域以节省资源、平衡负载或出于其他不透明原因，导致保真度下降，同时仍显示陈旧或平均化的校准数据。这种透明度不足创造了一个安全缺口：用户无法验证其电路是否在他们被收费的硬件上执行。因此，基于用户可见信件推断后端行为的 Forensic 方法日益重要。在本工作中，我们引入一种基于图神经网络（GNN）的 Forensic 框架，通过仅使用拓扑信息和从 transpile 电路中提取的聚合特征，预测不可见后端的每个量子比特及每个量子比特链路的错误率。我们从多个 IBM 27 量子比特设备构建数据集，将静态校准特征与动态 transpile 特征合并，并为单量子比特错误和双量子比特错误分别训练独立的 GNN 回归器。在推理时间，模型无需访问目标后端的校准数据，即可从用户可获得的特征中重建完整的错误图。我们的目标后端结果显示，单量子比特错误平均不匹配约为 22%，量子比特链路错误为 18%。该模型还表现出强大的排序一致性，预测错误值引起的排序与实际校准错误高度一致，如由高 Spearman 相关系数所反映。该框架持续识别弱链路和高噪声量子比特，并在现实的时序噪声漂移下保持稳健性。