AI 驱动的 QML 模型逆向工程

量子机器学习（QML）是一个快速兴起的研究领域，其驱动力来自含噪中等规模量子（NISQ）设备的能力。随着 QML 模型研究的进展，第三方量子云服务的数量也在增加，以满足不断增长的资源需求。新的安全问题随之浮现，特别是关于在不可信服务提供商面前保护知识产权（IP）的问题。最紧迫的风险之一是恶意行为者进行逆向工程（RE）的潜在可能，他们可能会窃取专有量子 IP（如训练参数和 QML 架构），对其进行修改以移除附加的水印或签名，并为其重新转译以适配其他量子硬件。先前的工作提出了一种暴力方法来对 QML 参数进行逆向工程，该方法需要指数级的时间开销。在本文中，我们引入了一种基于自编码器的方法，用于从部署在不可信第三方供应商上的转译 QML 模型中提取参数。我们在多量子位分类器上进行了实验，并注意到在受限条件下可以对其进行逆向工程，平均误差为 $10^{-1}$ 量级。准备数据集并训练模型以对 QML 电路进行逆向工程所需的时间量级为 $10^3$ 秒（比先前报道的 4 层 4 量子位分类器的值好 $10^2$ 倍），这使得 RE 的威胁变得极具杀伤力，凸显了持续开发有效防御措施的必要性。