通过优化电路度量设计鲁棒的量子神经网络
量子物理
2025-03-24 v2
摘要
在本研究中, 我们研究了量子卷积神经网络与经典卷积神经网络(CNN)相比, 针对两种对抗攻击——快速梯度符号法(FGSM)和投影梯度下降(PGD)——的鲁棒性, 图像分类任务在修改版国家标准与技术研究院(MNIST)和 Fashion-MNIST(FMNIST)数据集上进行。为了增强 QuNN 的鲁棒性, 我们开发了一种利用三个量子电路度量的新方法: 表达性、纠缠能力和受控旋转门选择。我们的分析表明, 这些度量显著影响 Hilbert 空间内的数据表示, 从而直接影响 QuNN 的鲁棒性。我们严格证明了具有较高表达性和较低纠缠能力的电路在对抗条件下通常表现出增强的鲁棒性, 特别是在大多数攻击发生的低频谱扰动强度下。此外, 我们的研究结果挑战了表达性单独决定电路鲁棒性的普遍假设; 相反, 我们证明了围绕 Z 轴的受控旋转门的包含通常会增强 QuNN 的弹性。我们的结果表明, 与 CNN 相比, QuNN 在 MNIST 数据集上表现出高达 60% 的鲁棒性, 在 Fashion-MNIST 数据集上为 40%。总而言之, 我们的工作阐明了量子电路度量与鲁棒数据特征提取之间的关系, 通过提高 QuNN 的对抗鲁棒性推动了该领域的发展。
引用
@article{arxiv.2411.11870,
title = {Designing Robust Quantum Neural Networks via Optimized Circuit Metrics},
author = {Walid El Maouaki and Alberto Marchisio and Taoufik Said and Muhammad Shafique and Mohamed Bennai},
journal= {arXiv preprint arXiv:2411.11870},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2407.03875