欺骗解码器：针对量子纠错的对抗性攻击
量子物理
2025-04-29 v1
摘要
神经网络解码器正变为实现容错量子计算的关键组件。然而，其内部机制鲜有人了解，阻碍了我们确保其可靠性和安全性以抵御对抗性攻击的能力。主流机器学习解码器利用循环神经网络和变压器模型（如 AlphaQubit），强化学习 (RL) 在训练高级变压器模型（如 DeepSeek R1）方面发挥关键作用。本文针对基本 RL 表面代码解码器 (DeepQ) 首次提出针对量子纠错的对抗性攻击。通过应用最新的白盒方法，我们揭示了该解码器的漏洞，展示了一种可使实验内存中逻辑量子比特寿命降低最高可达五个数量级的攻击。我们验证了这一攻击确实利用了真实弱点：该解码器对噪声波动具有鲁健性，替换由 MWPM 解码器负责终止剂集的 referee 解码器几乎无影响，并在可检查的代码距离下表现出容错性。这一攻击凸显了基于机器学习的量子纠错的易受攻击性，强调进一步研究稳健 QEC 方法的重要性。
引用
@article{arxiv.2504.19651,
title = {Fooling the Decoder: An Adversarial Attack on Quantum Error Correction},
author = {Jerome Lenssen and Alexandru Paler},
journal= {arXiv preprint arXiv:2504.19651},
year = {2025}
}