量子GAN的守护者

量子生成对抗网络（qGAN）处于图像生成量子机器学习模型的前沿。为了满足对噪声中等规模量子（NISQ）设备训练和推理量子机器学习模型日益增长的需求，提供量子硬件即服务的第三方供应商数量预计将增加。这种扩展引入了不可信供应商可能窃取量子机器学习模型专有信息的风险。为了解决这个问题，我们提出了一种新颖的水印技术，该技术利用在qGAN训练阶段嵌入的噪声签名作为非侵入式水印。水印在qGAN生成的图像中可识别，使我们能够追溯到训练期间使用的特定量子硬件，从而提供强有力的所有权证明。为了进一步增强安全鲁棒性，我们提出在多个量子硬件序列上训练qGAN，嵌入一个包含所有训练硬件噪声签名的复杂水印，使对手难以复制。我们还开发了一个机器学习分类器来稳健地提取该水印，从而从qGAN生成的图像中识别训练硬件（或硬件套件），验证模型的真实性。我们注意到，水印签名对于在与训练时不同的硬件上进行推理具有鲁棒性。在单个和多个量子硬件设置上训练qGAN（并在不同硬件上推理）时，我们分别获得了100%和约90%的水印提取准确率。由于训练期间的参数演化受到量子噪声的强烈调制，所提出的水印也可以扩展到其他量子机器学习模型。