量子侧通道泄漏的硬件无关性建模：条件动力学与来自全相关数据的学习

我们研究了一个顺序相干侧信道模型，其中恶意探测器量子比特在隐藏门序列中与目标量子比特发生相互作用。对相同隐藏序列进行 $N$ 次重复可得经验的全相关记录：探测器位字符串 $b\in\{0,1\}^k$ 的联合直方图 $\widehat{P}_g(b)$，这是在独立同分布（i.i.d.）shot 下进行经典后处理的充分统计量，但随着电路深度呈指数级增长。我们首先以一种无关于耦合和测量的形式描述这种顺序探测框架，强调观测空间的规模以及为何在电路深度下确切解析可区分性变得不可行。随后，我们聚焦于一个代表性实例（受控旋转探测器耦合、固定 projective 测量和交换的 $R_x$ 门字母表），其中我们（i）推导深度依赖的泄漏包络，其最大化器预测作为深度函数的“ Goldilocks”耦合带，和（ii）通过机器学习提供一个操作解码器，将 $\widehat{P}_g$ 映射到 Alice 的每一步门标签，无需重新训练地跨越耦合和噪声设置。广泛的耦合和噪声网格实验显示，严格的序列恢复集中在预测的耦合带附近，并在退相干和有限-shot 估计下可预测地退化。