量子模仿游戏：量子机器学习模型的逆向工程

量子机器学习 (QML) 将量子计算范式与机器学习模型融合，为解决复杂问题提供了巨大的前景。然而，随着众多第三方供应商在噪声中间规模量子 (NISQ) 时代的扩张，QML 模型的安全性尤为重要，尤其是针对可能暴露模型训练参数和算法的逆向工程。我们假设不值信任的量子云提供商在推理期间对经过转移的用户设计的经过训练的 QML 模型拥有白盒访问权限。逆向工程 (RE) 用于提取未经过转移的 QML 电路，从而实现重新转移并可用于各种具有完全不同本机门集甚至不同量子比特技术的硬件。这种灵活性可能无法从绑定于特定硬件和量子比特技术的转移电路中获得。关于参数数量和优化值的信息可允许进一步训练 QML 模型以改变 QML 模型、篡改水印，以及/或嵌入自身水印或为其他目的优化模型。在本文首次探讨 QML 电路逆向工程的努力中，我们对各种规模的量子神经网络 (QNN) 执行逆向工程并比较原始与逆向工程模型的训练准确率。我们指出，在特定条件下，多量子比特分类器可以被逆向工程，平均误差可达 1e-2，且在合理时间内完成。我们还提出在 QML 模型中添加固定参数虚拟门以增加逆向工程开销以进行防御。例如，添加 2 个虚拟量子比特和 2 层可使 2 量子比特 3 层分类器的开销增加约1.76倍，性能开销不足 9%。我们指出，逆向工程是一种非常强大的攻击模型，值得进一步关注防御措施。