当路由耗尽时：量子中继网络中的对抗性协同学习与可解释鲁棒性

我们研究了在中等规模图集上基于纠缠的量子网络路由的对抗性老虎机问题。Alice为Ekert-91协议(E91)选择一条端到端中继路由作为她的行动，而Eve选择一个攻击面，要么是边截获-重发，要么是中继内存退化。收益来自缓存的SeQUeNCe模拟E91转录，当有限样本统计量违反Clauser-Horne-Shimony-Holt(CHSH)界限时，Alice接受一个回合。在50个结构化拓扑上进行对抗性协同学习，我们发现学习到的保留率紧密跟踪全矩阵极小极大参考(Pearson r=0.99)：在单面Eve行动模型下，瓶颈族具有零保留率，而非瓶颈族遵循1-1/N覆盖原则。然后，我们拟合决策树解释模型到图、攻击和路由级别的拓扑语料库目标，并报告其保真度。最后，我们为本地语言模型构建提示记录以总结树证据，从而为量子中继网络博弈提供了一个开源解释工作流。