[2025年12月23日提交（v1），最后修订于2026年7月29日（本版本，v2）]

查看PDF HTML（实验性）

摘要：机器学习（ML）模型在量子计算系统中被越来越多地用于区分多量子比特读出、缓解关联读出错误以及解码量子纠错码，成为当今量子计算机控制和读出栈的组成部分。本文首次分析了这类ML模型对物理故障注入的敏感性，物理故障注入可能导致量子计算机返回错误结果或执行错误纠错操作。本工作研究了两种代表性架构：(i) 用于5量子比特（32类）读出纠错的全连接神经网络（HERQULES），以及(ii) 用作距离-5表面码的深度Q学习（Deep Q）解码器的卷积神经网络。通过使用ChipWhisperer Husky进行电压毛刺攻击，并结合故障参数空间的自动搜索，本工作将成功的故障设置定位到每个目标ML模型的特定层。在HERQULES模型上，故障敏感性具有强烈的层依赖性：早期层比后期层表现出更高的误判率。在Deep Q解码器上，第一个卷积层或最终全连接输出层中的单次触发对齐电压毛刺可将解码准确率从100%降低至低至21.57%。我们进一步使用汉明距离和每比特翻转统计在比特串级别表征由此产生的故障，表明单次毛刺可引发结构化损坏而非纯随机噪声。这些结果促使将基于ML的量子读出和纠错解码视为安全关键组件，并强调了在量子计算流水线中需要轻量级故障检测和冗余机制。

提交历史

作者：Anthony Etim [查看邮箱]
[v1] 2025年12月23日星期二 06:19:14 UTC (278 KB)
[v2] 2026年7月29日星期三 03:41:26 UTC (490 KB)