[Submitted on 23 Dec 2025 (v1), last revised 29 Jul 2026 (this version, v2)]

View PDF HTML (experimental)

Abstract:機器學習（ML）模型日益被應用於量子運算系統，用於辨識多量子位元讀取結果、緩解相關讀取錯誤，以及解碼量子錯誤修正碼，使其成為當前量子電腦控制與讀取堆疊的重要元件。本論文首度針對此類機器學習模型在實體故障注入下的脆弱性進行分析，此種攻擊可能導致量子電腦回傳錯誤結果或執行錯誤的錯誤修正操作。本研究探討兩種具代表性的架構：(i) 用於五量子位元（32 類別）讀取錯誤修正的全連接神經網路（HERQULES），以及 (ii) 用作距離-5 表面碼 Deep Q-learning（Deep Q）解碼器的卷積神經網路。研究團隊使用 ChipWhisperer Husky 進行電壓閃爍攻擊，並搭配自動化故障參數空間搜尋，將成功故障設定定位至各目標模型的特定層級。在 HERQULES 模型上，故障脆弱性具有強烈的層級依賴性：早期層級的誤判率高於後期層級。在 Deep Q 解碼器上，單次與觸發同步的電壓閃爍發生於第一個卷積層或最後一個全連接輸出層，即可將解碼準確率從 100% 降低至最低 21.57%。研究進一步以漢明距離與逐位元翻轉統計，於位元串層級分析故障結果，顯示單次閃爍可能引發結構化破壞，而非純隨機雜訊。這些結果促使我們將基於機器學習的量子讀取與錯誤修正解碼視為安全關鍵元件，並強調在量子運算管線中導入輕量級故障偵測與冗餘機制的必要性。

Submission history

From: Anthony Etim [view email]
[v1] Tue, 23 Dec 2025 06:19:14 UTC (278 KB)
[v2] Wed, 29 Jul 2026 03:41:26 UTC (490 KB)