Fault Attacks on ML-based Quantum Control and Error Correction
Diese Arbeit präsentiert die erste Analyse von physikalischen Fault-Injection-Angriffen auf maschinelle Lernmodelle im Bereich des Quantencomputings und zeigt auf, dass Spannungsimpulse die Genauigkeit der Auslese-Fehlerkorrektur sowie der Quantenfehler-Dekodierung signifikant verschlechtern können, indem sie eine strukturierte Bit-Ebene-Korruption anstelle von zufälligem Rauschen induzieren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine Welt vor, in der Computer nicht nur Zahlen berechnen, sondern mit dem sehr eigentlichen Gewebe der Realität tanzen und dabei winzige Teilchen namens Qubits nutzen, um Probleme zu lösen, für die normale Computer eine Million Jahre bräuchten. Dies ist das Reich des Quantencomputings. Doch diese Quantentänzer sind unglaublich schüchtern und sensibel; ein einziger Nieser aus der Umgebung kann ihre Performance ruinieren. Um sie auf Kurs zu halten, nutzen wir „Fehlerkorrektur“, ein Sicherheitsnetz, das ständig prüft, ob ein Qubit gestolpert ist, und es korrigiert. In der Vergangenheit war dieses Sicherheitsnetz ein starres Regelwerk, aber vor kurzem begannen Wissenschaftler, diese Sicherheitsnetze dazu zu bringen, mithilfe von Maschinellem Lernen (ML) selbstständig zu lernen. Stellen Sie sich das wie ein Upgrade von einem starren Regelbuch zu einem intelligenten, intuitiven Coach vor, der subtile Fehler erkennen und sie sofort beheben kann.
Es gibt jedoch einen Haken. Genau wie ein menschlicher Coach durch eine gut getimte Ablenkung getäuscht werden kann, können auch diese intelligenten ML-Coaches verwirrt werden. Diese Arbeit untersucht eine sehr spezifische, physische Art und Weise, diese Coaches zu verwirren: indem man dem Gehirn des Computers einen winzigen, augenblicklichen „Glitch“ (einen Aussetzer) in seiner Stromversorgung gibt. Es ist, als würde man einen Lichtschalter so schnell an- und ausschaltet, dass das Gehirn des Computers für einen Sekundenbruchteil stolpert. Die Forscher wollten wissen: Wenn jemand heimlich den Stromschalter an der Maschine betätigen könnte, die den Quantencomputer steuert, könnte er den smarten Coach dazu bringen, den falschen Rat zu geben? Und wenn dies geschieht, würde der Quantencomputer nur etwas verrauschter werden oder würde er völlig die Orientierung verlieren?
Die Forscher Anthony Etim und Jakub Szefer beschlossen, diese Theorie an zwei verschiedenen Arten von „smarten Coaches“ zu testen, die in Quantensystemen eingesetzt werden. Der erste war ein Modell namens HERQULES, das wie ein Übersetzer fungiert und versucht herauszufinden, was eine Gruppe von fünf Quantenteilchen sagt, wenn sie alle durcheinander reden. Der zweite war ein „Deep Q“-Decoder, ein komplexerer Coach, der wie ein Detektiv agiert, der eine Karte aus Hinweisen (genannt Syndrome) betrachtet, um zu entscheiden, wie Fehler in einem großen Quantenpuzzle zu beheben sind.
Um dies zu testen, richtete das Team ein Laborexperiment mit einer Vorrichtung namens ChipWhisperer Husky ein. Dieses Gerät ist wie ein präzises chirurgisches Skalpell für Elektrizität; es kann einen winzigen, perfekt getimten Spannungs-Glitch in die Stromleitung des Computers injizieren, der die ML-Modelle ausführt. Sie warfen nicht einfach nur zufällige Glitches ein; sie synchronisierten die Glitches so, dass sie den Computer genau in dem Moment trafen, in dem er bestimmte Teile seines „Gehirns“ (die verschiedenen Schichten des neuronalen Netzwerks) verarbeitete.
Die Ergebnisse waren erschütternd. Sie fanden heraus, dass diese smarten Coaches überraschend fragil sind. Als sie die frühen Teile des HERQULES-Übersetzers glitchen ließen, führte dies viel häufiger zu Fehlern als beim Glitchen der späteren Teile. Tatsächlich konnte ein einzlicher, gut platzierter Glitch beim Deep-Q-Decoder die Genauigkeit von perfekten 100 % auf bis zu 21,57 % senken. Aber der beängstigende Teil war nicht nur die Anzahl der Fehler, sondern die Art der Fehler.
Normalerweise, wenn man einen Computer stört, erwartet man zufälliges Rauschen – wie statisches Rauschen im Radio. Aber hier verursachten die Glitches eine „strukturierte Korruption“. Es war, als ob der Glitch den Coach nicht nur verwirrte, sondern ihn regelrecht gehirnwusch. Der Deep-Q-Decoder, der eigentlich dazu gedacht ist, verschiedene Hinweise zu betrachten und verschiedene Korrekturen zu wählen, begann, die Hinweise völlig zu ignorieren. Stattdessen wählte er jedes Mal exakt dieselbe Korrektur, egal was das Problem war. In einem Experiment kollabierte der Decoder in die Wahl von „Aktion 0“ für fast jeden Input, was bedeutete, dass er seine Aufgabe praktisch aufgab.
Die Forscher simulierten auch, was passiert, wenn das Gehirn des Computers auf „nicht-endliche“ Zahlen (wie Unendlich oder „Not a Number“) stößt, die durch einen Glitch verursacht wurden. Sie fanden heraus, dass das Injizieren von nur fünf dieser seltsamen Zahlen in die erste Schicht des Deep-Q-Decoders ausreichte, um das gesamte System in diese eine, falsche Aktion kollabieren zu lassen. Dies deutet darauf hin, dass der Ausfall nicht nur zufälliges Rauschen ist, sondern eine spezifische Schwachstelle, bei der ein winziger Fehler in den frühen Stadien der Verarbeitung in einen totalen Systemausfall kaskadieren kann.
Das Paper kommt zu dem Schluss, dass diese ML-Modelle zwar großartig dafür sind, Quantencomputer funktionsfähig zu machen, sie aber auch eine neue Art von Schwachstelle darstellen. Wenn ein Angreifer mit physischem Zugriff auf den Controller den Stromschalter in der richtigen Millisekunde betätigt, könnte er den Quantencomputer stillschweigend daran hindern, seine eigenen Fehler zu korrigieren. Die Autoren schlagen vor, dass wir diese ML-Modelle als kritische Sicherheitskomponenten behandeln müssen, etwa indem wir einfache Prüfungen hinzufügen, um diese Glitches abzufangen, oder indem wir den Computer seine eigene Arbeit doppelt prüfen lassen, nur um sicherzustellen, dass er nicht in einen Trancezustand versetzt wurde.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.