Fault Attacks on ML-based Quantum Control and Error Correction
यह शोध पत्र क्वांटम कंप्यूटिंग में उपयोग किए जाने वाले मशीन लर्निंग मॉडलों पर भौतिक दोष इंजेक्शन (physical fault injection) हमलों का पहला विश्लेषण प्रस्तुत करता है, जो यह प्रदर्शित करता है कि वोल्टेज ग्लिच रैंडम नॉइज़ के बजाय संरचित बिट-स्तरीय भ्रष्टाचार (structured bit-level corruption) को प्रेरित करके रीडआउट एरर करेक्शन और क्वांटम एरर डिकोडिंग की सटीकता को महत्वपूर्ण रूप से कम कर सकते हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक ऐसी दुनिया की कल्पना करें जहाँ कंप्यूटर केवल संख्याओं का हिसाब नहीं लगाते, बल्कि वास्तविकता के ताने-बाने के साथ नृत्य करते हैं, और उन समस्याओं को हल करने के लिए 'क्यूबिट्स' नामक सूक्ष्म कणों का उपयोग करते हैं जिन्हें हल करने में सामान्य कंप्यूटरों को दस लाख साल लग सकते हैं। यह क्वांटम कंप्यूटिंग का क्षेत्र है। लेकिन ये क्वांटम नर्तक अविश्वसनीय रूप से शर्मीले और संवेदनशील होते; पर्यावरण की एक छोटी सी छींक भी उनके प्रदर्शन को बिगाड़ सकती है। उन्हें पटरी पर रखने के लिए, हम "एरर करेक्शन" (त्रुटि सुधार) का उपयोग करते हैं, जो एक सुरक्षा जाल की तरह है जो लगातार जाँचता रहता है कि क्या किसी क्यूबिट ने लड़खड़ाया है और उसे ठीक करता है। अतीत में, यह सुरक्षा जाल नियमों का एक कठोर समूह था, लेकिन हाल ही में, वैज्ञानिकों ने इन सुरक्षा जालों को अपने आप सीखने के लिए मशीन लर्निंग (ML) का उपयोग करना सिखाना शुरू कर दिया है। इसे एक कठोर नियम पुस्तिका को एक स्मार्ट, सहज कोच में अपग्रेड करने के रूप में सोचें जो सूक्ष्म गलतियों को पहचान सकता है और उन्हें तुरंत ठीक कर सकता है।
हालाँकि, इसमें एक पेंच है। जिस तरह एक मानव कोच को एक सही समय पर आए भटकाव से धोखा दिया जा सकता है, उसी तरह ये स्मार्ट ML कोच भी भ्रमित हो सकते हैं। यह शोध पत्र उन्हें भ्रमित करने के एक बहुत ही विशिष्ट, भौतिक तरीके की खोज करता है: कंप्यूटर के मस्तिष्क को बिजली की आपूर्ति में एक क्षणिक, सूक्ष्म "ग्लिच" (खराबी) देकर। यह बिजली के स्विच को इतनी तेज़ी से चालू और बंद करने जैसा है कि कंप्यूटर का मस्तिष्क एक पल के लिए लड़खड़ा जाए। शोधकर्ता यह जानना चाहते थे: यदि कोई क्वांटम कंप्यूटर को नियंत्रित करने वाली मशीन के पावर स्विच को चुपके से चालू-बंद कर दे, तो क्या वे स्मार्ट कोच को गलत सलाह देने पर मजबूर कर सकते हैं? और यदि वे ऐसा करते हैं, तो क्या क्वांटम कंप्यूटर केवल थोड़ा शोर भरा हो जाएगा, या वह पूरी तरह से अपना रास्ता भटक जाएगा?
शोधकर्ताओं, एंथनी एटिम और जैकब शेफर ने इस सिद्धांत का परीक्षण करने के लिए क्वांटम सिस्टम में उपयोग किए जाने वाले दो अलग-अलग प्रकार के "स्मार्ट कोचों" पर निर्णय लिया। पहला एक मॉडल था जिसे HERQULES कहा जाता है, जो एक अनुवादक की तरह कार्य करता है, यह समझने की कोशिश करता है कि पाँच क्वांटम कण क्या कह रहे हैं जब वे सभी एक-दूसरे के ऊपर बोल रहे होते हैं। दूसरा एक "डीप क्यू" (Deep Q) डिकोडर था, जो एक अधिक जटिल कोच है जो एक जासूस की तरह काम करता है, जो सुरागों (जिन्हें सिंड्रोम कहा जाता है) के मानचित्र को देखकर एक बड़े क्वांटम पहेली को ठीक करने का निर्णय लेता है।
इनका परीक्षण करने के लिए, टीम ने 'चिपविस्परर हस्की' (ChipWhisperer Husky) नामक एक उपकरण का उपयोग करके एक लैब प्रयोग स्थापित किया। यह उपकरण बिजली के लिए एक सटीक सर्जन के स्कैल्पल की तरह है; यह कंप्यूटर के पावर लाइन में एक छोटा, सटीक रूप से समयबद्ध वोल्टेज ग्लिच इंजेक्ट कर सकता है। उन्होंने केवल रैंडम ग्लिच नहीं डाले; उन्होंने ग्लिच को इस तरह से सिंक्रोनाइज़ किया कि वे कंप्यूटर के "मस्तिष्क" के विशिष्ट हिस्सों (न्यूरल नेटवर्क के विभिन्न स्तरों) को प्रोसेस करते समय सटीक रूप से टकराएं।
परिणाम चौंकाने वाले थे। उन्होंने पाया कि ये स्मार्ट कोच आश्चर्यजनक रूप से नाजुक हैं। जब उन्होंने HERQULES अनुवादक के शुरुआती हिस्सों में ग्लिच किया, तो इसने बाद के हिस्सों में ग्लिच करने की तुलना में गलतियाँ बहुत अधिक कीं। वास्तव में, Deep Q डिकोडर के लिए, एक अकेला, सही स्थान पर किया गया ग्लिच इसकी सटीकता को 100% से घटाकर 21.57% तक नीचे ला सकता है। लेकिन डरावनी बात केवल गलतियों की संख्या नहीं थी; बल्कि गलतियों का प्रकार था।
आमतौर पर, जब आप किसी कंप्यूटर के साथ छेड़छाड़ करते हैं, तो आप यादृच्छिक शोर (random noise) की उम्मीद करते हैं—जैसे रेडियो पर स्टेटिक। लेकिन यहाँ, ग्लिच ने "स्ट्रक्चर्ड करप्शन" (संरचित भ्रष्टाचार) पैदा किया। यह ऐसा था जैसे ग्लिच ने कोच को केवल भ्रमित ही नहीं किया; बल्कि उसने उसे ब्रेनवॉश कर दिया। Deep Q डिकोडर, जिसे विभिन्न सुरागों को देखना और विभिन्न सुधार चुनना चाहिए, उसने सुरागों को पूरी तरह से अनदेखा करना शुरू कर दिया। इसके बजाय, वह हर बार एक ही तरह का सुधार चुनने लगा, चाहे समस्या कुछ भी हो। एक प्रयोग में, डिकोडर लगभग हर इनपुट के लिए "एक्शन 0" चुनने की स्थिति में ढह गया, जिससे प्रभावी रूप से उसने अपना काम करना छोड़ दिया।
शोधकर्ताओं ने यह भी सिम्युलेट किया कि क्या होता है यदि कंप्यूटर का मस्तिष्क "नॉन-फाइनाइट" (अनंत या 'नॉट अ नंबर') संख्याओं का सामना करता है। उन्होंने पाया कि Deep Q डिकोडर के पहले स्तर में केवल पाँच ऐसी अजीब संख्याओं को डालने से ही पूरे सिस्टम के विफल होने के लिए पर्याप्त था। यह सुझाव देता है कि विफलता केवल रैंडम शोर नहीं है; यह एक विशिष्ट भेद्यता है जहाँ प्रसंस्करण के शुरुआती चरणों में एक छोटी सी त्रुटि पूरे सिस्टम की विफलता में बदल सकती है।
पेपर इस निष्कर्ष पर पहुँचता है कि जबकि ये ML मॉडल क्वांटम कंप्यूटरों को काम करने के लिए बेहतरीन हैं, वे एक नए प्रकार का कमजोर बिंदु भी हैं। यदि कंट्रोलर तक भौतिक पहुँच रखने वाला हमलावर सही मिलीसेकंड पर बिजली का स्विच चालू-बंद कर दे, तो वे क्वांटम कंप्यूटर की अपनी त्रुटियों को सुधारने की क्षमता को चुपचाप बाधित कर सकते हैं। लेखक सुझाव देते हैं कि हमें इन ML मॉडलों को महत्वपूर्ण सुरक्षा घटकों के रूप में मानना चाहिए, शायद इन ग्लिच को पकड़ने के लिए सरल जाँच जोड़कर या कंप्यूटर को अपना काम दोबारा जाँचने के लिए कहकर, ताकि यह सुनिश्चित हो सके कि उसे धोखे में नहीं रखा गया है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।