Fault Attacks on ML-based Quantum Control and Error Correction
本文首次分析了针对量子计算中所使用的机器学习模型的物理故障注入攻击，证明了电压毛刺可以通过诱发结构化的位级损坏而非随机噪声，从而显著降低读取误差校正和量子误差解码的准确性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个这样的世界：计算机不再仅仅是进行数字运算，而是与现实的织面共舞，利用被称为“量子比特”的微小粒子来解决那些普通计算机需要花费一百万年才能解决的问题。这就是量子计算的领域。但这些量子舞者极其害羞且敏感；环境中的一次喷嚏就可能毁掉它们的表演。为了让它们保持在轨道上，我们使用“纠错”技术，这是一种不断检查量子比特是否踉跄并对其进行修复的安全网。在过去，这种安全网是一套僵化的规则，但最近，科学家们开始教这些安全网通过机器学习（ML）进行自主学习。把它想象成将一本僵化的规则手册升级为一位聪明的、直觉敏锐的教练，能够察觉细微的错误并瞬间将其修复。
然而，这里有一个陷阱。就像人类教练会被及时的分心所迷惑一样，这些聪明的机器学习教练也会感到困惑。本文探讨了一种非常具体的、物理层面的干扰方式：通过给计算机的大脑提供一个微小的、瞬间的“故障”——即电源供应的波动。这就像是如此快速地开关灯，以至于计算机的大小的脑部在瞬间踉跄了一下。研究人员想知道：如果有人能偷偷摸摸地通过开关控制运行量子计算机的机器，他们能否让这位聪明的教练给出错误的建议？如果他们这样做，量子计算机是仅仅会变得有些嘈杂，还是会彻底迷失方向？
研究人员 Anthony Etim 和 Jakub Szefer 决定在用于量子系统的两种不同类型的“聪明教练”上测试这一理论。第一种是名为 HERQULES 的模型，它扮演着翻译官的角色，试图弄清楚当五个量子粒子都在互相争吵时，它们到底在表达什么。第二种是“Deep Q”解码器，这是一个更复杂的教练，它像侦探一样，观察线索图（称为“症候”），以决定如何修复大型量子谜题中的错误。
为了进行测试，团队使用了一个名为 ChipWhisperer Husky 的设备搭建了实验室实验。这个设备就像是电力领域中精准的外科手术刀；它可以向运行机器学习模型的计算机电源线注入一个微小的、经过精确计时的电压脉冲。他们并没有随机投掷故障，而是同步了这些故障，使其在计算机处理其“大脑”特定部分（即神经网络的不同层）的精确时刻发生作用。
结果令人震惊。他们发现这些聪明的教练异常脆弱。当他们在 HERQULES 翻译器的早期部分注入故障时，产生的错误比在后期部分注入故障时要频繁得多。事实上，对于 Deep Q 解码器来说，仅仅一个位置精准的故障，就能将其准确率从完美的 100% 降低到低至 21.57%。但可怕的不仅是错误的数量，而是错误的类型。
通常，当你干扰一台计算机时，你会预期得到随机噪声——就像收音机里的静电声。但在这里，故障引起了“结构化破坏”。这仿佛故障不仅仅是让教练感到困惑，而是“洗脑”了它。原本应该观察不同线索并选择不同修复方案的 Deep Q 解码器，开始完全忽略这些线索。相反，无论问题是什么，它每次都会选择完全相同的修复方案。在一次实验中，解码器坍缩为对几乎所有输入都选择“动作 0”，实际上是放弃了它的工作。
研究人员还模拟了如果计算机的大脑因为故障遇到“非有限”数字（如无穷大或“非数字/NaN”）时会发生什么。他们发现，在 Deep Q 解码器的第一层中注入仅仅五个这类奇怪的数字，就足以让整个系统坍缩为那单一的、错误的动作。这表明这种失败并非随机噪声，而是一种特定的脆弱性：即在处理的早期阶段出现的微小错误，会级联成整个系统的全面崩溃。
论文得出结论，虽然这些机器学习模型在助力量子计算机运行方面表现出色，但它们也是一种新型的薄弱环节。如果拥有物理接触控制器权限的攻击者能在正确的毫秒内开关电源，他们就能悄无声息地破坏量子计算机自我纠错的能力。作者建议，我们需要将这些机器学习模型视为关键的安全组件，例如通过添加简单的检查来捕捉这些故障，或者让计算机进行自我复核，以确保它没有被诱入某种“出神状态”。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。