⚛️ 量子物理

Where Does a Variational Quantum Classifier Lose Accuracy? Angle Encoding, Readout and the Fidelity-Kernel Reference in Cyberattack Detection

本文分析了变分量子分类器在 NSL-KDD 网络攻击基准测试上的性能瓶颈，揭示了次优的读取策略是导致其精度较编码方法有所下降的主要原因，同时也证明了在给定相同输入的情况下，当前的量子模型并不比经典支持向量机具有优势。

原作者： Angelos Thomos, Theodore Andronikos

发布于 2026-11-03

📖 1 分钟阅读🧠 深度阅读

原作者： Angelos Thomos, Theodore Andronikos

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

在网络安全的高风险世界中，计算机始终保持警惕，不断扫描数字流量以寻找入侵迹象。当出现可疑模式时，系统必须立即判断这究竟是一个无害的故障还是恶意攻击。多年来，研究人员一直转向机器学习来构建这些数字哨兵，通过训练它们学习庞大的过往网络活动库来识别威胁。最近，一个新的前沿领域已经开启：量子机器学习。这种方法利用量子物理的奇特法则来处理信息，理论上提供了一种解决标准计算机无法处理的复杂问题的方法。人们希望，通过将网络数据编码进量子粒子的微妙状态中，这些新系统能够比以往任何时候都更快、更准确地发现攻击。但随着科学家们开始测试这些想法，一个关键问题随之而来：当这些量子系统未能达到预期表现时，故障究竟发生在哪个环节？是数据转化为量子语言的方式出了问题，是处理数据的复杂电路出了问题，还是机器输出转化为决策的最后一步出了问题？

希腊伊奥尼亚大学的一组研究人员致力于通过剖析一种专门用于检测网络攻击的特定量子分类器来回答这个问题。他们专注于一个著名的网络流量数据集，将其作为试验场，观察量子系统的不同部分是如何对最终结果做出贡献的。他们的工作涉及比较两种不同的将网络数据转化为量子态的方法。一种被称为角度编码（angle encoding）的方法，它将每 piece 数据视为量子粒子的旋转，在保留原始数值的具体比例和大小的同时，每个特征使用一个量子比特。另一种称为振幅编码（amplitude encoding），它将数据打包进量子态本身的概率中，从而允许在更少的粒子中存储更多信息，但要求数据经过归一化或缩放处理以适应要求。研究人员随后构建了量子电路来处理这些编码后的数据，并将其与一个经典标尺进行对比：一种标准的支持向量机（support-vector machine），这是一种强大的经典算法，用作衡量针对该特定数据编码在理论上可能达到的水平的基准。

调查揭示了一个关于量子系统何时失去优势的惊人真相。研究人员发现，最大的误差来源既不是量子电路本身，也不是数据的初始编码方式，而是读取结果的最后一步。在许多量子实验中，系统测量单个粒子的状态或观察所有粒子的简单总和来进行决策。研究表明，这种简单的读取方法丢弃了大量的有用信息。当研究人员用一种更高级的方法取代这种简单读取，即学习如何解释完整的测量模式时，量子分类器的准确率大幅提升。事实上，一个带有训练后读取器的电路表现得如此出色，以至于其性能提升幅度超过了改变编码方法本身所带来的差异。这一发现解释了为什么在量子电路中增加更多层往往无法提高性能；如果末端的读取器不够先进，电路内部额外的处理能力就会被浪费掉。

这项研究还阐明了两种编码方法之间的权衡。对于看起来与系统训练数据非常相似的网络流量，角度编码法产生了最准确的检测器。它在处理八个或更多特征时需要更浅的电路，为已知威胁提供了更好的精度。然而，在识别系统从未见过的全新攻击类型时，振幅编码法表现得更为优越。即使使用了更少的量子粒子，它也能识别出更高比例的新型威胁。这表明，编码的选择很大程度上取决于具体目标：如果优先考虑以高精度捕捉已知攻击，角度编码是更好的工具；如果目标是检测从未见过的未知威胁，则振幅编码具有优势。

对于量子计算领域而言，或许是最令人清醒的发现是，在这一特定任务上，量子系统并未超越其经典对手。当研究人员将表现最好的量子电路与使用相同输入数据的经典模型进行比较时，经典模型的准确度不相上下，在某些情况下甚至更高。量子优势——通常被视为构建这些复杂机器的原因——在这次模拟中并未体现。研究人员指出，在检测新型攻击方面看到的改进来自于数据编码的方式，而经典计算机也可以高效地执行这一过程。这意味着，为了让量子计算机在网络安全领域真正脱颖而出，它们需要使用极其复杂的编码方法，以至于经典计算机无法高效地对其进行模拟。在此之前，瓶颈并不在于量子硬件，而在于系统最终决策环节的设计。研究表明，未来的路径应侧于减少向量子电路添加更多层，而应更多地致力于教导机器如何更细致地读取自身的输出。

技术摘要：变分量子分类器在哪里损失了准确性？

问题陈述
在利用变分量子分类器（VQC）进行网络入侵检测的背景下，诊断性能瓶颈是一个重大挑战。当 VQC 无法准确检测网络攻击时，很难将其归因于特定的组件：是数据编码、参数化电路（ansatz）及其训练，还是将测量结果映射到类别标签的读取机制。以往关于用于入侵检测的量子机器学习（QML）的研究通常依赖于模拟环境和具有不一致评估实践的遗留数据集，这使得很难判断性能不佳是源于量子模型的设计，还是编码本身的局限性。此外，量子模型在处理经典数据时何时能提供实际优势，仍然是一个开放的问题。

方法论
本研究通过无噪声精确模拟，调查了 VQC 在 NSL-KDD 基准测试（具体为 20% 的子集）上的准确性极限。研究隔离并改变了 VQC 的四个核心组件：编码、ansatz、经典优化器和读取。

编码： 研究比较了角度编码（使用每个特征对应一个比特，通过 $R_y$ 旋转）和振幅编码（将 $N$ 个特征归一化到 $n = \log_2 N$ 个量子比特中）。
“标尺”（可达到的参考值）： 为了区分编码限制与电路训练失败，作者引入了一个在编码状态的保真度核（fidelity kernel）上训练的经典支持向量机（SVM）。由于这些编码的编码状态之间的保真度具有闭式解，因此该 SVM 提供了一个“可达到的参考值”——即假设存在理想的 ansatz 和优化器时，该特定编码所能达到的线性读取的理论最大准确率。
读取变体： 研究评估了三种读取策略：
- Qubit-0 奇偶校验： 仅读取最低有效量子比特（一种常见的默认方式）。
- 全局奇偶校验： 读取所有量子比特的奇偶校验。
- 线性头（协同训练）： 一个与电路参数共同训练的逻辑回归层，将完整的测量结果分布（或特定的 Pauli-Z 期望值）映射到类别。
实验设计： 实验通过每次改变一个因素（例如，编码类型、电路深度、读取策略）并在保持其他因素不变的情况下进行。研究使用了 4、8 和 16 个主成分（特征），并将训练后的电路与可达到的参考值以及经典基准（逻辑回归和 SVM）进行了比较。

核心贡献

识别读取瓶颈： 研究表明，VQC 准确性损失的主要来源是读取，而非编码或 ansatz 深度。简单的奇偶校验读取留下了大量的性能潜力未被利用（高达 11.4 个百分点），而使用协同训练的线性读取可以从相同的测量中恢复大部分损失的准确性。
编码权衡：
- 角度编码： 对于类似于训练数据的流量提供了更高的准确率，并且对于 8 个以上特征需要更浅的电路，但需要更多的量子比特（ $N$ 个特征对应 $N$ 个量子比特）。
- 振幅编码： 使用更少的量子比特（ $\log_2 N$ ），并且擅长检测“新颖”的攻击类型（训练中未见过的类型），但由于状态制备的原因，其电路深度和门计数更高。
量子 vs. 经典性能： 在相同的输入下，表现最好的量子电路达到了与经典模型相当的水平。它们略微优于逻辑回归，但通常逊于使用相同核函数的经典 SVM。研究发现，对于这些特定的编码和该数据集，没有证据表明存在针对经典方法的量子优势。
深度 vs. 读取： 在以往研究中观察到的随电路深度增加而出现的“准确率平台”现象，归因于奇偶校验读取的局限性。当使用协同训练的读取时，增加深度会产生收益递减，且一个带有良好读取功能的浅层电路可以优于一个带有较差读取功能的深层电路。

结果

准确性损失： 对于两种编码，训练后的电路与可达到的参考值之间最大的差距出现在读取阶段。协同训练的线性头将差距缩小到与参考值仅 0.3–1.3 个百分点的范围内，而奇偶校验读取则留下了 2.6 到 11.4 个百分点的差距。
新颖攻击检测： 与角度编码相比，振幅编码的电路在检测“新颖”攻击类型（训练中不存在的类型）方面表现出更高的召回率。然而，这种优势也存在于使用相同振幅核的经典 SVM 中，这表明该增益来自于编码的几何特性（二次核）而非量子计算本身。
资源成本： 在 16 个特征时，振幅编码需要 4 个量子比特，但需要一个深的电路（深度 ~57）以及许多用于状态制备的二量子门。角度编码需要 16 个量子比特，但电路要浅得多（深度 ~20），且二量子门更少。
经典基准： 经典模型（逻辑回归和 SVM）实现的准确率与表现最好的量子电路相当。量子电路比逻辑回归高出 0.4–1.0 个百分点，但比使用相同核函数的经典 SVM 低 0.5–1.9 个百分点。

意义与主张
论文声称，当前用于入侵检测的变分量子分类器的主要限制在于读取策略，而不是量子硬件深度或编码本身。通过优化读取（特别是使用协同训练的线性头），可以实现编码状态中所蕴含的大部分潜在准确率。

研究得出结论，对于所测试的特定编码和数据集，未观察到相对于经典方法的量子优势。量子电路的性能受限于其经典代理（保真度核 SVM）。作者认为，未来在该领域实现量子优势可能需要能够使经典计算机无法高效评估其核函数的编码。这项工作为评估 VQC 提供了一套标准化协议，将编码、ansatz 和读取的贡献分离，以指导未来的硬件和算法设计。

类似论文