涉及垃圾邮件发送者和抵制者之间的博弈

自然计算科学封面:量子对策学习示意图

机器学习对抗垃圾邮件的早期研究可以追溯到垃圾邮件过滤问题，涉及垃圾邮件发送者和抵制者之间的博弈一般来说，当用户的电子邮件地址为外界所知时，一些恶意方可能会发送广告邮件，计算机病毒等为了商业利益为了抵制这种行为，人们开发了邮件过滤器来区分正常邮件和恶意邮件，并阻止后者为了躲避邮件过滤器的检测，恶意邮件的发送者会采取一系列措施，比如修改恶意邮件中的特征词，添加正常词等

在量子机器学习领域，最近几年来的理论工作表明，在某些特定的任务下，量子分类模型和生成模型相对于经典模型具有可证明的优势，这是由复杂性理论保证的近两年，量子对抗机器学习的概念也被提出并受到广泛关注可是，面对脆弱性和针对攻击的防御措施，在当前中等规模的噪声量子设备上演示量子学习模型仍然存在许多挑战在这项研究中，清华大学交叉信息研究院邓东玲团队设计了处理经典数据和量子多体数据的学习模型，并与浙江大学超导量子计算团队合作，首次在量子器件上成功学习高维数据，揭示抵御攻击的脆弱性并展示相应的防御措施

经典输入数据的量子对抗学习

首先，实验是针对高维经典数据进行学习，核磁共振图像作为训练数据为了在目前有噪声的超导量子芯片上实现较高的分类精度，实验中采用了变参数和输入数据交错的方案经过训练收敛并取得良好效果后，实验发现这种量子分类模型在面对添加了抗噪声的样本时会给出错误的分类判断，揭示了当前模型在抗攻击方面的脆弱性为了增强模型对潜在噪声的鲁棒性，实验通过对抗训练的方式对模型进行了重新训练相应的结果表明，对抗训练结束后，之前导致模型判断错误的对抗样本不能使更新后的模型再次出错，对抗训练的防御效果得到了验证

量子输入数据的反样本生成

此外，实验研究了量子学习模型对量子多态数据的分类以及相应对策样本的生成多体哈密顿量的演化产生了局域态和热化态两种量子态数据经过训练后，该模型可以以接近100%的准确率区分这些量子态通过产生抗噪声，实验揭示了即使抗样本保持与原始样本相似的局部/热性质，这些样本也能使模型给出错误的分类，这表明模型对抗噪声是敏感的实验中使用的36位超导量子芯片具有易于扩展的邻居连接架构其高度的编程灵活性和99.94%/99.4%保真度的单/双比特量子门为模型的实验实现提供了基础，可用于探索更多未知的量子机器学习架构

本站了解到，成果论文《通过可编程超导量子比特进行量子对策学习的实验演示》最近几天以封面论文的形式发表在《自然计算科学》杂志上，并获得了该刊的专栏评论。

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。