文摘
量子计算承诺提高机器学习和人工智能。然而,最近的理论工作表明,类似传统的基于深厚的古典神经网络分类器,量子分类器也将遭受敌对的扰动。我们在这里报告一个演示实验可编程的超导量子比特的量子敌对的学习。我们训练量子分类器,它是建立在量子电路组成的变分十transmon量子位平均寿命150μs、和平均形式同时单和two-qubit盖茨高于99.94%和99.4%,分别与真实图像(例如,医学磁共振成像扫描)和量子数据。我们证明这些训练有素的分类器(与测试精度高达99%)可以通过对抗性的扰动小,几乎欺骗了而一个敌对的训练过程会大大提高这样的扰动的鲁棒性。
这是一个预览的订阅内容,通过访问你的机构
访问选项
访问其他自然组合期刊性质和54
得到自然+,请求书在线访问订阅
每月29.99美元
取消任何时候
订阅本杂志
收到12个数字问题和在线访问的文章
每年99.00美元
只有8.25美元的问题
本文租或购买
本文得到只要你需要它
39.95美元
价格可能受当地税收计算在结帐
![](https://media.springernature.com/m312/springer-static/image/art%3A10.1038%2Fs43588-022-00351-9/MediaObjects/43588_2022_351_Fig1_HTML.png)
![](https://media.springernature.com/m312/springer-static/image/art%3A10.1038%2Fs43588-022-00351-9/MediaObjects/43588_2022_351_Fig2_HTML.png)
数据可用性
报告中的数据数据和支持本研究的其他发现可供下载https://doi.org/10.5281/zenodo.7134599在裁判可引用的版本。36。我们的工作利用三个公开数据集在先前的研究中引入的32,33,34。手数据和乳房医疗hand-breast核磁共振数据集的数据最初改编自公开数据集从北美放射学会(RSNA)32;https://doi.org/10.1148/radiol.2018180736)和癌症成像(TCIA归档33;https://doi.org/10.1007/s10278 - 013 - 9622 - 7),分别。的MNIST手写数字数据获得https://doi.org/10.1109/MSP.2012.221147734。源数据提供。
代码的可用性
所有的代码用于数值模拟和实验数据分析https://doi.org/10.5281/zenodo.7134599在裁判可引用的版本。36。
引用
Biamonte, j . et al .量子机器学习。自然549年,195 - 202 (2017)。
Dunjko,诉& Briegel h . j .机器学习和人工智能在量子领域:回顾一下最近的进展。众议员掠夺。理论物理。81年074001 (2018)。
Sarma, s D。,Deng, D.-L. & Duan, L.-M. Machine learning meets quantum physics.理论物理。今天72年48 (2019)。
Eykholt, k . et al .健壮我们攻击深度学习视觉分类。在Proc, IEEE计算机视觉与模式识别会议1625 - 1634 (IEEE 2018)。
Finlayson, s . g . et al .敌对攻击医疗机器学习。科学363年,1287 - 1289 (2019)。
陆,S。,Duan, L.-M. & Deng, D.-L. Quantum adversarial machine learning.理论物理。启Res。2033212 (2020)。
刘:& Wittek p .脆弱的量子敌对的扰动分类。理论物理。启一个101年062331 (2020)。
锣,w . &邓D.-L。普遍的敌对的例子和对量子扰动分类器。国家的科学。牧师。9nwab130 (2021)。
关,J。,Fang, W. & Ying, M. in计算机辅助验证,计算机科学的课堂讲稿(eds席尔瓦,a & Leino k . r . m .) 151 - 174 (Springer, 2021)。
廖,H。,Convy, I., Huggins, W. J. & Whaley, K. B. Robust in practice: adversarial attacks on quantum machine learning.理论物理。启一个103年042427 (2021)。
卡罗,m . C。,Gil-Fuster, E., Meyer, J. J., Eisert, J. & Sweke, R. Encoding-dependent generalization bounds for parametrized quantum circuits.量子5582 (2021)。
Haug, T。,Self, C. N. & Kim, M. S. Large-scale quantum machine learning. Preprint athttps://arxiv.org/abs/2108.01039(2021)。
Perez-Salinas,。,Cervera-Lierta, A., Gil-Fuster, E. & Latorre, J. I. Data re-uploading for a universal quantum classifier.量子4226 (2020)。
奥布里,s &安德烈·g .解析性破坏和安德森局域化不相称的晶格。安。以色列的今天。Soc。3,18 (1980)。
高,X。,Zhang, Z.-Y. & Duan, L.-M. A quantum machine learning algorithm based on generative models.科学。睡觉。4eaat9004 (2018)。
刘,Y。,Arunachalam, S. & Temme, K. A rigorous and robust quantum speed-up in supervised machine learning.Nat。物理。17,1013 - 1017 (2021)。
Saggio诉et al。实验量子加速强化学习代理。自然591年,229 - 233 (2021)。
黄,H.-Y。从实验中学习等。量子优势。科学376年,1182 - 1186 (2022)。
勒杜,m .的浓度测量的现象89(美国数学学会,2001)。
李,w . &邓D.-L。量子分类器的最新进展。科学。中国的今天。动力机械。阿斯特朗。65年220301 (2022)。
Papernot, N。,McDaniel, P., Wu, X., Jha, S. & Swami, A. Distillation as a defense to adversarial perturbations against deep neural networks. InProc。2016年IEEE研讨会上安全和隐私(SP)582 - 597 (IEEE 2016)。
Samangouei, P。,Kabkab, M. & Chellappa, R. Defense-GAN: protecting classifiers against adversarial attacks using generative models. InProc。6日学习国际会议上表示(ICLR, 2018);https://arxiv.org/abs/1805.06605
Havliček, v . et al .监督学习quantum-enhanced功能空间。自然567年,209 - 212 (2019)。
锣,m . et al .量子神经传感61 -量子位的量子多体的状态可编程超导处理器。预印在https://arxiv.org/abs/2201.05957(2022)。
赫曼,j . et al。超导量子处理器上实现量子卷积神经网络识别量子阶段。Commun Nat。134144 (2022)。
御手洗K。,Negoro, M., Kitagawa, M. & Fujii, K. Quantum circuit learning.理论物理。启一个98年032309 (2018)。
李,J。,Yang, X., Peng, X. & Sun, C.-P. Hybrid quantum-classical approach to quantum optimal control.理论物理。启。118年150503 (2017)。
一个M。,Bergholm, V., Gogolin, C., Izaac, J. & Killoran, N. Evaluating analytic gradients on quantum hardware.理论物理。启一个99年032331 (2019)。
地方,a . p . m . et al。新材料平台超导transmon量子比特相干时间超过0.3毫秒。Commun Nat。121779 (2021)。
唱,y . et al。实现高保真CZ和ZZ-free iSWAP盖茨和一个可调的耦合器。理论物理。启X11021058 (2021)。
Foxen, et al。展示一组连续的two-qubit盖茨近期量子算法。理论物理。启。125年120504 (2020)。
Halabi s . s . et al . RSNA儿童骨龄机器学习的挑战。放射学290年,498 - 503 (2019)。
克拉克,k . et al .癌症成像存档(TCIA):维护和运营公共信息资源库。j .数字。成像26,1045 - 1057 (2013)。
邓,l . MNIST数据库为机器学习研究的手写数字图像。IEEE信号的过程。玛格。29日,141 - 142 (2012)。
Kurakin,。,Goodfellow, I. J. & Bengio, S. Adversarial machine learning at scale. In学习国际会议上表示(ICLR, 2017)。
李,w .数据和代码篇题为“实验与超导量子比特的量子敌对的学习(Zenodo, 2022):https://doi.org/10.5281/zenodo.7134599
确认
我们感谢L.-M。段和s . Lu有益的讨论,特别是诉Dunjko为他的有价值的反馈从阅读的第一个版本。设备是浙江大学微纳加工中心制作的。我们承认中国的国家自然科学基金的支持(U20A2076授予号。92065204,11725419,12174342,12174342),浙江省重点研究和发展计划(批准号2020 c01019)和浙江省大学的基础研究基金(批准号2021 xzzx003)。法学博士B承认支持的研究项目主要研究量子计算中心(协议号014/20)。D.-L.D.也承认额外漆上海研究所的支持。
作者信息
作者和联系
贡献
D.-L.D.提出想法和实验的理论框架。得到S.X.进行实验,由C.S. H.W.上半叶制造设备,监督H.W.柔若和j进行数值模拟,通过D.-L.D监督。所有作者贡献的分析数据,讨论的结果和写作手稿。
相应的作者
道德声明
相互竞争的利益
作者宣称没有利益冲突。
同行评审
同行审查的信息
自然计算科学谢谢莱昂纳多Banchi,卢卡斯Lamata和其他,匿名的,审稿人(s)为他们的贡献的同行评审工作。主要处理编辑器:杰锅、合作自然计算科学团队。同行审查报告是可用的。
额外的信息
出版商的注意施普林格自然保持中立在发表关于司法主权地图和所属机构。
权利和权限
Springer性质或其许可方(例如一个社会或其他合作伙伴)拥有独占权下本文与作者出版协议(s)或其他情况下(年代);作者self-archiving接受这篇文章的手稿版本是完全由这样的出版协议的条款和适用法律。
关于这篇文章
引用这篇文章
任,W。,Li, W., Xu, S.et al。实验与可编程的超导量子比特量子敌对的学习。Nat第一版Sci2,711 - 717 (2022)。https://doi.org/10.1038/s43588 - 022 - 00351 - 9
收到了:
接受:
发表:
发行日期:
DOI:https://doi.org/10.1038/s43588 - 022 - 00351 - 9
本文引用的
健壮的量子分类器通过NISQ敌对的学习
自然计算科学(2022)