論文の概要: Experimental quantum adversarial learning with programmable
superconducting qubits
- arxiv url: http://arxiv.org/abs/2204.01738v1
- Date: Mon, 4 Apr 2022 18:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 12:59:03.763404
- Title: Experimental quantum adversarial learning with programmable
superconducting qubits
- Title（参考訳）: プログラム可能な超伝導量子ビットを用いた量子逆学習
- Authors: Wenhui Ren, Weikang Li, Shibo Xu, Ke Wang, Wenjie Jiang, Feitong Jin,
Xuhao Zhu, Jiachen Chen, Zixuan Song, Pengfei Zhang, Hang Dong, Xu Zhang,
Jinfeng Deng, Yu Gao, Chuanyu Zhang, Yaozu Wu, Bing Zhang, Qiujiang Guo,
Hekang Li, Zhen Wang, Jacob Biamonte, Chao Song, Dong-Ling Deng, H. Wang
- Abstract要約: プログラム可能な超伝導量子ビットを用いた量子対数学習の実験実験を行った。
本研究は,量子学習システムにおいて,敵対的シナリオ下での重大な脆弱性の側面を実験的に明らかにした。
- 参考スコア（独自算出の注目度）: 15.24718195264974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum computing promises to enhance machine learning and artificial
intelligence. Different quantum algorithms have been proposed to improve a wide
spectrum of machine learning tasks. Yet, recent theoretical works show that,
similar to traditional classifiers based on deep classical neural networks,
quantum classifiers would suffer from the vulnerability problem: adding tiny
carefully-crafted perturbations to the legitimate original data samples would
facilitate incorrect predictions at a notably high confidence level. This will
pose serious problems for future quantum machine learning applications in
safety and security-critical scenarios. Here, we report the first experimental
demonstration of quantum adversarial learning with programmable superconducting
qubits. We train quantum classifiers, which are built upon variational quantum
circuits consisting of ten transmon qubits featuring average lifetimes of 150
$\mu$s, and average fidelities of simultaneous single- and two-qubit gates
above 99.94% and 99.4% respectively, with both real-life images (e.g., medical
magnetic resonance imaging scans) and quantum data. We demonstrate that these
well-trained classifiers (with testing accuracy up to 99%) can be practically
deceived by small adversarial perturbations, whereas an adversarial training
process would significantly enhance their robustness to such perturbations. Our
results reveal experimentally a crucial vulnerability aspect of quantum
learning systems under adversarial scenarios and demonstrate an effective
defense strategy against adversarial attacks, which provide a valuable guide
for quantum artificial intelligence applications with both near-term and future
quantum devices.
- Abstract（参考訳）: 量子コンピューティングは機械学習と人工知能を強化することを約束する。
さまざまな量子アルゴリズムが、幅広い機械学習タスクを改善するために提案されている。
しかし、最近の理論的研究は、深層古典型ニューラルネットワークに基づく従来の分類器と同様に、量子分類器は脆弱性の問題に苦しんでいることを示している。
これは、安全性とセキュリティクリティカルなシナリオにおける将来の量子機械学習アプリケーションに深刻な問題を引き起こす。
本稿では,プログラム可能な超伝導量子ビットを用いた量子逆学習の最初の実験実験を行う。
我々は、平均寿命150ドルのトランスモン量子ビットと、それぞれ99.94%と99.4%以上の1量子ビットゲートと2量子ビットゲートの平均フィダリティからなる変動量子回路と、実際の画像(例えば、医用磁気共鳴イメージングスキャン)と量子データからなる量子分類器を訓練する。
これらの十分に訓練された分類器(最大99%までの精度)は、小さな逆摂動によって実質的に欺くことができるが、逆行的な訓練プロセスでは、そのような摂動に対する強固さが著しく向上する。
本研究は, 量子学習システムにおいて, 敵のシナリオ下での重要な脆弱性を実験的に明らかにし, 敵の攻撃に対する効果的な防御戦略を示すものである。
関連論文リスト
- Quantum continual learning on a programmable superconducting processor [17.787742382926137]
量子分類器は,3つの異なるタスクの知識を段階的に学習し,保持することができることを示す。
本研究は,複数の逐次タスクに適応可能な量子学習システムを実現するための有効な戦略を確立した。
論文 参考訳（メタデータ） (2024-09-15T13:16:56Z) - The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。
量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。
この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文 参考訳（メタデータ） (2024-08-19T12:18:07Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - Machine Learning for Practical Quantum Error Mitigation [0.0]
量子エラー軽減のための機械学習は、オーバーヘッドを大幅に削減し、従来の手法の精度を維持または超える可能性があることを示す。
本結果は,量子計算における古典的機械学習の可能性を明らかにするものである。
論文 参考訳（メタデータ） (2023-09-29T16:17:12Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - Enhancing Quantum Adversarial Robustness by Randomized Encodings [10.059889429655582]
本稿では,正規データサンプルをランダムに符号化することにより,量子学習システムを敵攻撃から保護する手法を提案する。
グローバルおよび局所ランダムなユニタリエンコーダの両方が指数関数的に勾配を消失させることを示す。
ランダムなブラックボックス量子誤り訂正エンコーダは、量子分類器を局所的な逆雑音から保護できることを示す。
論文 参考訳（メタデータ） (2022-12-05T19:00:08Z) - Certified Robustness of Quantum Classifiers against Adversarial Examples
through Quantum Noise [68.1992787416233]
量子ランダムな回転雑音を加えることで、敵攻撃に対する量子分類器のロバスト性を向上できることを示す。
我々は、量子分類器が敵の例に対して防御できるように、証明された堅牢性を導出する。
論文 参考訳（メタデータ） (2022-11-02T05:17:04Z) - Universal Adversarial Examples and Perturbations for Quantum Classifiers [0.0]
量子分類器の逆例と摂動の普遍性について研究する。
我々は、$ n$ qubitsの各受信入力データを持つ$ k$分類器のセットのために、$ O(frac k 2n)$摂動強度の増加は、適度な普遍的な敵対的リスクを確保するために十分であることを証明します。
論文 参考訳（メタデータ） (2021-02-15T19:00:09Z) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳（メタデータ） (2021-01-21T22:18:49Z) - Quantum noise protects quantum classifiers against adversaries [120.08771960032033]
量子情報処理におけるノイズは、特に短期的な量子技術において、破壊的で避け難い特徴と見なされることが多い。
量子回路の非偏極雑音を利用して分類を行うことにより、敵に縛られるロバスト性を導出できることを示す。
これは、最も一般的な敵に対して使用できる最初の量子プロトコルである。
論文 参考訳（メタデータ） (2020-03-20T17:56:14Z) - Quantum Adversarial Machine Learning [0.0]
適応機械学習は、敵の設定における機械学習アプローチの脆弱性の研究に焦点を当てた新興分野である。
本稿では,量子機械学習の文脈における様々な逆シナリオについて考察する。
ほぼ最先端の精度を達成する量子分類器は、敵の例によって決定的に欺くことができる。
論文 参考訳（メタデータ） (2019-12-31T19:00:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。