Nanoteknologi nå - Pressemelding: Forskernes tilnærming kan beskytte kvantedatamaskiner mot angrep

Hjemprodukt > Press > Forskeres tilnærming kan beskytte kvantedatamaskiner mot angrep

Dr. Kanad Basu (til venstre) og hans kolleger utviklet en måte å motvirke virkningen av angrep designet for å forstyrre kunstig intelligenss evne til å ta beslutninger eller løse oppgaver i kvantedatamaskiner. Teamet hans inkluderer doktorgradsstudenter innen datateknikk Sanjay Das, Navnil Choudhury (sittende) og Shamik Kundu (til høyre).

KREDITT
University of Texas i Dallas

Abstrakt:
Kvantedatamaskiner, som kan løse flere komplekse problemer eksponentielt raskere enn klassiske datamaskiner, forventes å forbedre kunstig intelligens (AI)-applikasjoner utplassert i enheter som autonome kjøretøy; kvantedatamaskiner er imidlertid, akkurat som forgjengerne, sårbare for motstandsangrep.

Forskeres tilnærming kan beskytte kvantedatamaskiner mot angrep

Dallas, TX | Lagt ut 8. mars 2024

Et team av forskere fra University of Texas i Dallas og en industrisamarbeidspartner har utviklet en tilnærming for å gi kvantedatamaskiner et ekstra lag med beskyttelse mot slike angrep. Løsningen deres, Quantum Noise Injection for Adversarial Defense (QNAD), motvirker virkningen av angrep designet for å forstyrre slutninger – AIs evne til å ta beslutninger eller løse oppgaver. Teamet vil presentere forskning som demonstrerer metoden på IEEE International Symposium on Hardware Oriented Security and Trust 6.-9. mai i Washington, DC

"Motstridige angrep designet for å forstyrre AI-slutninger har potensiale for alvorlige konsekvenser," sa Dr. Kanad Basu, assisterende professor i elektro- og datateknikk ved Erik Jonsson School of Engineering and Computer Science. "Et angrep kan sammenlignes med at noen setter et klistremerke over et stoppskilt: Et autonomt kjøretøy kan ikke gjenkjenne stoppskiltet ordentlig, tolke det som et skilt med redusert hastighet og dermed ikke stoppe. Målet vårt med denne tilnærmingen er å gjøre kvantedataapplikasjoner sikrere."

Kvanteberegning er en raskt voksende teknologi som bruker kvantemekanikk - studiet av hvordan partikler oppfører seg på subatomært nivå - for å løse komplekse beregningsproblemer.

Som biter i tradisjonelle datamaskiner, representerer qubits den grunnleggende informasjonsenheten i kvantedatamaskiner. Bits i klassiske datamaskiner representerer 1 eller 0. Qubits drar imidlertid fordel av superposisjonsprinsippet, som betyr at de samtidig kan være i en tilstand på 0 og 1; derfor kan qubits representere to tilstander, noe som resulterer i dramatiske speedup-evner sammenlignet med tradisjonelle datamaskiner. Som et eksempel, på grunn av deres datakraft, har kvantedatamaskiner potensial til å bryte svært sikre krypteringssystemer.

En av utfordringene med kvantedatamaskiner er deres mottakelighet for "støy" eller interferens, på grunn av faktorer som temperatursvingninger, magnetiske felt eller ufullkommenhet i maskinvarekomponenter. Kvantedatamaskiner er også utsatt for "crosstalk" eller utilsiktede interaksjoner mellom qubits. Støy og krysstale kan føre til datafeil.

Forskernes tilnærming utnytter iboende kvantestøy og krysstale for å motvirke motstridende angrep. Metoden introduserer krysstale i det kvantenevrale nettverket (QNN), en form for maskinlæring der store datasett trener datamaskiner til å utføre oppgaver, inkludert å oppdage objekter som stoppskilt eller andre datasynsansvar.

"Den støyende oppførselen til kvantedatamaskiner reduserer faktisk virkningen av angrep," sa Basu, som er seniorforfatter av studien. "Vi tror dette er en første i sitt slag tilnærming som kan supplere andre forsvar mot fiendtlige angrep."

Forskerne viste at under et angrep var en AI-applikasjon 268 % mer nøyaktig med QNAD enn uten.

Shamik Kundu, en doktorgradsstudent i datateknikk og en første medforfatter, sa at tilnærmingen er designet for å supplere andre teknikker for å beskytte kvantedatasikkerhet. Kundu sammenlignet fordelene med rammeverket med sikkerhetsbelter i biler.

"I tilfelle en krasj, hvis vi ikke bruker sikkerhetsbeltet, er virkningen av ulykken mye større," sa Kundu. «På den annen side, hvis vi bruker sikkerhetsbeltet, selv om det skjer en ulykke, blir virkningen av kollisjonen mindre. QNAD-rammeverket fungerer på samme måte som et sikkerhetsbelte, og reduserer virkningen av motstridende angrep, som symboliserer ulykken, for en QNN-modell.»

Andre studieforfattere inkluderer doktorgradsstudenter i datateknikk Navnil Choudhury, som også er førsteforfatter, og Sanjay Das. Dr. Arnab Raha, seniorforsker ved Intel Corp.

Forskningen ble finansiert av National Science Foundation.

####

For mer informasjon, klikk her.

Kontakter:
Kim Horner
University of Texas i Dallas
Kontor: 972-883-4463

Hvis du har en kommentar, vær så snill Kontakt oss.

Utstedere av nyhetsutgivelser, ikke 7th Wave, Inc. eller Nanotechnology Now, er alene ansvarlig for nøyaktigheten av innholdet.

Bokmerke: