Core Concepts
PristiQ는 양자 클라우드 컴퓨팅 환경에서 양자 기계 학습 데이터의 보안을 보존하기 위한 회로-컴파일러-모델 간 공동 설계 프레임워크이다.
Abstract
PristiQ는 양자 기계 학습(QML) 애플리케이션에서 데이터 보안을 보존하기 위한 혁신적인 프레임워크이다. 이 프레임워크는 다음 세 가지 주요 구성 요소로 구성된다:
PriCircuit: 추가 보안 큐비트와 사용자 정의 보안 키를 사용하여 데이터 암호화 서브 회로를 도입함으로써 데이터 보안을 크게 향상시킨다.
PriCompiler: 데이터 인코딩 서브 회로와 암호화 서브 회로의 경계를 모호하게 만들어 공격자가 원본 데이터를 쉽게 추출하지 못하도록 한다.
PriModel: 강화 학습 기반 자동 검색 엔진을 사용하여 암호화된 데이터에 대한 최적의 양자 신경망 아키텍처를 설계함으로써 성능 저하를 방지한다.
이 세 가지 구성 요소가 함께 작동하여 양자 클라우드 컴퓨팅 환경에서 데이터 보안을 보존하면서도 양자 기계 학습 작업의 높은 성능을 유지할 수 있다.
Stats
양자 클라우드 제공자가 신뢰할 수 없는 경우 원본 데이터 인코딩 서브 회로를 쉽게 훼손할 수 있다.
암호화된 데이터로 학습한 모델의 정확도는 원본 데이터로 학습한 모델에 비해 크게 감소한다.
예를 들어, MNIST-3 데이터셋에서 보안 큐비트를 2개 사용하면 정확도가 92.29%에서 36.29%로 감소한다.
Quotes
"양자 기계 학습 애플리케이션에서 데이터 보안 보존은 매우 중요하다. 데이터 유출은 사용자의 프라이버시 침해뿐만 아니라 기관의 명성에도 큰 피해를 줄 수 있다."
"기존의 보안 계산 방법은 양자 컴퓨팅에 직접 적용할 수 없기 때문에 양자 컴퓨팅 기반 방법론이 필요하다."