防止 AI 建议者误导量子纠错更新

该论文研究攻击者通过影响 AI 建议者来误导量子纠错更新的风险。作者发现被动 syndrome 记录存在歧义：在无噪声准备的奇距方形 toric code 中，相反的相干 X 旋转会产生相同的 syndrome 历史分布，而固定相位校正只对其中一个符号有利。论文用已知编码校准态的终端逻辑测量补上缺失的符号信息，并设置独立评估器，仅在校准不确定度与漂移界可证明改善时才接受更新。模拟建议攻击中，该校准置信检查能拒绝有害建议并保留有益更新。

此前量子纠错更新多默认 AI 建议可信，缺乏对建议来源被攻击的验证。该工作把校准测量与独立评估引入更新审批环节，使系统在不确定与漂移条件下仍可证明改善，将安全边界从模型可信转向证据可验证。

机制是识别被动 syndrome 记录无法区分相反相干旋转符号的歧义，用已知编码校准态的逻辑测量恢复符号信息；独立评估器以校准不确定度和漂移上界为证书，拒绝无法证明优于当前恢复的更新，从而不依赖建议者本身是否正确。

对量子硬件控制软件而言，意味着 AI 辅助的纠错参数更新需要增加校准数据采集、置信检查与回滚门槛，可能增加测量开销和评估时延，但能降低错误建议直接上线造成逻辑错误的风险。

• 为量子控制平台设计校准置信检查模块，在更新纠错参数前自动验证符号信息与漂移界。
• 面向量子云服务提供纠错更新审计日志，记录每次建议的校准证据与拒绝原因。
• 开发 AI 建议者安全评估工具，用模拟攻击测试纠错更新流程能否拒绝有害建议。
• 将确定性控制器与 AI 建议者做对照基准，量化相同观测下有益更新数量与评估时间。

• 论文摘要被截断，未展示完整结论与全部实验设置。
• 校准置信检查在真实硬件噪声与漂移下的长期误拒率尚未由证据说明。
• 所提方法对非 toric code 或非 surface code 的纠错方案是否适用未知。
• AI 建议者被攻击的具体威胁模型与攻击成本在摘录中未完整描述。