研究人员开发了BadQubits，一个利用大型语言模型（LLM）在执行前检测有害量子电路的框架。该系统分析OpenQASM 2.0电路，以识别物理执行层面的威胁，这些威胁由于测量不可逆性和模拟成本而在运行时难以检测。经过微调的Qwen Coder 2.5 7B模型在有害电路的分类准确率方面达到了92.67%，召回率达到了96.1%，在识别SWAP密度和测量时序等特定威胁特征方面优于bag-of-gates CNN。 AI
影响 这项研究展示了LLM在识别量子计算安全威胁方面的新颖应用，有望增强量子电路执行的安全性和完整性。
排序理由 研究论文，详细介绍了使用LLM检测有害量子电路的新颖框架。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
