Kako zaštititi kvantnu korekciju grešaka od lošeg saveta AI agenta

Dobar predlog pri jednom znaku može biti loš pri drugom

U kvantnoj korekciji grešaka adaptivni sistem može da dobije predlog da promeni recovery pravilo, ali isti fiksni fazni pomak može pomoći pri jednom znaku greške i odmoći pri suprotnom. Ako savetodavni AI pogrešno proceni situaciju, sama uverljivost preporuke nije dovoljna zaštita.

Autori zato proučavaju kako da se update prihvati samo kada nezavisni evaluator može da potvrdi da je bolji od trenutnog recovery-ja. Ključna ideja je da evaluator ne pretpostavlja da savetnik govori istinu, već koristi kalibracionu neizvesnost i opravdanu granicu drifta.

Pasivni sindromi ne otkrivaju uvek znak greške

U odd-distance square toric code modelu sa idealnim pripremama, merenjima sindroma i recovery operacijama, suprotne koherentne X rotacije mogu da proizvedu identične pasivne istorije sindroma. To stvara fundamentalnu dvosmislenost: samo posmatranje regularnog sindromskog toka nije dovoljno da se odluči koji recovery je pravi.

Nedostajuću informaciju daje terminalno logičko merenje na poznatim kodiranim kalibracionim stanjima. Takvo dodatno merenje otkriva znak koji pasivna istorija skriva i omogućava evaluatoru da proveri da li predložena promena zaista poboljšava ponašanje sistema.

Update prolazi samo uz dokazanu marginu poboljšanja

Rad izvodi dovoljne granice za starost kalibracije i zahteva da se predložena promena pokaže boljom i posle uračunavanja neizvesnosti i drifta tokom vremena. U simuliranim advice napadima calibration-confidence provere odbacuju štetne predloge, a zadržavaju korisne promene kada je savet pošten.

U matched simulacijama channel-specific granica zadržava više korisnih update-a nego opšta granica kada se uračuna vreme evaluacije, dok i dalje sprečava testirane štetne aktivacije pod zadatom pretpostavkom drifta. To pokazuje cenu konzervativnosti: preširoka sigurnosna granica može odbaciti i dobre promene.

Isti princip proverava se i sa promenljivim šumom

Autori odvojeno testiraju surface-code scenario sa stohastičkim circuit greškama i šumom koji se menja tokom akvizicije. Time pokušavaju da pokažu da pristup nije vezan samo za idealizovani toric-code primer sa savršeno kontrolisanim operacijama.

Centralna poruka rada je da AI savet u safety-critical kvantnom kontrolnom sistemu ne treba tretirati kao autoritet. Savet može da bude koristan generator kandidata, ali odluka o aktivaciji mora da prođe kroz nezavisnu, merljivu i vremenski važeću proveru koja ostaje bezbedna čak i kada je savetnik pogrešan ili zlonameran.

Savet i odluka moraju da budu odvojeni

Najvažnija bezbednosna ideja rada je razdvajanje predloga od autorizacije. AI agent može da predloži novi recovery, ali taj predlog ne dobija privilegiju samo zato što dolazi iz naprednog modela. Nezavisni evaluator mora da ima sopstvene kalibracione podatke i kriterijum koji potvrđuje da je promena korisna čak i kada je savet pogrešan, zastareo ili namerno zlonameran.

Dvosmislenost pasivnih sindromskih istorija pokazuje zašto običan monitoring nije dovoljan. Ako dve suprotne koherentne greške ostavljaju isti posmatrani zapis, sistem bez dodatne kalibracije nema dovoljno informacija da bezbedno izabere između recovery opcija. Terminalno logičko merenje uvodi baš onu informaciju koja nedostaje i pretvara izbor u proverljiv postupak.

Granice starosti kalibracije zatim uvode vremensku komponentu sigurnosti. Čak i ispravno merenje gubi vrednost ako se fizički šum dovoljno promeni pre deploya. Zato sertifikat mora da obuhvati i procenjeni drift, a ne samo statističku neizvesnost u trenutku kada je kalibracija urađena. To je princip koji je širi od samog kvantnog primera.