该论文聚焦云化量子计算平台中的运行时故障注入（fault injection）风险。随着量子硬件规模扩大与访问门槛降低，攻击者可在云端量子计算流程中注入运行时故障，从而破坏电路保真度，形成可靠性与安全性双重挑战。作者指出，现有工作存在两点不足：一是无法在门级（gate-level）粒度上精确定位脆弱点，二是难以适应运行时环境变化，导致防御者难以及时、有针对性地施加保护。为此，论文将"门级故障分析"重新形式化为一个"学习引导的优先级排序问题"：在保真度评估预算受限（restricted fidelity budgets）的前提下，希望用尽可能少的检查次数，找出对电路保真度影响最大的门-故障对（gate-fault pair）。其核心方法（QUFIG）构建在"电路有向无环图（circuit-DAG）"之上的图神经网络骨干，为电路中每一个门针对每一类注入故障预测"脆弱性分数"，该分数的定义是该门-故障对施加后对电路保真度造成的实际影响大小；随后依据预测分数对所有门-故障对进行排序，使防御者优先检查与加固排名靠前的候选。实验在 QASMbench 与 HamLib MaxCut 两个基准上进行，结果表明 QUFIG 相比随机选择与基于电路深度的启发式策略，能以更少的检查次数恢复出高影响的门-故障对：在保持有效故障识别能力的同时，将需要检查的门数量减少约 2.9%–19.8%。其价值在于把有限的验证/仿真预算导向最可能致命的门，帮助量子电路设计者更高效地发现脆弱点并实施针对性防御，为云量子平台的运行时安全评估提供了一种可落地的自动化优先级排序思路。