该论文提出了一种名为CIM-BDD的混合有界距离解码（Bounded-Distance-Decoding）求解器，用于破解基于学习带误差（LWE）问题的后量子密码（PQC）系统。核心创新在于将LWE问题通过一种严格的免惩罚（penalty-free）映射转换为二次无约束二元优化（QUBO）问题：首先通过代数消去秘密向量，将LWE嵌入到一个q-ary格中，从而吸收模运算并重新表述为最近向量问题（CVP）；然后将平方误差范数直接用作QUBO能量，使得密码学噪声成为需要最小化的目标而非惩罚约束。为了在当前的噪声中等规模量子（NISQ）设备上实现该模型，论文设计了一种特殊的编码方法：连续松弛的Babai最近平面投影（CR-BNP）驱动自适应混合进制编码器，大幅减少了量子比特数量以及QUBO系数范围，从而仅需一次批量硬件提交即可完成。此外，还推导了一个统计有界早停阈值（T_early），该阈值可充当单边证书并兼作决策LWE区分器。研究团队在达姆施塔特工业大学LWE挑战数据集上验证了框架，在相干伊辛机（Coherent Ising Machine）CPQC-550上对40维实例进行了搜索LWE和决策LWE的端到端演示。这项工作为量子-经典混合密码分析建立了新的算法-硬件协同设计范式，揭示了NISQ设备对PQC潜在的实际威胁。