该论文提出了一种针对量子机器学习的新型攻击方法，名为 QNBAD（Quantum Noise-induced Backdoor Attack），专门攻击采用零噪声外推（ZNE）作为误差缓解技术的量子神经网络。研究背景是：ZNE 是当前量子计算中广泛使用的误差缓解手段，通过在噪声放大条件下运行电路并外推零噪声结果来提升模型可靠性。然而，作者发现 ZNE 的降噪过程本身存在安全漏洞，攻击者可以刻意将恶意设计的后门模式嵌入到量子噪声中，使模型在含噪环境下对正常输入表现正常，而一旦在推理阶段输入携带特定触发特征的数据，模型便会误分类为攻击者指定的目标标签，同时不影响 ZNE 对整体输出的修正效果。该攻击利用了 ZNE 对噪声模型的线性外推假设，通过调整噪声通道参数来隐藏后门触发条件。实验表明，QNBAD 在多个量子数据集和电路结构上均能保持较高的攻击成功率，同时能够规避现有的噪声感知防御机制。本研究的核心贡献在于首次揭示了量子误差缓解技术与模型安全性之间的冲突，提醒量子机器学习社区在设计防护策略时需将攻防对抗纳入考量。适合量子安全研究者、量子机器学习工程师以及关注新兴计算范式安全威胁的蓝队人员阅读。

量子错误缓解（QEM）是降低量子硬件噪声、避免空间开销的关键工具，但其可靠性依赖于噪声建模、标定与具体实现，因此在不可信量子硬件上的端到端安全性长期未得到解决。本文提出可验证的盲概率错误消除（VBPEC），这是首个在完全恶意敌手模型下集成QEM的、具备安全验证功能的协议。VBPEC将概率误差消除（PEC）这一广泛研究的QEM技术纳入可组合安全框架：通过在抽象密码学框架中将委托缓解形式化为密码学资源，VBPEC实现了完美盲化（即服务器无法获知客户端实际计算内容）以及指数小的安全误差。该协议继承了近期统计安全验证量子计算协议以及PEC的零量子空间开销，唯一额外开销来自QEM过程所需的重复采样。为达到这一目标，作者将基于陷阱的验证从确定性的通过/失败检查扩展为借助QEM受益的统计检验，并开发了一套新的证明技术来处理相应增加的偏差源。与仅容忍固定阈值下诚实噪声的方案不同，VBPEC主动消除噪声，使得经过正确缓解的估计结果能够以高概率被接受，同时不损害安全性。该工作为近未来量子硬件上安全、可靠且实用的委托量子计算建立了关键路径，从根本上提升了量子计算验证的实用性。本文主要面向量子密码学、量子计算安全以及量子云服务可靠性方向的研究人员。