本文提出并形式化了超空间浓度（superspace concentration）作为一种量子资源，并通过焦点度量 F(ρ) = λ_max(ρ_super)（即约化超空间态的最大特征值）来量化量子系统将信息权重集中到扩展自由度空间中某个优先子空间的能力。作者围绕该度量建立了完整的资源理论框架，并通过GPU加速数值模拟验证了其性质。对于超空间维度 dS ∈ {2,4,8,16,32}，解析退相干预测被确认达到机器精度（1.11×10^{-16}）。在四种焦点非生成信道和六种系统配置下，对10,000个随机态的焦点单调性进行测试，零违规。焦点量子态在抵抗相干酉攻击时表现出比标准保真度预测显著更强的鲁棒性：在攻击强度 ε=0.302 时焦点仍保持在0.9以上，而保真度在 ε=0.174 时已低于0.9。进一步证明焦点度量与 U(dS)-不对称度量在操作上截然不同：在相干且定向攻击下不对称度保持近零且不提供鲁棒性信号，而焦点度量跟踪谱浓度并在 ε>0.3 前保持鲁棒。通过恒等式 F(|ψ_k⟩⟨ψ_k|) = P(marked) 明确建立了 Grover 算法与超空间浓度的联系，为 oracle 查询复杂度提供了资源理论解释。最后，首次数值刻画了焦点容量缺口 ΔF，识别出 log_2(dS) 标度律，并在乘积和关联噪声通道中得到确认。该工作为量子算法安全性分析提供了新视角，尤其适用于评估量子计算对抗攻击的鲁棒性。

本文研究经典验证量子计算中的核心工具——反对易算符测试，并探索其所需的密码学结构。作者首先形式化定义了“非对易测试”（ToNC），这是一种量子证明者与经典验证者之间的交互协议：验证者发送一个挑战比特c，证明者根据c测量两个二进制可观测量P0或P1之一并返回响应。协议要求诚实证明者能通过测试，而恶意量子证明者无法同时成功应对两个挑战。论文的核心贡献在于证明了ToNC与经典密码学原语之间的蕴含关系：（1）ToNC本身即可构造经典通信的密钥协商协议（KA），该协议允许双方通过经典信道协商共享密钥，且能抵抗量子 adversaries；（2）ToNC与单向函数结合可构造不经意传输（OT），OT是更高层密码协议（如安全多方计算）的基础。在技术路径上，作者发展了后量子密码学中困难性放大（hardness amplification）的两个重要工具：后量子硬核测度定理（post-quantum hard-core measure theorem）和后量子交互XOR引理（post-quantum interactive XOR lemma）。前者指出，对于任何高效可采样、具有高最小熵的分布（其中量子电路预测b的优势至多为δ），存在一个密度为(1-δ)的子分布，使得b几乎达到最优的量子难预测性。后者断言，对于任何经典交互协议，若量子敌手猜测私有挑战比特b的优势至多为δ，则两次顺序重复可将猜测挑战比特异或b1⊕b2的优势降低至δ^2加上可忽略函数。这些工具独立于主要结果具有广泛意义，为后量子密码学中安全性的紧致归约提供了新方法。本文适合对量子密码学、经典验证量子计算以及后量子安全协议设计感兴趣的研究者阅读。

该论文提出了 QSignAI 平台，一个已部署的开源系统，展示了人工智能与量子科学在实时事件参与系统中的双向结合。研究背景是 2024-2025 年诺贝尔奖和图灵奖同时表彰人工智能和量子科学，但现有身份系统仍依赖伪随机令牌，量子电路对大众不可见。QSignAI 通过一个对话式 AI 机器人，将每位参与者的第一条消息路由到云端量子模拟器上的双电路量子流水线，生成由量子随机性种子驱动的唯一身份签名。研究回答了三个问题：是否可以在 AI 驱动的社交平台中以可接受的延迟和成本嵌入通过真实量子电路生成的量子随机性；AI 机器人能否使量子现象对没有技术背景的普通用户变得可感知；两者结合的系统是否在实践中有效。论文通过系统设计和定性部署证据回答了前两个问题，并将可量化的比较列为未来优先工作。该平台突出了 AI for Science（AI 辅助量子科学）和 Science for AI（量子科学赋能 AI）的双向关系。

该论文提出了一种名为QNBAD（量子噪声诱导后门攻击）的新型攻击方法，针对量子机器学习（QML）中的零噪声外推（ZNE）防御。ZNE是当前量子计算中广泛使用的错误缓解技术，旨在通过外推拟合和处理噪声，提高量子计算的可靠性。QNBAD利用量子噪声的特殊性质——即攻击者通过操控特定量子比特的噪声水平，在神经网络中植入后门模式。这种后门仅在触发噪声模式时激活，导致模型输出预设的错误结果，而正常输入下模型精度几乎不受影响。实验在多个量子神经网络基准测试上进行，结果表明攻击成功率超过90%，同时模型在干净数据上的精度下降不足1%。该方法首次揭示了ZNE防御的脆弱性，表明即使采用先进的错误缓解技术，量子模型仍可能被恶意噪声诱导的后门所破坏。论文还讨论了对抗性噪声的生成策略和攻击的隐蔽性，指出检测此类攻击的难度较高。该研究对量子机器学习的安全性提出了新的挑战，提醒研究者在部署量子模型时需考虑对抗性噪声威胁。

本文针对噪声中尺度量子（NISQ）时代量子电路完整性评估的挑战展开研究。在NISQ设备上，量子电路需经历编译转换、受硬件噪声制约，并可能面临恶意篡改，因此确保电路完整性至关重要。现有验证方法通常仅依赖结构分析或行为评估中的单一维度，导致对电路正确性的评估不完整。作者提出了一种三层度量框架，综合结构完整性分数（SIS）、操作完整性分数（OIS）和交互图语义逻辑分数（IGS）。SIS通过比较电路图拓扑结构衡量全局结构相似性；OIS使用Jensen-Shannon距离量化电路输出概率分布的行为差异；IGS则通过模拟电路执行前的交互模式和依赖关系来评估交互层面的一致性。通过在基准量子电路上注入受控异常，实验表明：各度量捕捉到电路偏差的不同方面。特别地，存在结构盲点案例（SIS ≥ 0.95但行为偏差显著），其中OIS检测到93.85%的异常，而IGS检测到72.58%。这证明单一度量不足以可靠验证电路完整性，三层框架能提供互补洞察。该研究对量子编译器的正确性验证、抗篡改设计以及量子程序调试具有重要参考价值。