本文提出 QUASAR，据作者所知这是首个面向 X 波段合成孔径雷达（SAR）卫星物理层认证（PLA）的量子-经典混合架构。X 波段 SAR 卫星（8-12 GHz）在灾害响应、环境监测和军事侦察中至关重要，但缺乏与密码学机制正交的物理层认证。现有 PLA 系统通常基于射频指纹，多局限于 sub-6 GHz 频段，且依赖经典深度学习，难以充分拟合卫星硬件特有的 IQ 相位非线性特征。QUASAR 将 CNN 频谱图编码器与变分量子电路（VQC）融合，形成混合神经网络，用于 X 波段 SAR 信号的物理层认证。该方案有两个显著特点：（1）数据效率显著优于经典机器学习，仅需 10% 的训练数据即可达到经典基线的准确率——而数据收集恰是 PLA 中最耗时的环节；（2）在相同数据预算下，其分类准确率超过经典基线。作者在三种对抗场景下测试了 QUASAR：重放攻击、精心构造的 IQ 注入和星载欺骗。QUASAR 分别拒绝了 89.7%、94.1% 和 81.3% 的欺骗传输，建立了首个面向卫星星座的量子增强物理层分类器。论文详细描述了框架和支撑结果，展示了物理层认证的新研究方向。适合对卫星通信安全、量子机器学习与物理层安全交叉领域感兴趣的读者。