في خطوة رائدة نحو تعزيز أمان الدوائر الكمية، تم تقديم BadQubits، وهو إطار جديد يعتمد على النماذج اللغوية الكبيرة (LLMs) للكشف عن الدوائر الكمية الضارة قبل تنفيذها. يهدف هذا الإطار إلى معالجة التهديدات التي تواجه طبقة التنفيذ الفعلي من خلال تحليل الدوائر المقدمة مسبقًا، حيث أن الفحص الديناميكي يواجه قيودًا بفعل عدم قابلية قياس النتائج والتكاليف الهائلة لمحاكاة الحالة الكمومية باستخدام الأساليب التقليدية.

استنادًا إلى تقييم لأربعة طرازات من الهياكل القادرة على فهم الشيفرة، تم استخدام مجموعة بيانات تتكون من 1500 دائرة، تشمل 1000 برنامج آمن تم تجميعه من MQTBench و500 دائرة هجوم صناعية مستمدة من ثلاث تهديدات موثقة. وقد أظهر النموذج المعزز Qwen Coder 2.5 7B دقة تصنيف بلغت 92.67% واسترجاعًا للدوائر الضارة بنسبة 96.1%.

كما أظهرت نتائج التقييم أن اثنين من النماذج الأساسية الأربعة لم تتمكن من التعميم تحت توجيه LoRA المحدود، مما يدل على أهمية اختيار نموذج معماري يتناسب مع تصميم الإطار عوضًا عن كونه خيار ضبط بسيط.

لإلقاء الضوء على ما تعلمه المكتشف، تمت مقارنته مع CNN يعتمد على تاريخ المدخلات تحت إزالة المتحولات التدريجية وتشويه تركيب الذكاء الاصطناعي. وقد انخفض استرجاع الدوائر الضارة في CNN من 100% إلى 17%، بينما انخفض في النموذج المدعوم بالنماذج اللغوية الكبيرة فقط من 96.1% إلى 91.2%. كما تم ربط تحليل الارتباط بأن قرارات النموذج تتبع ميزات تحديد التهديد، مثل كثافة SWAP وتوقيت القياس، بدلاً من سمات محددة تم إنشاؤها.

في الختام، يُعتبر BadQubits خطوة مهمة نحو تحسين أمان تطبيقات الحوسبة الكمية، وقد يقدم أسسًا جديدة للمزيد من الأبحاث في هذا المجال سريع النمو.