هل يمكن للتعلم الفيدرالي الكمي مواجهة الثغرات العميقة في الدوائر الكهربائية؟

في عالم الذكاء الاصطناعي المتطور، يعتبر التعلم الفيدرالي الكمي (Quantum Federated Learning) أحد التطورات الواعدة، ولكنه لا يخلو من المخاطر. يتمتع هذا النوع من التعلم بقدرة على تعزيز الخصوصية وتقليل فقدان البيانات، ولكنه، مثل أي نظام آخر، يمكن أن يكون عرضة للهجمات. وقد تم تسليط الضوء على هذه الفجوة الأمنية في دراسة حديثة، حيث اقترح الباحثون نموذجًا جديدًا يُعرف باسم تهديد الثغرة العميقة في الدائرة الكهربائية (CircUit-Level backdoor Threat - CULT).

تتضمن هذه الدراسة استراتيجيات هجوم متميزة تعتمد على آليات كيلو اتصال كمي، مثل غروفر (Grover) وبولي (Pauli) وتقلب البت (Bit-flip) وتوقيع التقلب (Sign-flip). هذه الهجمات ليست مجرد هجمات تقليدية، بل تهدف إلى تقويض العملية التعليمية بنجاح من خلال استغلال الآليات الكمية، مما قد يؤدي إلى تدهور كبير في دقة التعلم.

تظهر التجارب التي أجريت على مجموعتي بيانات MNIST وCIFAR-10، مع تقسيمات غير متطابقة ونسب متفاوتة من العملاء الضارين، أن وجود عميل خبيث واحد يمكن أن يؤدي إلى تدهور دقة النموذج بنسبة تصل إلى 50%. ورغم جهود الدفاع مثل Krum وMulti-Krum وFoolsGold وFLGuardian وMud-HoG التي حسنت من الأداء في بعض السيناريوهات، إلا أنها لا تقدم ضمانات ضد حالات الفشل الأسوأ.

حيث تظهر التحليلات التجريبية أن التحديثات الضارة قادرة على إخفاء وجودها عن طريق المحافظة على قربها من القواعد الجيدة، مما يساعد المهاجمين على الإنتقال دون أن يتم اكتشافهم. لذا، يتوجب على الباحثين والممارسين الانتباه لهذه التهديدات وبذل مزيد من الجهود لرفع مستوى الأمان في أنظمة التعلم الفيدرالي الكمي.