| Yhteenveto: | Quantum computers accessed through the cloud may soon allow multiple users to share hardware simultaneously, easing resource constraints. That convenience creates the risk of quantum crosstalk, where operations on one qubit can perturb a neighboring one, serving as an attack vector. This thesis investigated whether classical machine-learning models, trained on simulated quantum data, can detect and quantify the degradation caused by crosstalk with no prior quantum knowledge. A total of 4566 ten-qubit MNISQ circuits encoding MNIST images were run on a simulator modeled after IBM’s 127-qubit Brisbane device, with injected gate, relaxation, readout, and both coherent and stochastic crosstalk errors as noise models. From the resulting density matrices and original circuits, we built a dataset combining complex quantum features with simple classical descriptors like circuit depth and gate counts. We then designed TripleBranchNet, a model that merges three branches: a convolutional neural network (CNN) over the off-diagonal real and imaginary parts of the density matrix, a multilayer perceptron (MLP) for the diagonal terms, and another MLP for classical features. Trained on 80\% of the data, the best model reached a mean absolute error of 0.0055 and an \(R^{2}\) score of 0.5131 on the unseen test set. The results show that crosstalk leaves a detectable imprint in the density matrix, one visible and learnable to classical AI models. This points to the possibility of software-level monitoring without hardware changes. Still, about 49\% of variance remains unexplained, and real-device validation is required before deployment. The work offers a preliminary, practical step toward AI-assisted safeguards as quantum multi-tenancy grows with the proof-of-concept TripleBranchNet model.
Pilvipalvelun kautta käytettävät kvanttitietokoneet voivat pian mahdollistaa useiden käyttäjien samanaikaisen laitteiston jakamisen, mikä lievittää resurssirajoitteita. Tämä mukavuus lisää kuitenkin kvanttikytkeytymisen (crosstalk) riskiä, jossa yhden kubitin operaatiot häiritsevät viereistä kubittia ja voivat toimia hyökkäysvektorina. Tässä tutkielmassa selvitettiin, voivatko klassiset koneoppimismallit, jotka on koulutettu simuloidulla kvanttidatalla ilman aiempaa kvanttitietoa, havaita ja määrällistää crosstalkin aiheuttaman heikkenemisen. Yhteensä 4566 kymmenkubittista MNISQ-piiriä, jotka koodasivat MNIST-kuvia, ajettiin IBM:n 127-kubittista Brisbane-laitetta jäljittelevässä simulaattorissa, johon injektoitiin portti-, relaksaatio- ja lukukohinaa sekä koherentteja ja stokastisia crosstalk-virheitä. Tuloksena saaduista tiheysmatriiseista ja alkuperäisistä piireistä koottiin aineisto, jossa monimutkaiset kvanttiominaisuudet yhdistyivät yksinkertaisiin klassisiin kuvaajiin, kuten piirisyvyyteen ja porttimääriin. Seuraavaksi suunniteltiin TripleBranchNet, joka yhdistää kolme haaraa: konvoluutioneuroverkon (CNN) tiheysmatriisin sivudiagonaalisten reaalisten ja imaginaaristen osien analysointiin, monikerrosperceptronin (MLP) sen diagonaalialkioille sekä toisen MLP:n klassisille piirteille. Kun malli koulutettiin 80\%:lla datasta, paras versio saavutti tuntemattomalla testijoukolla keskimääräisen absoluuttisen virheen 0,0055 ja \(R^{2}\)-arvon 0,5131. Tulokset osoittavat, että crosstalk jättää tiheysmatriisiin havaittavan jäljen, jonka klassiset tekoälymallit voivat oppia. Tämä viittaa mahdollisuuteen ohjelmistopohjaiseen monitorointiin ilman laitteistomuutoksia. Noin 49\% varianssista jäi kuitenkin selittämättä, ja todellisiin laitteisiin perustuva validointi on tarpeen ennen käyttöönottoa. Työ tarjoaa alustavan, käytännöllisen askeleen kohti tekoälyavusteisia suojausmekanismeja kvanttimonikäyttöisyyden laajentuessa, esitellen todisteena TripleBranchNet-mallin.
|
|---|