随着人工智能（AI）加速落地高复杂度与高风险场景，构建安全、鲁棒的“可信AI”已成为亟待解决的核心课题。当前，大模型高度依赖底层数据质量，自然噪声、恶意“投毒”以及AI生成内容的自我循环，正日益加剧数据污染风险。面对这一困境，量子计算的战略价值或许不应仅局限于算力的指数级飞跃，其独特的物理架构能否为抵御数据污染提供有别于经典计算的全新解法，成为了一个极具潜力的探索方向。

  近日，中国工程物理研究院研究生院副研究员陈玉琴与中国科学院物理研究所特聘研究员张士欣合作，在 Nature Communications 上发表研究论文，首次系统揭示了量子神经网络在应对数据污染时的卓越表现，为构建高可靠智能系统开辟了新路径。中物院研究生院为第一单位。

  左上图：经典神经网络模型。右上图：量子神经网络模型。左下图：量子模型在数据污染下的鲁棒性。右下图：量子模型对数据污染的遗忘可塑性。

  突破经典局限：抗“投毒”的结构性优势

  经典机器学习模型在处理含噪或被污染数据时，极易出现“死记硬背”异常样本，导致决策边界严重扭曲，其泛化能力往往随着噪声增加而持续衰退。

  研究团队发现，量子神经网络展现出了截然不同的鲁棒机制：其抗噪能力呈现出类似复杂系统中的“相变”特征。在一定的污染比例阈值内，量子模型的性能可维持高度稳定；仅当噪声越过临界点后，才会出现显著退化。这种内生的结构稳定性，使其在恶劣的数据环境中具备天然的防御力。

  提出“量子机器遗忘”：高效擦除错误记忆

  如果模型已经不慎吸收了错误数据，如何低成本地将其“遗忘”？对于经典模型而言，完全重新训练成本高昂，而低成本的近似遗忘算法又往往极不稳定。

  针对这一痛点，该研究首次提出了“量子机器遗忘”（Quantum Machine Unlearning）。结果表明，量子模型具有极佳的“可塑性”，在应用近似遗忘策略时，能够以更低的计算代价高效、稳定地擦除特定有害数据的印记。

  深层机制探讨：平滑的损失函数景观

  为何量子模型能兼具“抗毒”与“易忘”的特性？研究团队创新性地引入了“景观粗糙化比率”（landscape roughening ratio）这一指标，从几何的角度给出了答案。

  在拟合异常数据时，经典模型的损失函数景观容易变得崎岖不平，布满尖锐且复杂的“陷阱”，导致遗忘时难以跳出。而量子模型受限于其底层的酉变换约束，其损失景观整体保持平滑，从根本上避免了极端曲率的产生。这使得量子模型在面对污染数据时不易误入歧途，在执行遗忘指令时也能轻松逃离局域极小。

  据介绍，该研究不仅在理论上证实了量子机器学习在对抗数据污染方面的原生结构优势，更为下一代高可靠、强安全的人工智能系统设计提供了全新的理论基石。它标志着学术界对量子优势的探索，正从单一的算力加成向更深层次的鲁棒性与安全性维度全面拓展。（记者蔡琳）

  原文链接：https://www.nature.com/articles/s41467-026-70420-4