La computació quàntica avança a passos agegantats, i amb ella emergeixen nous paradigmes en l'aprenentatge automàtic. Les xarxes neuronals quàntiques (QNN, per les seves sigles en anglès) prometen resoldre problemes que avui semblen intratables per als sistemes clàssics. Tanmateix, com tota tecnologia emergent, també obren la porta a vulnerabilitats inèdites. Entre elles, els atacs de porta posterior (backdoor) representen una amenaça silenciosa però devastadora: un adversari pot injectar un patró ocult en les dades d'entrenament perquè el model es comporti normalment, excepte quan aparegui aquest disparador específic, moment en què executa una acció maliciosa. Fins fa poc, aquests atacs en l'àmbit quàntic empraven disparadors fixos, cosa que els feia detectables mitjançant inspecció de patrons repetitius. Ara, una nova generació d'atacs dinàmics i conscients de l'entrada està canviant les regles del joc.
El concepte de porta posterior dinàmica, ja estudiat en xarxes neuronals clàssiques, es trasllada al terreny quàntic amb desafiaments addicionals. A les QNN, el mesurament col·lapsa l'estat quàntic en una sortida clàssica limitada, cosa que debilita la supervisió necessària per entrenar un generador de disparadors. A més, les matrius de densitat individuals fluctuen amb cada mostra, tornant inestable l' aprenentatge contrastiu per mostra. Per superar aquests obstacles, investigadors han proposat mètodes com Q-DIBA (Quantum Dynamic Input-Aware Backdoor Attack), que integra un generador clàssic de disparadors amb la QNN víctima mitjançant una estratègia de mini-lots en tres modes: comportament net, activació de l'atac i especificitat del disparador. La clau rau en una pèrdua de contrast de densitat d' ensemble que opera sobre els estats quàntics posteriors a l' ansatz, abans del mesurament, comparant matrius de densitat mitjana per mode en lloc de mostres individuals. Aquest enfocament aconsegueix mantenir una alta precisió en dades netes, un èxit d'atac elevat i una especificitat d'entrada que ho fa difícil de detectar.
Les implicacions per a la ciberseguretat són profundes. Si un adversari aconsegueix implantar una porta posterior dinàmica en una QNN utilitzada per a diagnòstic mèdic, anàlisi financera o control de sistemes crítics, les conseqüències podrien ser catastròfiques. A diferència dels disparadors fixos, els dinàmics s'adapten a cada entrada, evadint defenses com la inspecció visual, la detecció de firmes espectrals o l'ajust fi (fine-tuning). Això exigeix que les organitzacions que desenvolupen o despleguen solucions quàntiques adoptin mesures proactives. En aquest context, comptar amb un soci tecnològic expert en ciberseguretat i pentesting es torna essencial per auditar models i detectar vulnerabilitats abans que siguin explotades.
Més enllà de l'amenaça, aquest avenç obre un debat sobre la necessitat de construir sistemes d'intel·ligència artificial robustos des del seu disseny. Les empreses que integren IA per a empreses, ja sigui mitjançant models clàssics o quàntics, han de considerar la seguretat com un requisit no funcional prioritari. Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, ofereix solucions d'intel·ligència artificial que inclouen avaluació de riscos, proves de penetració i assegurament de la integritat del model. A més, els seus serveis de programari a mida permeten implementar arquitectures segures des de la fase de disseny, adaptant-se a les necessitats específiques de cada client.
La investigació sobre atacs dinàmics a QNN també posa en relleu la importància de combinar el coneixement clàssic i quàntic. Per a les empreses, això significa que la formació en ciberseguretat s'ha d'estendre al nou paradigma. Eines com els agents IA poden ajudar a monitoritzar comportaments anòmals en temps real, mentre que els serveis cloud AWS i Azure ofereixen entorns escalables per entrenar i testejar models sota condicions controlades. De la mateixa manera, la intel·ligència de negoci recolzada en Power BI pot visualitzar patrons d'atac i facilitar la presa de decisions en equips de seguretat.
En el costat pràctic, les organitzacions que ja estan explorant aplicacions quàntiques haurien d'integrar proves de backdoor en els seus pipelins de CI/CD. Un atac com Q-DIBA demostra que els adversaris poden ser molt sofisticats, però també que la comunitat d'investigació està desenvolupant contramesurades. Per exemple, es poden emprar tècniques de destil·lació adversarial, regularització basada en densitat o detecció estadística d'outliers en l'espai d'estats quàntics. La clau està en l'anticipació i en la col·laboració amb especialistes que comprenguin tant el maquinari quàntic com les estratègies d'atac.
En definitiva, l'atac dinàmic de porta posterior en xarxes neuronals quàntiques representa una fita en l'evolució de les amenaces cibernètiques. Subratlla la necessitat que les empreses de tots els sectors, des de finances fins a salut, revisin les seves estratègies de seguretat. Q2BSTUDIO, amb la seva experiència en desenvolupament d'aplicacions a mida, ciberseguretat, intel·ligència artificial i serveis cloud, està preparat per acompanyar les organitzacions en aquest nou desafiament. Perquè la innovació no ha d'estar renyida amb la protecció: totes dues són cares de la mateixa moneda tecnològica.
