공격자가 인공지능(AI) 자문가에 대한 영향력을 유해한 양자 오류 수정 업데이트로 바꿀 수 있을까요? 우리는 복구 선택을 방해하는 수동 증후군 기록의 모호성을 식별하고, 추가적인 보정 측정(calibration measurements)이 불확실성과 드리프트(drift) 하에서 인증된 복구 업데이트를 어떻게 지원하는지 보여줍니다. 오류가 없는 준비, 증후군 측정 및 복구 연산이 이루어지는 홀수 거리 사각 토릭 코드(toric code)에서, 반대 코히어런트 $X$ 회전은 동일한 수동 증후군-역사 분포를 생성합니다. 그러나 고정된 위상 보정은 한 부호에서는 도움이 되지만 다른 부호에서는 해롭습니다. 알려진 인코딩된 보정 상태에 대한 종단 논리 측정(terminal logical measurement)이 누락된 부호 정보를 제공합니다. 별도의 평가자(evaluator)는 보정 불확실성(calibration uncertainty)과 정당화된 드리프트 경계가 현재 복구보다 개선됨을 인증할 때만 업데이트를 수용하며, 자문가가 올바르게 추천한다고 가정하지 않습니다. 시뮬레이션된 조언 공격에서, 보정-신뢰도 확인은 유해한 제안을 거부하는 동시에 정직한 조언 하에서 이로운 업데이트는 유지합니다. 우리는 배포를 통해 개선이 필요한 보정 연령에 대한 충분한 한계를 도출합니다. 일치시키는 시뮬레이션(matched simulations)에서, 검증된 채널별 경계가 평가 시간을 고려하여 일반 경계보다 더 많은 이로운 업데이트를 유지하는 동시에 명시된 드리프트 가정 하의 테스트된 유해 활성화를 방지합니다. 별도의 표면 코드 실험은 획득 중 발생하는 확률적 회로 결함과 노이즈를 포함합니다. 결정론적 제어기(Deterministic controllers)는 동일한 관찰을 통해 적어도 같은 수의 이로운 업데이트를 달성합니다. 드리프트 가정을 위반하는 것은 토릭 실험에서 유해한 수용을 허용합니다. 이러한 결과들은 복구 선택에 필요한 정보를 식별하고, 유해한 업데이트에 대한 조건부 보장을 확립하며, 보수적인 수용을 통해 포기된 복구 개선 정도를 정량화합니다.