Quantum Neural Networks (QNNs)는 근시일 내의 양자 장치에서 양자 머신러닝을 위한 유망한 프레임워크이지만, 그 보안 위험은 여전히 충분히 이해되지 않고 있습니다. 연구에 따르면 QNNs가 백도어 공격에 취약하다는 것이 밝혀졌지만, 기존의 양자 백도어들은 대부분 모든 오염된 입력에서 공유되는 고정된 트리거에 의존합니다. 이러한 고정 트리거 설계는 주요한 약점인데, 많은 방어 기법들이 그러한 트리거가 데이터 표현에 남기는 반복적인 패턴을 감지하거나 약화시키기 때문입니다. 비록 클래식 신경망에서는 입력 인식 동적 백도어가 연구되었지만, 이를 QNNs로 전이하는 것은 양자 학습이 새로운 장애물을 도입하기 때문에 어렵습니다. 특히 측정(measurement)은 후-ansatz 양자 상태를 제한된 클래식 출력으로 압축하여 트리거 생성에 대한 감독을 약화시키고, 개별 밀도 행렬(density matrix)은 입력에 따라 변동하므로 샘플별 대조 학습(contrastive learning)을 불안정하게 만듭니다. 이러한 문제들을 해결하기 위해, 우리는 QNNs를 위한 최초의 입력 인식 동적 백도어 공격인 Q-DIBA를 제안합니다. Q-DIBA는 정상 동작(clean behavior), 공격 활성화(attack activation), 그리고 트리거 특이성(trigger specificity)을 지원하는 3가지 모드 미니 배치 전략을 통해 클래식 트리거 생성기와 피해 QNN을 공동으로 학습시킵니다. 안정적인 양자 레벨 감독을 제공하기 위해, Q-DIBA는 측정 전에 후-ansatz 양자 상태에 작동하며 개별 샘플이 아닌 모드 평균 밀도 행렬을 대조하는 앙상블 밀도 대조 손실(ensemble density contrastive loss)을 도입합니다. MNIST와 Fashion-MNIST에 대한 여러 QNN 아키텍처에서의 실험 결과, Q-DIBA가 높은 정상 정확도, 강력한 공격 성공률, 그리고 높은 교차 트리거 정확도를 달성하여 효과성, 은밀성, 그리고 입력 특이성을 입증했습니다. 또한 이 공격은 시각적 검사(visual inspection), 스펙트럼 서명 감지(spectral-signature detection), 미세 조정(fine-tuning)을 포함한 방어 기법에 대해서도 여전히 강건함을 보여주며, 입력 인식 양자 백도어가 안전한 QNN 배포에 중요한 위협임을 시사합니다.