Neural network for excess noise estimation in continuous-variable quantum key distribution under composable finite-size security

ملخص تقني لورقة بحثية بعنوان: "الشبكة العصبية لتقدير الضجيج الزائد في توزيع المفاتتاح الكمي ذو المتغير المستمر تحت أمن الحجم المحدود القابل للتركيب"

بيان المشكلة

في توزيع المفاتيح الكمية ذي المتغير المستمر (CV-QKD)، يمثل تقدير المعلمات عقبة حرجة، لا سيما في سيناريوهات الحجم المحدود. إذ تستلف ضرورة استخدام حدود الحالة الأسوأ الأكثر تحفظاً (تحديداً النفاذية $T$ والضجيج الزائد $\xi$) نتيجة عدم اليقين الإحصائي الناجم عن حجم البيانات المحدود. هذه الحدود المتحفظة تقلل بشكل كبير من معدل المفتاح السري ومسافة الإرسال القابلة للتحقيق.

بينما يعد تقدير الاحتمال الأقصى (MLE) هو الطريقة القياسية لتقدير المعلمات نظراً لإطاره الإحصائي الصارم وفترات الثقة الصريحة، إلا أنه غالباً ما يعطي حدوداً فضفاضة. ورغم اقتراح تقنيات التعلم الآلي (ML) لتحسين دقة التقدير، إلا أنها افتقرت تاريخياً إلى الإطار الإحصائي الصارم المطلوب للدمج في براهين الأمن القابل للتركيب. وتحديداً، فشلت مقاربات التعلم الآلي السابقة في تحديد احتمالية فشل التقدير ($\epsilon_{PE}$)، مما جعلها غير متوافقة مع الضمانات الأمنية الصارمة المطلوبة في CV-QKD.

المنهجية

يقترح المؤلفون إطار عمل يسد الفجوة بين التعلم الآلي والأمن القابل للتركيب عبر تقديم طريقة صارمة إحصائياً لاستخدام الشبكات العصبية (NN) لتقدير الضجيج الزائد في CV-QKD.

1. الإطار النظري (طريقة دلتا - Delta Method):
   يقوم المؤلفون بنمذجة تنبؤ الشبكة العصبية كدالة $f(X, \theta)$ تخضع لحد خطأ مضاف. ومن خلال استخدام توسيع تايلور من الدرجة الأولى وطريقة دلتا، استنتجوا فترة ثقة للحالة الأسوأ لمخرجات الشبكة العصبية.

• أثبتوا أن خطأ تقدير المعلمات يتبع توزيعاً طبيعياً متعدد المتغيرات.
• استخدموا مصفوفة جاكوبي لدالة الشبكة ومجموع مربعات البواقي لبناء فترة ثقة تعتمد على توزيع "ستودنت t" (Student's $t$-distribution).
• يسمح هذا بحساب الحد الأعلى لتباين الضجيج الزائد ($\sigma^2_{max}$) بحيث تكون احتمالية تجاوز القيمة الحقيقية لهذا الحد لا تزيد عن $\epsilon_{PE}/2$.

2. بنية الشبكة العصبية:

• المدخلات: تأخذ الشبكة ناقلاً مكوناً من 6 أبعاد للإحصائيات الكافية المستمدة من قياسات التربيع المتلازمة $\{x_i, y_i\}$. ولتعزيز القدرة على كشف الضجيج الزائد، تتضمن ميزات المدخلات حداً معالجاً مسبقاً للتباين مدمجاً بعامل تضخيم اصطناعي $a > 1$.
• البنية: شبكة تغذية أمامية كاملة الاتصال بثلاث طبقات مخفية (32، 64، و32 عصبون) تستخدم تنشيطات ReLU، وطبقة مخرجات نهائية بتنشيط Softplus مزاح لضمان تنبؤات موجبة تماماً.
• التدريب: تم تدريب الشبكة على بيانات اصطناعية مولدة من نموذج قناة غاوسية (ضجيج أبيض غاوسي مضاف) باستخدام التعلم الخاضع للإشراف. دالة الخسارة هي متوسط مربع الخطأ (MSE). وتتضمن استراتيجية التدريب أخذ عينات من النفاذية والضجيج الزائد بشكل موحد لضمان التعميم القوي.

3. تكامل البروتوكول (PEP 2):
   حدد المؤلفون بروتوكول تقدير المعلمات (PEP 2) الذي يكافئ تشغيلياً بروتوكول (PEP 1) القائم على MLE.

• يبث "بوب" (Bob) $m$ من الإشارات إلى "أليس" (Alice).
• تستخدم "أليس" طريقة MLE لتقدير النفاذية ($t$) والشبكة العصبية المدربة لتقدير الضجيج الزائد ($\xi$).
• من الضروري أن تطبق "أليس" الصيغ الإحصائية المستمدة (المعادلة 9 لتقدير النفاذية بـ MLE والمعادلة 26 لتقدير الضجيج بالشبكة العصبية) لحساب حدود الحالة الأسوأ ($t_{min}$ و $\sigma^2_{max}$).
• تُستخدم هذه الحدود لبناء مصفوفة التباين للحالة الأسوأ $\Gamma_{\epsilon_{PE}}$، والتي تُغذي حساب معدل المفتاح السري.

المساهمات الرئيسية

• الأمن القابل للتركيب للتعلم الآلي: تقدم الورقة أول تحليل أمني للحجم المحدود يثبت إمكانية استخدام الشبكات العصبية لتقدير معلمات CV-QKD مع احتمالات فشل قابلة للقياس ($\epsilon_{PE}$).
• فترات الثقة الصارمة: من خلال اشتقاق فترة ثقة الحالة الأسوأ باستخدام طريقة دلتا، ضمن المؤلفون أن مُقدّر الشبكة العصبية يستوفي نفس الشروط الأمنية الاحتمالية لـ MLE القياسي ($P(\sigma^2 \leq \sigma^2_{max}) \geq 1 - \epsilon_{PE}/2$).
• التكافؤ التشغيلي: أظهرت النتائج أن الطريقة المقترحة تكافئ تشغيلياً بروتوكولات MLE القياسية؛ حيث يكمن الاختلاف الوحيد في المُقدّر المستخدم لتوليد الحدود، بينما يظل تحليل الأمن اللاحق (حساب معلومات هوليفو) دون تغيير.
• التدريب على البيانات الاصطناعية: يسمح إطار العمل باستخدام نماذج مدربة مسبقاً على بيانات اصطناعية، مما يلغي الحاجة للتدريب في الوقت الفعلي أثناء عملية QKD مع الحفاظ على الصرامة الإحصائية.

النتائج

أُجريت تحقيقات عددية تحت هجمات غاوسية جماعية مع تأثيرات الحجم المحدود:

• الدقة: قدم مُقدّر الشبكة العصبية باستمرار انحرافات معيارية أقل بين القيم المقدرة والقيم الحقيقية لتباين الضوضاء مقارنة بـ MLE عبر أحجام عينات مختلفة ($m = 10^4$ إلى $10^8$).
• التحقق الأمني: أكدت النتائج أن تقديرات الشبكة العصبية لم تنخفض أبداً عن قيم الضجيج الحقيقية بالاحتمالية المحددة، مما يحقق شرط الأمن $\epsilon_{PE}$.
• مكاسب الأداء: عند دمج الطريقة في حساب معدل المفتاح السري (باستخدام معلمات تعكس ظروفاً تجريبية واقعية، مثل كفاءة الكاشف $\eta_{eff}=0.8$ وكفاءة التوفيق $\beta=0.95$)، حققت الطالمعتمدة على الشبكة العصبية معدلات مفاتيح سرية أعلى بكثير.
  • على وجه التحديد، وسعت الطريقة مسافة الإرسال الآمنة بمقدار 6.1 كم (عند $N=2 \cdot 10^6$ إشارة)، و 1.3 كم (عند $N=2 \cdot 10^7$)، و 3.0 كم (عند $N=2 \cdot 10^8$) مقارنة بمنهج MLE القياسي.

الأهمية والادعاءات

تدعي الورقة أن مساهمتها الرئيسية ليست بالضرورة تفوق بنية معينة للشبكة العصبية، بل إثبات أن المُقدّرات القائمة على البيانات يمكن دمجها بأمان في روتين تقدير معلمات CV-QKD دون المساس بالأمن القابل للتركيب.

يؤكد المؤلفون على ما يلي:

1. التغلب على القيود: يتجاوز هذا النهج قيداً رئيسياً في أنظمة CV-QKD العملية حيث تحد تأثيرات الحجم المحدود والحاجة إلى حدود تحفظية من معدل النطاق والمدى.
2. القابلية للتوسع: هذه الطريقة قابلة للتطبيق على نطاق واسع في CV-QKD المضمن بـ Gaussian تحت الهجمات الجماعية. وبما أن الأمن ضد الهجمات العامة يعتمد غالباً على تقنيات الاختزال بناءً على حدود الحالة الأسوأ، يمكن دمج هذه الطريقة بسلاسة في براهين الهجمات العامة.
3. العملية: بينما يكون التدريب مكثفاً حوسبياً، فإن مرحلة الاستدلال (Inference) فعالة للغاية، مما يجعلها مناسبة للتنفيذ في الوقت الفعلي في أنظمة QKD العملية، خاصة في الأنظمة التي تعاني من أحجام إشارات محدودة حيث تؤدي التحسينات الطفيفة في التقدير إلى مكاسب كبيرة في مسافة الإرسال.

يؤسس هذا العمل مساراً لاستخدام استراتيجيات تعلم آلي مرنة وتكيفية في بروتوكولات الاتصالات الكمية الآمنة، شريطة أن تكون قائمة على أطر إحصائية صارمة تضمن الأمن القابل للتركيب.