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

Énoncé du problème

Dans la distribution quantique de clés à variables continues (CV-QKD), l'estimation des paramètres constitue un goulot d'étranglement critique, particulièrement dans les scénarios de taille finie. L'incertitude statistique découlant d'une taille de données limitée nécessite l'utilisation de bornes pessimistes de type pire cas pour les paramètres du canal (spécifiquement la transmittance $T$ et le bruit excessif $\xi$). Ces bornes conservatrices réduisent considérablement le taux de clé secrète et la portée de transmission réalisables.

Bien que l'estimation par maximum de vraisemblance (MLE) soit la méthode standard pour l'estimation des paramètres en raison de son cadre statistique rigoureux et de ses intervalles de confiance explicites, elle produit souvent des bornes lâches. Bien que des techniques d'apprentissage automatique (ML) aient été proposées pour améliorer la précision de l'estimation, elles manquaient historiquement du cadre statistique rigoureux requis pour une intégration dans les preuves de sécurité composable. Plus précisément, les approches de ML précédentes ne parvenaient pas à quantifier la probabilité d'échec de l'estimation ($\epsilon_{PE}$), ce qui les rendait incompatibles avec les garanties de sécurité strictes requises pour la CV-QKD.

Méthodologie

Les auteurs proposent un cadre qui comble le fossé entre l'apprentissage automatique et la sécurité composable en introduisant une méthode statistiquement rigoureuse pour utiliser des réseaux de neurones (NN) afin d'estimer le bruit excessif dans la CV-QKD.

1. Cadre théorique (Méthode Delta) :
   Les auteurs modélisent la prédiction du réseau de neurones comme une fonction $f(X, \theta)$ soumise à un terme d'erreur additif. En employant un développement de Taylor au premier ordre et la méthode delta, ils dérivent un intervalle de confiance pour le pire cas de la sortie du réseau de neurones.

   • Ils établissent que l'erreur d'estimation des paramètres suit une distribution normale multivariée.
   • Ils utilisent la matrice jacobienne de la fonction du réseau et la somme des carrés des résidus pour construire un intervalle de confiance basé sur la distribution $t$ de Student.
   • Cela permet de calculer une borne supérieure pour la variance du bruit excessif ($\sigma^2_{max}$) telle que la probabilité que la valeur réelle dépasse cette borne soit au plus $\epsilon_{PE}/2$.

2. Architecture du réseau de neurones :

   • Entrée : Le réseau prend un vecteur à 6 dimensions de statistiques suffisantes dérivées de mesures de quadrature corrélées $\{x_i, y_i\}$. Pour améliorer la détectabilité du bruit excessif, les caractotéristiques d'entrée incluent un terme de variance prétraité mis à l'échelle par un facteur d'amplification artificiel $a > 1$.
   • Architecture : Un réseau de neurones à propagation avant entièrement connecté avec trois couches cachées (32, 64 et 32 neurones) utilisant des activations ReLU, et une couche de sortie finale avec une activation Softplus décalée pour garantir des prédictions strictement positives.
   • Entraînement : Le réseau est entraîné sur des données synthétiques générées à partir d'un modèle de canal gaussien (bruit blanc gaussien additif) en utilisant l'apprentissage supervisé. La fonction de perte est l'erreur quadratique moyenne (MSE). La stratégie d'entraînement implique l'échantillonnage de la transmittance et du bruit excessif de manière uniforme pour assurer une généralisation robuste.

3. Intégration du protocole (PEP 2) :
   Les auteurs définissent un protocole d'estimation de paramètres (PEP 2) qui est opérationnellement équivalent au protocole standard basé sur la MLE (PEP 1).

   • Bob diffuse $m$ signaux à Alice.
   • Alice utilise la MLE pour estimer la transmittance ($t$) et le réseau de neurones entraîné pour estimer le bruit excessif ($\xi$).
   • Crucialement, Alice applique les formules statistiques dérivées (Éq. 9 pour la transmittance MLE et Éq. 26 pour le bruit NN) pour calculer les bornes du pire cas ($t_{min}$ et $\sigma^2_{max}$).
   • Ces bornes sont utilisées pour construire la matrice de covariance du pire cas $\Gamma_{\epsilon_{PE}}$, qui alimente le calcul du taux de clé secrète.

Principales contributions

• Sécurité composable pour le ML : L'article fournit la première analyse de sécurité de taille finie démontrant que les réseaux de neurones peuvent être utilisés pour l'estimation des paramètres de la CV-QKD avec des probabilités d'échec quantifiables ($\epsilon_{PE}$).
• Intervalles de confiance rigoureux : En dérivant l'intervalle de confiance du pire cas à l'aide de la méthode delta, les auteurs garantissent que l'estimateur du réseau de neurones satisfait les mêmes conditions de sécurité probabilistes que la MLE standard ($P(\sigma^2 \leq \sigma^2_{max}) \geq 1 - \epsilon_{PE}/2$).
• Équivalence opérationnelle : La méthode proposée est montrée comme étant opérationnellement équivalente aux protocoles MLE standards. La seule différence est l'estimateur utilisé pour générer les bornes ; l'analyse de sécurité ultérieure (calcul de l'information de Holevo) reste inchangée.
• Entraînement sur données synthétiques : Le cadre permet l'utilisation de modèles pré-entraînés sur des données synthétiques, éliminant le besoin d'un entraînement en temps réel pendant l'opération de la QKD tout en maintenant la rigueur statistique.

Résultats

Des investigations numériques ont été menées sous des attaques gaussiennes collectives avec des effets de taille finie :

• Précision : L'estimateur par réseau de neurones a systématiquement produit des écarts-types plus faibles entre les valeurs estimées et les valeurs réelles de la variance du bruit par rapport à la MLE sur diverses tailles d'échantillons ($m = 10^4$ à $10^8$).
• Validation de la sécurité : Les résultats ont confirmé que les estimations du réseau de neurones ne tombaient jamais en dessous des valeurs réelles du bruit avec la probabilité spécifiée, satisfaisant la condition de sécurité $\epsilon_{PE}$.
• Gains de performance : Lorsqu'il est intégré dans le calcul du taux de clé secrète (en utilisant des paramètres reflétant des conditions expérimentales réalistes, par exemple une efficacité de détection $\eta_{eff}=0,8$, une efficacité de réconciliation $\beta=0,95$), la méthode basée sur les réseaux de neurones a atteint des taux de clés secrètes nettement plus élevés.
  • Plus précisément, la méthode a étendu la distance de transmission sécurisée de 6,1 km (pour $N=2 \cdot 10^6$ signaux), 1,3 km (pour $N=2 \cdot 10^7$) et 3,0 km (pour $N=2 \cdot 10^8$) par rapport à l'approche standard de la MLE.

Signification et affirmations

L'article affirme que sa contribution principale n'est pas nécessairement la supériorité d'une architecture spécifique de réseau de neurones, mais plutôt la démonstration que des estimateurs pilotés par les données peuvent être intégrés en toute sécurité dans les routines d'estimation de paramètres de la CV-QKD sans compromettre la sécurité composable.

Les auteurs soulignent que :

1. Surmonter les limitations : Cette approche surmonte une limitation de performance clé dans les systèmes pratiques de CV-QKD où les effets de taille finie et la nécessité de bornes conservatrices restreignent le taux de clé et la portée.
2. Scalabilité : La méthode est largement applicable à la CV-QKD modulée gaussienne sous attaques collectives. Étant donné que la sécurité contre les attaques cohérentes générales repose souvent sur des techniques de réduction basées sur des bornes de pire cas, cette méthode peut être intégrée de manière transparente dans les preuves contre les attaques générales.
3. Praticité : Bien que l'entraînement soit coûteux en calcul, la phase d'inférence est très efficace, ce qui la rend adaptée à une mise en œuvre en temps réel dans les systèmes de QKD pratiques, en particulier dans les régimes avec des tailles de signaux limitées où de petites améliorations de l'estimation produisent des gains significatifs en distance de transmission.

Le travail établit une voie pour l'utilisation de stratégies d'apprentissage automatique flexibles et adaptatives dans les protocoles de communication quantique sécurisés, à condition qu'elles soient fondées sur des cadres statistiques rigoureux qui garantissent la sécurité composable.