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

Problematica

Nella distribuzione di chiavi quantistiche a variabili continue (CV-QKD), la stima dei parametri rappresenta un collo di bottiglia critico, particolarmente negli scenari a dimensione finita. L'incertezza statistica derivante da una dimensione limitata dei dati richiede l'uso di limiti pessimistici del caso peggiore per i parametri del canale (specificamente trasmittanza $T$ e rumore in eccesso $\xi$). Questi limiti conservativi riducono drasticamente il tasso di chiave segreta ottenibile e la distanza di trasmissione.

Sebbene la stima della massima verosimiglianza (MLE) sia il metodo standard per la stima dei parametri grazie al suo rigoroso framework statistico e agli espliciti intervalli di confidenza, essa spesso produce limiti troppo ampi. Sebbene siano state proposte tecniche di machine learning (ML) per migliorare la precisione della stima, esse storicamente hanno carezato del rigore statistico necessario per l'integrazione nelle prove di sicurezza composibile. Nello specifico, i precedenti approcci di ML non riuscivano a quantificare la probabilità di fallimento della stima ($\epsilon_{PE}$), rendendoli incompatibili con le rigide garanzie di sicurezza richieste dalla CV-QKD.

Metodologia

Gli autori propongono un framework che colma il divario tra machine learning e sicurezza composibile introducendo un metodo statisticamente rigoroso per utilizzare reti neurali (NN) per stimare il rumore in eccesso nella CV-QKD.

1. Framework Teorico (Metodo Delta):
   Gli autori modellano la predizione della rete neurale come una funzione $f(X, \theta)$ soggetta a un termine di errore additivo. Utilizzando un'espansione di Taylor del primo ordine e il metodo delta, derivano un intervallo di confidenza del caso peggiore per l'output della rete neurale.

   • Stabiliscono che l'errore di stima dei parametri segue una distribuzione normale multivariata.
   • Utilizzano la matrice Jacobiana della funzione di rete e la somma dei quadrati dei residui per costruire un intervallo di confidenza basato sulla distribuzione $t$ di Student.
   • Ciò consente di calcolare un limite superiore per la varianza del rumore in eccesso ($\sigma^2_{max}$) tale che la probabilità che il valore reale superi tale limite sia non superiore a $\epsilon_{PE}/2$.

2. Architettura della Rete Neurale:

   • Input: La rete riceve un vettore a 6 dimensioni di statistiche sufficienti derivate dalle misure delle quadrature correlate $\{x_i, y_i\}$. Per migliorare la rilevabilità del rumore in eccesso, le caratteristiche di input includono un termine di varianza preelaborato scalato da un fattore di amplificazione artificiale $a > 1$.
   • Architettura: Una rete feedforward completamente connessa con tre strati nascosti (32, 64 e 32 neuroni) che utilizzano attivazioni ReLU, e uno strato di output finale con un'attivazione Softplus traslata per garantire predizioni strettamente positive.
   • Addestramento: La rete viene addestrata su dati sintetici generati da un modello di canale Gaussiano (rumore bianco gaussiano additivo) tramite apprendimento supervisionato. La funzione di perdita è l'errore quadratico medio (MSE). La strategia di addestramento prevede il campionamento uniforme di trasmittanza e rumore in eccesso per garantire una robusta generalizzazione.

3. Integrazione del Protocollo (PEP 2):
   Gli autori definiscono un protocollo di stima dei parametri (PEP 2) che è operativamente equivalente al protocollo standard basato su MLE (PEP 1).

   • Bob trasmette $m$ segnali ad Alice.
   • Alice utilizza la MLE per stimare la trasmittanza ($t$) e la rete neurale addestrata per stimare il rumore in eccesso ($\xi$).
   • Fondamentalmente, Alice applica le formule statistiche derivate (Eq. 9 per la trasmittanza MLE e Eq. 26 per il rumore NN) per calcolare i limiti del caso peggiore ($t_{min}$ e $\sigma^2_{max}$).
   • Questi limiti vengono utilizzati per costruire la matrice di covarianza del caso peggiore $\Gamma_{\epsilon_{PE}}$, che alimenta il calcolo del tasso di chiave segreta.

Contributi Chiave

• Sicurezza Composibile per il ML: Il paper fornisce la prima analisi di sicurezza a dimensione finita dimostrando che le reti neurali possono essere utilizzate per la stima dei parametri nella CV-QKD con probabilità di fallimento quantificabili ($\epsilon_{PE}$).
• Intervalli di Confidenza Rigorosi: Derivando l'intervallo di confidenza del caso peggiore tramite il metodo delta, gli autori assicurano che lo stimatore della rete neurale soddisfi le stesse condizioni di sicurezza probabilistica della standard MLE ($P(\sigma^2 \leq \sigma^2_{max}) \geq 1 - \epsilon_{PE}/2$).
• Equivalenza Operativa: Il metodo proposto si dimostra operativamente equivalente ai protocolli standard MLE. L'unica differenza è lo stimatore utilizzato per generare i limiti; l'analisi di sicurezza successiva (calcolo dell'informazione di Holevo) rimane invariata.
• Addestramento su Dati Sintetici: Il framework consente l'uso di modelli pre-addestrati su dati sintetici, eliminando la necessità di addestramento in tempo reale durante l'operazione della QKD pur mantenendo il rigore statistico.

Risultati

Sono state condotte indagini numeriche sotto attacchi gaussiani collettivi con effetti a dimensione finita:

• Precisione: Lo stimatore della rete neurale ha costantemente prodotto deviazioni standard inferiori tra il valore stimato e il vero valore della varianza del rumore rispetto alla MLE attraverso varie dimensioni di campione ($m = 10^4$ a $10^8$).
• Validazione della Sicurezza: I risultati hanno confermato che le stime della rete neurale non sono mai scese al di sotto dei valori reali del rumore con la specificata probabilità, soddisfacendo la condizione di sicurezza $\epsilon_{PE}$.
• Guadagni di Performance: Quando integrato nel calcolo del tasso di chiave segreta (utilizzando parametri che riflettono condizioni sperimentali realistiche, ad esempio efficienza del detector $\eta_{eff}=0.8$, efficienza di riconciliazione $\beta=0.95$), il metodo basato su NN ha ottenuto tassi di chiave segreta significativamente più elevati.
  • Nello specifico, il metodo ha esteso la distanza di trasmissione sicura di 6,1 km (per $N=2 \cdot 10^6$ segnali), 1,3 km (per $N=2 \cdot 10^7$) e 3,0 km (per $N=2 \cdot 10^8$) rispetto all'approccio standard MLE.

Significatività e Rivendicazioni

Il paper sostiene che il suo contributo primario non sia necessariamente la superiorità di una specifica architettura di rete neurale, ma piuttosto la dimostrazione che gli stimatori basati sui dati possono essere integrati in modo sicuro nelle routine di stima dei parametri della CV-QKD senza compromettere la sicurezza composibile.

Gli autori sottolineano che:

1. Superamento dei Limiti: Questo approccio supera un limite fondamentale di performance nei sistemi pratici di CV-QKD, dove gli effetti a dimensione finita e la necessità di limiti conservativi restringono il tasso di chiave e la portata.
2. Scalabilità: Il metodo è ampiamente applicabile alla CV-QKD modulata Gaussianamente sotto attacchi collettivi. Poiché la sicurezza contro attacchi coerenti generali spesso si basa su tecniche di riduzione basate su limiti del caso peggiore, questo metodo può essere integrato senza problemi nelle prove contro attacchi generali.
3. Praticità: Sebbene l'addestramento sia computazionalmente intensivo, la fase di inferenza è altamente efficiente, rendendolo adatto all'implementazione in tempo reale in sistemi pratici di QKD, specialmente in regimi con dimensioni di segnale limitate dove piccoli miglioramenti nella stima producono guadagni significativi nella distanza di trasmissione.

Il lavoro stabilisce un percorso per l'uso di strategie di machine learning flessibili e adattive in protocolli di comunicazione quantistica sicura, a patto che siano fondate su rigorosi framework statistici che garantiscano la sicurezza composibile.