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

問題提起

連続変数量子鍵配送（CV-QKD）において、パラメータ推定は、特に有限サイズシナリオにおける決定的なボトルネックである。限られたデータサイズから生じる統計的不確実性により、チャネルパラメータ（具体的には透過率 $T$ と過剰ノイズ $\xi$）に対して、悲観的なワーストケース境界を使用する必要がある。これらの保守的な境界は、達成可能な秘密鍵生成レートと伝送距離を大幅に減少させる。

最尤推定法（MLE）は、その厳密な統計的枠組みと明示的な信頼区間により、パラメータ推定の標準的な手法であるが、しばしば緩い境界をもたらす。機械学習（ML）技術は推定精度を向上させるために提案されてきたが、歴史的に、コンポーザブルなセキュリティ証明への統合に必要な厳密な統計的枠組みを欠いていた。具体的には、従来のMLアプローチは、推定失敗の確率（$\epsilon_{PE}$）を定量化できなかったため、CV-QKDに求められる厳格なセキュリティ保証と互換性がなかった。

手法

著者らは、ニューラルネットワーク（NN）を用いてCV-QKDの過剰ノイズを推定するための統計的に厳密な手法を導入することにより、機械学習とコンポーザブルなセキュリティの間の溝を埋めるフレームワークを提案している。

1. 理論的枠組み（デルタ法）:
   著者らは、ニューラルネットワークの予測を、加法的な誤差項を伴う関数 $f(X, \theta)$ としてモデル化している。1次のテイラー展開を採用し、デルタ法を用いることで、ニューラルネットワークの出力に対するワーストケースの信頼区間を導出している。

   • パラメータ推定誤差が多変量正規分布に従うことを確立している。
   • ネットワーク関数のヤコビ行列と残差平方和を利用して、Studentの $t$ 分布に基づく信頼区間を構築している。
   • これにより、真の値が $\sigma^2_{max}$ という境界を超える確率が $\epsilon_{PE}/2$ 以下となるような、過剰ノイズ分散の（上限としての）上界 $\sigma^2_{max}$ を計算できる。

2. ニューラルネットワーク・アーキテクチャ:

   • 入力: ネットワークは、相関のある直交成分の測定値 $\{x_i, y_i\}$ から導出された6次元の十分統計量ベクトルを受け取る。過剰ノイズの検出性を高めるため、入力特徴量には人工的な増幅係数 $a > 1$ でスケールされた前処理済みの分散項が含まれる。
   • アーキテクチャ: 3つの隠れ層（32、64、32ニューロン）とReLU活性化関数を使用する、全結合フィードフォワードネットワークであり、最終出力層には正の予測を保証するためのシフトされたSoftplus活性化関数が用いられている。
   • 学習: ネットワークは、ガウスチャネルモデル（加法的白色ガウスノイズ）から生成された合成データを用いて、教師あり学習により訓練される。損失関数は平均二乗誤差（MSE）である。訓練戦略は、堅牢な汎化を実現するために、透過率と過剰ノイズを一様にサンプリングすることを含んでいる。

3. プロトコルへの統合（PEP 2）:
   著者らは、標準的なMLEベースのプロトコル（PEP 1）と操作的に等価なパラメータ推定プロトコル（PEP 2）を定義している。

   • ボブはアリスに $m$ 個の信号を放送する。
   • アリスは、透過率（$t$）の推定にMLEを、訓練されたニューラルネットワークを過剰ノイズ（$\xi$）の推定に使用する。
   • 極めて重要な点として、アリスは、派生した統計公式（MLE透過率に関する式9およびNNノイズに関する式26）を適用して、ワーストケースの境界（$t_{min}$ および $\sigma^2_{max}$）を計算する。
   • これらの境界は、最悪の共分散行列 $\Gamma_{\epsilon_{PE}}$ を構築するために使用され、これが秘密鍵生成レートの計算に投入される。

主な貢献

• MLのためのコンポーザブルなセキュリティ: 本論文は、ニューラルネットワークが、定量化可能な失敗確率（$\epsilon_{PE}$）を伴ってCV-QKDのパラメータ推定に使用できることを示す、最初の有限サイズセキュリティ分析を提供している。
• 厳密な信頼区間: デルタ法を用いてワーストケースの信頼区間を導出することにより、著者らは、ニューラルネットワークの推定器が標準的なMLEと同じ確率的セキュリティ条件（$P(\sigma^2 \leq \sigma^2_{max}) \geq 1 - \epsilon_{PE}/2$）を満たすことを保証している。
• 操作的等価性: 提案された手法は、標準的なMLEプロトコルと操作的に等価であることが示されている。唯一の違いは、境界を生成するために使用される推定器であり、その後のセキュリティ分析（ホレボ情報計算）は変更されない。
• 合成データによる訓練: このフレームワークは、合成データを用いた事前訓練済みモデルの使用を可能にし、統計的厳密性を維持しながら、QKD運用中のリアルタイム訓練の必要性を排除している。

結果

有限サイズ効果を考慮した集団ガウス攻撃の下で数値調査が行われた：

• 精度: ニューラルネットワーク推定器は、様々なサンプルサイズ（$m = 10^4$ から $10^8$）において、ノイズ分散の推定値と真の値との間の標準偏差がMLEと比較して一貫して低かった。
• セキュリティの検証: 結果は、指定された確率において、ニューラルネットワークの推定値が真のノイズ値を下回ることがないことを確認し、$\epsilon_{PE}$-セキュリティ条件を満たしていることを示した。
• 性能向上: 現実的な実験条件（例：検出器効率 $\eta_{eff}=0.8$、再結合効率 $\beta=0.95$）を反映したパラメータを用いて秘密鍵生成レートの計算に統合した際、NNベースの手法は、標準的なMLEアプローチと比較して、安全な伝送距離を、信号数 $N=2 \cdot 10^6$ のときで 6.1 km、 $N=2 \cdot 10^7$ のときで 1.3 km、 $N=2 \cdot 10^8$ のときで 3.0 km 延長した。

意義と主張

本論文の主要な貢献は、必ずしも特定のニューラルネットワーク・アーキテクチャの優位性ではなく、データ駆動型の推定器が、コンポーザブルなセキュリティを損なうことなく、CV-QKDのパラメータ推定ルーチンに安全に統合できることを示したことにあると著者らは主張している。

著者らは以下の点を強調している：

1. 限界の克服: このアプローチは、有限サイズ効果と保守的な境界の必要性が、鍵生成レートと伝送範囲を制限している実用的なCV-QKDシステムの主要な性能制限を克服する。
2. 拡張性: この手法は、集団ガウス攻撃下でのガウス変調CV-QKDに広く適用可能である。一般のコヒーレント攻撃に対するセキュリティは、多くの場合、ワーストケース境界に基づく簡約技術に依存しているため、この手法は一般攻撃に対する証明にもシームレスに統合できる。
3. 実用性: 訓練には計算コストがかかるが、推論フェーズは非常に効率的であり、特に信号サイズが限られている領域において、推定のわずかな改善が伝送距離の大きな利得をもたらす実用的なQKDシステムへの実装に適している。

本研究は、厳密な統計的枠組みに基づいている限り、柔軟で適応的な機械学習戦略を安全な量子通信プロトコルに使用するための道筋を確立している。