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

문제 정의

연속 변수 양자 키 분배(CV-QKD)에서 파라미터 추정은 특히 유한 크기 시나리오에서 중요한 병목 구간입니다. 제한된 데이터 크기로 인해 발생하는 통계적 불확실성으로 인해, 채널 파라미터(특히 투과율 $T$ 및 과잉 잡음 $\xi$)에 대해 보수적인 최악의 경우 경계값(worst-case bounds)을 사용해야 합니다. 이러한 보수적인 경계값은 달성 가능한 비밀 키 생성률과 전송 거리를 급격히 감소시킵니다.

최대 우도 추정(Maximum Likelihood Estimation, MLE)은 엄격한 통계적 프레임워크와 명시적인 신뢰 구간 덕분에 파라미터 추정의 표준 방법이지만, 종종 느슨한 경계값을 생성합니다. 추정 정밀도를 향상시키기 위해 머신러닝(ML) 기법이 제안되어 왔으나, 이들은 역사적으로 합성 가능한 보안(composable security) 증명에 통합되는 데 필요한 엄격한 통계적 프레임워크가 부족했습니다. 구체적으로, 기존의 ML 접근 방식은 추정 실패 확률($\epsilon_{PE}$)을 정량화하지 못하여, CV-QKD에 요구되는 엄격한 보안 보장과 호환되지 않는 문제가 있었습니다.

방법론

저자들은 신경망(NN)을 사용하여 CV-QKD의 과잉 잡음을 추정하는 통계적으로 엄격한 방법을 도입함으로써, 머신러닝과 합성 가능한 보안 사이의 간극을 메우는 프레임워크를 제안합니다.

1. 이론적 프레임워크 (델타 방법):
   저자들은 신경망 예측을 가산 오차 항이 포함된 함수 $f(X, \theta)$로 모델링합니다. 1차 테일러 전개와 **델타 방법(delta method)**을 적용하여 신경망 출력에 대한 최악의 경우 신뢰 구간을 도출합니다.

• 그들은 파라미터 추정 오차가 다변량 정규 분포를 따른다는 것을 확립합니다.
• 네트워크 함수의 자코비안 행렬(Jacobian matrix)과 잔차 제곱합(residual sum of squares)을 활용하여 학생 t-분포 기반의 신뢰 구간을 구축합니다.
• 이를 통해 실제 값이 이 경계값을 초과할 확률이 $\epsilon_{PE}/2$ 이하가 되도록 하는 과잉 잡음 분산의 상한값($\sigma^2_{max}$)을 계산할 수 있습니다.

2. 신경망 구조:

• 입력: 네트워크는 상관된 직교 좌표 측정값 $\{x_i, y_i\}$로부터 유도된 6차원 충분 통계량 벡터를 입력으로 받습니다. 과잉 잡음의 검출 가능성을 높이기 위해, 입력 특징에는 인공 증폭 계수 $a > 1$로 스케일링된 전처리된 분산 항이 포함됩니다.
• 구조: 세 개의 은닉층(32, 64, 32 뉴런)과 ReLU 활성화 함수를 사용하는 완전 연결 피드포워드 네트워크이며, 최종 출력층은 엄격한 양수 예측을 보장하기 위해 이동된 Softplus 활성화 함수를 사용합니다.
• 학습: 네트워크는 가우시안 채널 모델(가우스 백색 잡음)에서 생성된 합성 데이터를 사용하여 지도 학습 방식으로 훈련됩니다. 손실 함수는 평균 제곱 오차(MSE)입니다. 훈련 전략은 견고한 일반화를 보장하기 위해 투과율과 과잉 잡음을 균등하게 샘플링하는 방식을 취합니다.

3. 프로토콜 통합 (PEP 2):
   저자들은 표준 MLE 기반 프로토콜(PEP 1)과 운용상 동등한 파라미터 추정 프로토콜(PEP 2)을 정의합니다.

• Bob은 Alice에게 $m$개의 신호를 브로드캐스트합니다.
• Alice는 투과율($t$) 추정을 위해 MLE를 사용하고, 과잉 잡음($\xi$) 추정을 위해 훈련된 신경망을 사용합니다.
• 결정적으로, Alice는 유도된 통계 공식(MLE 투과율을 위한 식 9 및 NN 잡음을 위한 식 26)을 적용하여 최악의 경우 경계값($t_{min}$ 및 $\sigma^2_{max}$)을 계산합니다.
• 이 경계값들은 최악의 경우 공분산 행렬 $\Gamma_{\epsilon_{PE}}$를 구성하는 데 사용되며, 이는 비밀 키 생성률 계산에 투입됩니다.

주요 기여

• ML을 위한 합성 가능한 보안: 본 논문은 신경망이 정량화 가능한 실패 확률($\epsilon_{PE}$)을 가진 CV-QKD 파라미터 추정에 사용될 수 있음을 보여주는 최초의 유한 크기 보안 분석을 제공합니다.
• 엄격한 신뢰 구간: 델타 방법을 사용하여 최악의 경우 신뢰 구간을 도출함으로써, 저자들은 신경망 추정기가 표준 MLE와 동일한 확률적 보안 조건($P(\sigma^2 \leq \sigma^2_{max}) \geq 1 - \epsilon_{PE}/2$)을 충족함을 보장합니다.
• 운용적 동등성: 제안된 방법은 표준 MLE 프로토콜과 운용상 동등함이 입증되었습니다. 차이점은 경계를 생성하는 데 사용되는 추정기뿐이며, 후속 보안 분석(Holevo 정보 계산)은 변경되지 않습니다.
• 합성 데이터 훈련: 이 프레임워크는 합성 데이터를 사용하여 사전 훈련된 모델을 사용할 수 있게 함으로써, 통계적 엄격성을 유지하면서도 QKD 동작 중 실시간 훈련의 필요성을 제거합니다.

결과

유한 크기 효과를 고려한 집단 가우시안 공격 하에서 수치적 조사가 수행되었습니다:

• 정밀도: 신경망 추정기는 다양한 샘플 크기($m = 10^4$ ~ $10^8$)에 걸쳐 MLE와 비교했을 때 잡음 분산의 추정값과 실제 값 사이의 표준 편차가 일관되게 낮았습니다.
• 보안 검증: 결과는 신경 network 추정치가 지정된 확률 내에서 실제 잡음 값보다 낮아지지 않음을 확인하였으며, $\epsilon_{PE}$-보안 조건을 충족했습니다.
• 성능 이득: 현실적인 실험 조건(예: 검출기 효율 $\eta_{eff}=0.8$, 재조정 효율 $\beta=0.95$)을 반영한 비밀 키 생성률 계산에 통합했을 때, NN 기반 방식은 현저히 높은 비밀 키 생성률을 달면했습니다.
  • 구체적으로, 이 방법은 표준 MLE 방식에 비해 신호 수 $N=2 \cdot 10^6$일 때 6.1 km, $N=2 \cdot 10^7$일 때 1.3 km, $N=2 \cdot 10^8$일 때 3.0 km의 보안 전송 거리를 연장했습니다.

의의 및 주장

본 논문의 주요 기여는 특정 신경망 구조의 우월성이라기보다는, 데이터 기반 추정기가 합성 가능한 보안을 해치지 않으면서 CV-QKD 파라미터 추정 루틴에 안전하게 통합될 수 있음을 입증한 것에 있다고 주장합니다.

저자들은 다음을 강조합니다:

1. 한계 극복: 이 접근 방식은 유한 크기 효과와 보수적인 경계값의 필요성으로 인해 실질적인 CV-QKD 시스템의 성능을 제한하는 핵심적인 문제를 해결합니다.
2. 확장성: 이 방법은 집단 공격 하의 가우시안 변조 CV-QKD에 폭넓게 적용 가능합니다. 일반적인 코히어런트 공격에 대한 보안은 대개 최악의 경우 경계값에 기반한 축소 기술에 의존하므로, 이 방법은 일반적인 공격에 대한 증명에도 원활하게 통합될 수 있습니다.
3. 실용성: 훈련 과정은 계산 집약적이지만, 추론 단계는 매우 효율적이어서 실시간 구현, 특히 작은 신호 크기에서 미세한 개선이 상당한 전송 거리 이득을 가져오는 환경에서 실질적인 QKD 시스템 구현에 적합합니다.

이 연구는 엄격한 통계적 프레임워크를 통해 합성 가능한 보안을 보장하는 조건 하에서, 유연하고 적응적인 머신러닝 전략을 보안 양자 통신 프로토콜에 사용할 수 있는 경로를 구축했습니다.