← 최신 논문
🔬 광학

Study of Randomness in Quantum Random Number Generator using Bayesian Neural Networks

본 논문은 연속 변수 양자 난수 생성기의 고유한 무작위성을 정량화하고 성능 결함을 모니터링하기 위한 실시간 물리 기반 진단 도구로서, 로우 호모다인 전압 데이터를 사용하여 알레아토리적 불확실성(aleatoric uncertainty)을 예측하는 베이지안 신경망 프레임워크를 제안한다.

원저자: Shriram Pragash M, Aditi Das, Megha Shrivastava, Mohit Mittal, R. Srikanth, Venkat Abhignan

게시일 2026-11-17
📖 3 분 읽기☕ 가벼운 읽기

원저자: Shriram Pragash M, Aditi Das, Megha Shrivastava, Mohit Mittal, R. Srikanth, Venkat Abhignan

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

디지털 세계에서 진정한 무작위성은 희귀하고 소중한 자산이다. 그것은 현대 암호학의 근간이며, 온라인 뱅킹을 안전하게 유지하고 개인적인 메시지를 해커가 읽을 수 없게 만드는 비밀 소스이다. 수십 년 동안 컴퓨터는 숫자가 무작위처럼 보이게 만드는 수학적 레시피에 의존해 왔으나, 이것들은 단지 환상에 불과하다. 충분한 시간과 컴퓨팅 능력이 주어진다면, 영리한 관찰자는 전체 시퀀스를 예측할 수 있는데, 왜냐하면 그것이 고정된 시작점에서 비롯되기 때문이다. 이 순환을 깨기 위해 과학자들은 자연 자체가 예측 불가능하게 행동하는 아원자 영역으로 눈을 돌렸다. 빛이나 우주의 진공 상태가 가진 미세하고 내재적인 변동을 측정함으로써, 연구자들은 그 어떤 계산으로도 예견할 수 없는 진정한 무작위성을 수확할 수 있다. 하지만 이 양자 혼돈을 포착하는 기계를 만드는 것은 어렵다. 신호는 믿을 수 없을 정도로 희미하며, 전자 장비의 웅성거림이나 이를 측정하는 데 사용되는 센서의 한계에 의해 쉽게 묻혀버린다. 만약 기계가 완벽하게 조율되지 않거나 센서가 너무 거칠다면, 생성된 "무작위" 숫자에는 실제로는 숨겨진 패턴이 포함될 수 있으며, 이는 시스템을 취약하게 만든다.

한 연구팀은 이러한 양자 기계들을 실시간으로 감시하여, 그들이 정말로 우주의 혼돈을 포착하고 있는지 확인하는 새로운 방법을 개발했다. 프로세스가 끝날 때까지 기다려 숫자가 좋은지 확인하는 대신, 그들은 생성기에서 직접 나오는 가공되지 않은 전기 신호를 듣도록 훈련된 특수한 형태의 인공지능을 활용했다. 베이지안 신경망(Bayesian neural network)으로 알려진 이 시스템은 매우 민감한 진단 도구 역할을 한다. 이 시스템은 단순히 단순한 패턴을 찾는 것이 아니라, 전압 데이터 스트림의 다음 순간을 예측하는 법을 배우며, 결정적으로 그 예측이 얼마나 불확실한지를 계산한다. 완벽하게 무작위적인 시스템에서 미래는 예측이 불가능하므로, 기계의 불확실성은 높아야 한다. 만약 기계의 불확실성이 떨어진다면, 이는 센서가 고장 났거나 환경이 변했기 때문에 시스템이 너무 예측 가능해졌음을 의미한다.

연구진은 이 접근 방식을 진공의 빛의 변동을 측정하는 광섬유 장치에 테스트했다. 그들은 장치의 가공되지 않은 전압 데이터를 네트워크에 입력하고, AI의 확신도가 조건에 따라 어떻게 변하는지 관찰했다. 진공을 탐사하는 데 사용되는 레이저의 출력을 높였을 때, 측정된 불확실성은 증가했으며, 이는 더 많은 전력이 더 많은 진정한 양자 노이즈를 드러낸다는 이론적 기대와 일치했다. 이는 그들의 방법이 무작위성 소스의 건강 상태를 추적할 수 있음을 확인해 주었다. 더 중요한 것은, AI가 전통적인 테스트 방법이 놓친 문제들을 발견했다는 점이다. 연구진이 낮은 해상도나 느린 샘플링 속도를 가진 센서를 시뮬레이션했을 때(실제 하드웨어에서 흔히 발생하는 결함), AI의 불확실성 지표는 급격히 떨어졌다. AI는 단순한 상관관계를 찾아내는 표준 통계 테스트가 아무런 문제를 발견하지 못했음에도 불구하고, 신호가 미세한 격동성을 잃어버렸음을 감지해 냈다.

이 발견은 우리가 현재 무작위 숫자 생성기를 검증하는 방식에 존재하는 결정적인 간극을 강조한다. 기존의 테스트들은 종종 장기적인 패턴이나 단순한 상관관계를 점검하지만, 불완전한 하드웨어로 인한 미묘한 퇴보에는 눈이 멀 수 있다. 센서가 너무 거칠면 양자 세계의 아주 작고 빠른 떨림을 매끄럽게 만들어 버려, 결과적으로 혼돈스러운 신호를 예측 가능한 것으로 바꾸어 놓을 수 있다. 새로운 AI 기반 지표는 이러한 변화를 즉각적으로 느낄 수 있을 만큼 민감하다. 이는 엔지니어들에게 장치가 최적의 범위를 벗어나고 있는지, 혹은 디지털 컨버터가 충분한 세부 정보를 포착하지 못하고 있는지를 정확히 알려주는 실시간 모니터 역할을 한다. 가공된 비트로 처리되기 전의 원시 아날로그 신호에 집중함으로써, 이 방법은 무작위성 생성이라는 물리적 과정에 대한 직접적인 창을 제공한다.

이 연구는 소스와 잠재적 공격자에 대한 엄격한 수학적 가정을 바탕으로 하는 고도의 보안 암호학에 필요한 엄격한 보안 증명을 대체하겠다고 주장하지 않았다. 대신, 저자들은 이 도구를 공식적인 보안 인증과 병행하여 실행되는 보완적인 방어 계층으로 위치시킨다. 실험에서 이 시스템은 레이저 출력을 0에서 9밀리와트까지 조정함에 따라 무작위 생성이 어떻게 변하는지, 그리고 데이터의 정밀도를 16비트에서 8비트로 인위적으로 낮추었을 때 어떻게 퇴보하는지를 성공적으로 식별해 냈다. 결과는 이 접근 방식이 양자 무작위 숫자 생성기를 구축하고 유지하기 위한 툴킷의 표준적인 일부가 되어, 미래의 디지털 잠금장치가 진정하고 깨뜨릴 수 없는 혼돈의 토대 위에 구축되도록 보장할 수 있음을 시사한다.

연구 분야의 논문에 파묻히고 계신가요?

연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.

Digest 사용해 보기 →