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

Probleemstelling

In Continuous-Variable Quantum Key Distribution (CV-QKD) is parameterestimatie een kritieke flessenhals, met name in scenario's met een eindige omvang (finite-size). De statistische onzekerheid die voortvloeit uit een beperkte gegevensomvang vereist het gebruik van pessimistische, slechtste-geval-bounds voor kanaalparameters (specifiek transmissie $T$ en excessieve ruis $\xi$). Deze conservatieve bounds verminderen de haalbare geheime sleutelrate en het transmissiebereik drastisch.

Hoewel Maximum Likelihood Estimation (MLE) de standaardmethode is voor parameterestimatie vanwege het rigoureuze statistische kader en de expliciete betrouwbaarheidsintervallen, levert het vaak ruime bounds op. Hoewel machine learning (ML)-technieken zijn voorgesteld om de precisie van de estimatie te verbeteren, ontbrak het deze historisch gezien aan het rigoureuze statistische kader dat vereist is voor integratie in composable security-bewijzen. Specifiek faalden eerdere ML-benaderingen in het kwantificeren van de waarschijnlijkheid van een fout in de estimatie ($\epsilon_{PE}$), waardoor ze incompatibel waren met de strikte beveiligingsgaranties die vereist zijn voor CV-QKD.

Methodologie

De auteurs stellen een raamwerk voor dat de kloof tussen machine learning en composable security overbrugt door een statistisch rigoureuze methode te introduceren voor het gebruik van neurale netwerken (NN) om de excessieve ruis in CV-QKD te schatten.

1. Theoretisch Raamwerk (Delta-methode):
   De auteurs modelleren de voorspelling van het neurale netwerk als een functie $f(X, \theta)$ onderhevig aan een additieve foutterm. Door een eerste-orde Taylor-expansie en de delta-methode toe te passen, leiden zij een worstelijke betrouwbaarheidsinterval af voor de output van het neurale netwerk.

   • Zij stellen vast dat de fout in de parameterestimatie een multivariate normale verdeling volgt.
   • Zij maken gebruik van de Jacobiaan-matrix van de netwerkfunctie en de residu-som van de kwadraten om een Student's $t$-verdeling-gebaseerd betrouwbaarheidsinterval te construeren.
   • Dit maakt het mogelijk om een bovengrens te berekenen voor de variantie van de excessieve ruis ($\sigma^2_{max}$) zodanig dat de waarschijnlijkheid dat de werkelijke waarde deze grens overschrijdt, niet groter is dan $\epsilon_{PE}/2$.

2. Architectuur van het Neurale Netwerk:

   • Input: Het netwerk neemt een 6-dimensionale vector van voldoende statistieken aan van gecorreleerde kwadratuurmetingen $\{x_i, y_i\}$. Om de detecteerbaarheid van excessieve ruis te verbeteren, bevatten de inputfeatures een voorbewerkte variantieterm geschaald met een kunstmatige amplificatiefactor $a > 1$.
   • Architectuur: Een volledig verbonden feedforward-netwerk met drie verborgen lagen (32, 64 en 32 neuronen) met ReLU-activaties, en een uiteindelijke outputlaag met een verschoven Softplus-activatie om strikt positieve voorspellingen te garanderen.
   • Training: Het netwerk wordt getraind op synthetische data gegenereerd uit een Gaussisch kanaalmodel (Additive White Gaussian Noise) met behulp van supervised learning. De verliesfunctie is de Mean Squared Error (MSE). De trainingsstrategie omvat het samplen van transmissie en excessieve ruis uniform om robuuste generalisatie te waarborgen.

3. Protocolintegratie (PEP 2):
   De auteurs definiëren een Parameter Estimation Protocol (PEP 2) dat operationeel equivalent is aan het standaard MLE-gebaseerde protocol (PEP 1).

   • Bob zendt $m$ signalen naar Alice.
   • Alice gebruikt MLE om transmissie ($t$) te schatten en het getrainde neurale netwerk om excessieve ruis ($\xi$) te schatten.
   • Cruciaal is dat Alice de afgeleide statistische formules (Eq. 9 voor MLE-transmissie en Eq. 26 voor NN-ruis) toepast om de worstelijke bounds ($t_{min}$ en $\sigma^2_{max}$) te berekenen.
   • Deze bounds worden gebruikt om de worstelijke covariantie-matrix $\Gamma_{\epsilon_{PE}}$ te construeren, die de berekening van de geheime sleutelrate voedt.

Belangrijkste Bijdragen

• Composable Security voor ML: Het artikel biedt de eerste finite-size security-analyse die aantoont dat neurale netwerken gebruikt kunnen worden voor de parameterestimatie van CV-QKD met kwantificeerbare foutwaarschijnlijkheden ($\epsilon_{PE}$).
• Rigoureuze Betrouwbaarheidsintervallen: Door het worstelijke betrouwbaarheidsinterval met de delta-methode af te leiden, zorgen de auteurs ervoor dat de estimator van het neurale netwerk voldoet aan dezelfde probabilistische beveiligingsvoorwaarden als de standaard MLE ($P(\sigma^2 \leq \sigma^2_{max}) \geq 1 - \epsilon_{PE}/2$).
• Operationele Equivalentie: De voorgestelde methode is aangetoond operationeel equivalent te zijn aan standaard MLE-protocollen. Het enige verschil is de estimator die wordt gebruikt om de bounds te genereren; de daaropvolgende security-analyse (Holevo-informatie berekening) blijft ongewijzigd.
• Synthetische Data Training: Het raamwerk maakt het gebruik van vooraf getrainde modellen op synthetische data mogelijk, waardoor real-time training tijdens de QKD-operatie wordt geëlimineerd terwijl de statistische strengheid behouden blijft.

Resultaten

Numerieke onderzoeken werden uitgevoerd onder collectieve Gaussische aanvallen met finite-size effecten:

• Precisie: De neurale netwerk-estimator leverde consistent lagere standaarddeviaties tussen de geschatte en de ware waarde van de ruisvariantie vergeleken met MLE over diverse steekproefgroottes ($m = 10^4$ tot $10^8$).
• Security Validatie: De resultaten bevestigden dat de schattingen van het neurale netwerk nooit onder de ware ruiswaarden vielen met de gespecificeerde waarschijnlijkheid, waarmee aan de $\epsilon_{PE}$-security conditie werd voldaan.
• Prestatiewinst: Wanneer geïntegreerd in de berekening van de geheime sleutelrate (gebruikmakend van parameters die realistische experimentele condities reflecteren, bijv. detector-efficiëntie $\eta_{eff}=0.8$, reconciliatie-efficiëntie $\beta=0.95$), bereikte de NN-gebaseerde methode aanzienlijk hogere geheime sleutelrates.
  • Specifiek verlengde de methode het veilige transmissiebereik met 6,1 km (voor $N=2 \cdot 10^6$ signalen), 1,3 km (voor $N=2 \cdot 10^7$), en 3,0 km (voor $N=2 \cdot 10^8$) vergeleken met de standaard MLE-aanpak.

Betekenis en Claims

Het artikel claimt dat de primaire bijdrage niet noodzakelijkerwijs de superioriteit van een specifieke neurale netwerkarchitectuur is, maar de demonstratie dat data-gedreven estimators veilig geïntegreerd kunnen worden in CV-QKD parameterestimatie-routines zonder de composable security in gevaar te brengen.

De auteurs benadrukken dat:

1. Beperkingen Overwinnen: Deze aanpak overwint een belangrijke prestatiebeperking in praktische CV-QKD systemen waarbij finite-size effecten en de noodzaak voor conservatieve bounds de sleutelrate en het bereik beperken.
2. Schaalbaarheid: De methode is breed toepasbaar op Gaussisch-gemoduleerde CV-QKD onder collectieve aanvallen. Aangezien beveiliging tegen algemene coherente aanvallen vaak rust op reductietechnieken gebaseerd op worst-case bounds, kan deze methode naadloos worden geïntegreerd in bewijzen tegen algemene aanvallen.
3. Praktische Bruikbaarheid: Hoewel training rekenintensief is, is de inferentiefase zeer efficiënt, wat het geschikt maakt voor real-time implementatie in praktische QKD-systemen, vooral in regimes met beperkte signaalgroottes waar kleine verbeteringen in de estimatie significante winsten in transmissieafstand opleveren.

Het werk vestigt een pad voor het gebruik van flexibele, adaptieve machine learning-strategieën in veilige kwantumcommunicatieprotocollen, mits deze geworteld zijn in rigoureuze statistische kaders die composable security garanderen.