← Nieuwste papers
🔬 optica

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

Dit artikel stelt een Bayesiaans neuraal netwerkframework voor dat ruwe homodyne-spanningsgegevens gebruikt om aleatorische onzekerheid te voorspellen als een real-time, fysiek gemotiveerd diagnostisch hulpmiddel voor het kwantificeren van de intrinsieke willekeur en het monitoren van prestatie-imperfecties in continuous-variable kwantumtoevalgeneratoren.

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

Gepubliceerd 2026-11-17
📖 4 min leestijd☕ Koffiepauze-leesvoer

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In de digitale wereld is ware willekeur een zeldzame en kostbare handelswaar. Het is het fundament van de moderne cryptografie, het geheime ingrediënt dat online bankieren veilig houdt en privéberichten onleesbaar maakt voor hackers. Decennialang hebben computers vertrouwd op wiskundige recepten om getallen te genereren die willekeurig lijken, maar dit zijn slechts illusies. Met voldoende tijd en rekenkracht zou een slimme waarnemer de hele reeks kunnen voorspellen, omdat deze voortkomt uit een vast startpunt. Om deze cyclus te doorbreken, richtten wetenschappers zich op het subatomaire rijk, waar de natuur zelf onvoorspelbaar gedraagt. Door de minuscule, inherente fluctuaties van licht of het vacuüm van de ruimte te meten, kunnen onderzoekers echte willekeur oogsten die geen enkele berekening kan voorzien. Het bouwen van een machine om deze kwantumchaos te vangen is echter moeilijk. De signalen zijn ongelooflijk zwak en worden gemakkelijk overstemd door het gezoem van elektronische apparatuur of de beperkingen van de sensoren die worden gebruikt om ze te meten. Als de machine niet perfect is afgestemd, of als de sensoren te grof zijn, kunnen de "willekeurige" getallen die worden geproduceerd in feite verborgen patronen bevatten, waardoor het systeem kwetsbaar wordt.

Een team onderzoekers heeft een nieuwe manier ontwikkeld om deze kwantummachines in realtime in de gaten te houden, om te garanderen dat ze werkelijk de chaos van het universum vastleggen. In plaats van te wachten tot het einde van een proces om te controleren of de getallen goed zijn, hebben ze een speciaal type kunstmatige intelligentie getraind om te luisteren naar de ruwe elektrische signalen die rechtstreeks van de generator komen. Dit systeem, bekend als een Bayesiaans neuraal netwerk, fungeert als een zeer gevoelig diagnostisch instrument. Het zoekt niet alleen naar eenvoudige patronen; het leert de volgende instantie in een stroom van spanningsgegevens te voorspellen en berekent cruciaal hoe onzeker die voorspelling is. In een perfect willekeurig systeem is de toekomst onmogelijk te voorspellen, dus zou de onzekerheid van de machine hoog moeten zijn. Als de onzekerheid van de machine daalt, signaleert dit dat het systeem te voorspelbaar is geworden, bijvoorbeeld omdat de sensoren falen of de omgeving is veranderd.

De onderzoekers testten deze aanpak op een glasvezelapparaat dat de vacuümfluctuaties van licht meet. Ze voedden de ruwe spanningsgegevens van het apparaat aan hun netwerk en observeerden hoe de zekerheid van de AI veranderde onder verschillende omstandigheden. Wanneer ze het vermogen van de laser die het vacuüm probeert te verkennen verhoogden, steeg de gemeten onzekerheid van het systeem, wat overeenkwam met de theoretische verwachting dat meer vermogen meer echte kwantumruis onthult. Dit bevestigde dat hun methode de gezondheid van de bron van willekeur kon volgen. Belangrijker nog, de AI ontdekte problemen die traditionele testmethoden misten. Wanneer de onderzoekers een sensor simuleerden met een lagere resolutie of een lagere bemonsteringssnelheid — veelvoorkomende gebreken in hardware in de echte wereld — daalde de onzekerheidsscore van de AI scherp. Het detecteerde dat het signaal zijn fijnmazige chaos had verloren, zelfs terwijl standaard statistische tests, die kijken naar eenvoudige correlaties, niets fout zagen.

Deze ontdekking benadrukt een kritieke kloof in de manier waarop we momenteel willekeurige getallengeneratoren verifiëren. Conventionele tests controleren vaak op langetermijnpatronen of eenvoudige correlaties, maar kunnen blind zijn voor de subtiele degradatie veroorzaakt door imperfecte hardware. Een sensor kan zo grof zijn dat deze de minuscule, snelle trillingen van de kwantumwereld gladstrijkt, waardoor een chaotisch signaal effectief in een voorspelbaar signaal wordt veranderd. De nieuwe AI-gebaseerde metriek is gevoelig genoeg om deze veranderingen onmiddellijk te voelen. Het dient als een realtime monitor die technici precies vertelt wanneer het apparaat uit zijn optimale bereik begint te drijven of wanneer de digitale converters niet genoeg detail vastleggen. Door zich te richten op het ruwe analoge signaal voordat het wordt verwerkt tot bits, biedt deze methode een direct venster naar het fysieke proces van wellekeurgeneratie.

De studie beweerde niet de rigoureuze veiligheidsbewijzen te vervangen die vereist zijn voor hoogwaardige cryptografie, die vertrouwen op strikte wiskundige aannames over de bron en potentiële aanvallers. In plaats daarvan positioneren de auteurs dit instrument als een aanvullende laag van verdediging. Het biedt een fysieke, op gegevens gebaseerde controle die naast formele veiligheidscertificeringen draait. In hun experimenten identificeerde het systeem succesvol hoe de willekeurgeneratie veranderde terwijl ze het laservermogen aanpasten van nul tot negen milliwatt, en hoe het degradeerde wanneer ze de precisie van de gegevens kunstmatig verminderden van zestien bits naar acht bits. De resultaten suggereren dat deze aanpak een standaard onderdeel kan worden van de toolkit voor het bouwen en onderhouden van kwantumwillekeurige getallengeneratoren, om te garanderen dat de digitale sloten van de toekomst gebouwd zijn op een fundament van echte, onbreekbare chaos.

Verdrinkt u in papers in uw vakgebied?

Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.

Probeer Digest →