⚛️ quantum physics

Deterministic randomness extraction for quantum random number generation with partial trust

本文通过将 Foreman 和 Masanes 提出的确定性随机性提取构造推广至制备 - 测量场景，证明了在部分信任（状态制备或测量）及基于量子态重叠假设的半设备无关设定下，该构造同样适用于无记忆量子设备，并模拟显示在约 7000 轮次时即可实现正密钥率。

原作者： Pablo Tikas Pueyo, Tomás Fernández Martos, Gabriel Senno

发布于 2026-02-27

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Pablo Tikas Pueyo, Tomás Fernández Martos, Gabriel Senno

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于如何从“不完全可信”的量子设备中，榨取出真正随机数的故事。

为了让你轻松理解，我们可以把这篇论文想象成一场**“在可疑的赌场里寻找真金白银”**的冒险。

1. 背景：为什么我们需要随机数？

在数字时代，随机数就像**“魔法骰子”**，是加密、人工智能和模拟实验的基石。如果骰子不随机（比如总是出 6），黑客就能猜出你的密码，AI 就会变傻。

传统的随机数生成器（QRNG）通常由两部分组成：

熵源（Entropy Source）：产生原始数据的“骰子”。
提取器（Extractor）：一个“过滤器”，把粗糙的原始数据打磨成完美的随机数。

问题在于：如果你完全不知道这个“骰子”是怎么做的（比如它可能被黑客动了手脚，或者它本身就有偏差），你就无法用简单的数学方法（确定性方法）把它变成完美的随机数。这就像你无法通过摇晃一个被灌了铅的骰子来得到公平的结果。

2. 核心突破：从“完全怀疑”到“部分信任”

以前的研究（如参考文献 [9]）主要关注**“设备无关”（Device-Independent, DI）的场景。这就像你走进一个完全陌生的黑店**，你什么都不知道，只能靠观察骰子扔出来的结果是否符合某种物理定律（贝尔不等式）来证明它是真的。这很安全，但效率很低，需要扔几百万次骰子才能凑够一点真随机数。

这篇论文的突破在于：它提出了一种**“部分信任”（Partial Trust）**的策略。

想象一下，你不再需要完全怀疑那个黑店，而是可以只信任店里的某一部分：

场景 A（信任测量）：你信任用来读取骰子结果的“眼睛”（测量设备），但不信任扔骰子的人（状态制备）。
场景 B（信任制备）：你信任扔骰子的人，但不信任读取结果的“眼睛”。
场景 C（半设备无关）：你信任扔出的两个骰子长得“不太一样”（重叠度有下限），但不信任读取结果的眼睛。

比喻：
这就好比你在买彩票。

完全怀疑：你怀疑彩票机、印刷厂、开奖员全是坏人，你只能靠统计开奖号码的分布来猜。
部分信任：你虽然怀疑开奖员，但你确定彩票纸是正规厂家印的（或者你确定开奖员用的机器是好的）。只要有一点点“确定性”，我们就能用更聪明的数学方法，从剩下的“混乱”中提炼出真正的随机性。

3. 他们是怎么做到的？（魔法工具：对偶解）

论文的核心技术是发明了一种**“数学过滤器”**。

旧方法：在完全怀疑的情况下，需要非常复杂的物理测试（贝尔不等式）来证明随机性。
新方法：作者利用了一种叫**“猜测概率对偶解”（Dual of Guessing Probability）**的数学工具。

通俗解释：
想象黑客（Eve）试图猜你的骰子点数。

作者先算出：在“部分信任”的设定下，黑客最多能猜对多少（这是最坏情况）。
然后，他们设计了一个**“魔法公式”**（提取器函数）。这个公式能把原始数据（比如一串乱码）变成一串新数据。
关键点：只要原始数据中有一点点黑客猜不准的地方（哪怕只有一点点），这个“魔法公式”就能把这点“猜不准”放大，最终变成一串黑客完全猜不透的、完美的随机数。

这就好比：哪怕你只有一滴纯净的水（微小的随机性），只要有一个神奇的“蒸馏器”（论文提出的提取器），就能把它变成一大杯纯净水。

4. 实验结果：快得惊人！

论文不仅证明了理论可行，还进行了模拟实验。

以前的设备无关方法：可能需要扔几百万次骰子，才能生成几个随机比特。
这篇论文的方法：在“部分信任”的设定下，只需要7,000 次左右的尝试（7 × 10³），就能生成可用的随机密钥。

比喻：
以前的方法像是在大海里捞针，需要捞很久才能找到一根。
现在的方法像是在沙滩上捡贝壳，只要稍微弯弯腰，很快就能捡到一大把。

5. 总结：这意味着什么？

这篇论文就像是在说：

“我们不需要把整个量子世界都当成敌人。只要我们能信任设备的一小部分（比如信任光源，或者信任探测器），我们就能用更简单、更快速、更实用的方法，从量子世界中提取出真正的随机性。”

对普通人的意义：
这意味着未来的量子随机数生成器（QRNG）可以做得更小、更快、更便宜。它们不再需要极其昂贵的、完全隔离的实验室环境，而是可以集成到普通的芯片或设备中，为你的手机、银行系统提供更安全的加密保护。

一句话总结：
作者找到了一种聪明的“数学炼金术”，只要你对量子设备有一点点信任，就能把原本“半真半假”的量子信号，瞬间提炼成完美的“真随机”黄金。

这是一份关于论文《Deterministic randomness extraction for quantum random number generation with partial trust》（部分信任下的量子随机数生成确定性提取）的详细技术总结。

1. 研究背景与问题 (Problem)

核心挑战：
在经典信息论中，已知无法通过确定性过程从任意熵源中提取接近理想的随机性（Santha-Vazirani 定理）。为了提取随机性，通常需要引入“种子”（seeded extraction）或结合多个弱熵源（multi-source extraction）。然而，在量子随机数生成（QRNG）领域，特别是针对**设备无关（Device-Independent, DI）或半设备无关（Semi-Device-Independent, SDI）**的场景，如何在不使用种子（seedless）的情况下，利用部分信任假设实现确定性提取，是一个关键问题。

现有局限：

之前的确定性提取工作（如 Foreman 和 Masanes, 2025）主要集中在完全设备无关（DI）场景，依赖贝尔不等式（如 CHSH）的违背作为提取器的承诺。
在更实际的“制备 - 测量”（Prepare-and-Measure, PM）场景中，通常存在部分信任（例如信任制备或信任测量），但缺乏针对这些场景的确定性提取器构造。
现有的 QRNG 协议往往需要大量的测试轮次或假设，导致在有限样本下效率较低。

本文目标：
将 DI 场景下的确定性提取技术扩展到具有部分信任的制备 - 测量场景中，证明在特定结构假设下，无需种子即可从量子熵源中提取确定性随机性，并评估其在有限样本下的性能。

2. 方法论 (Methodology)

本文提出了一套基于**对偶猜测概率（Dual Guessing Probability）**的确定性提取框架，适用于三种不同的部分信任设置：

A. 三种信任设置 (Settings)

S1 (不可信制备，可信测量)： 制备源 $\rho_S$ 不可信（可能与窃听者 Eve 关联），但测量设备是可信且已表征的。
S2 (可信制备，不可信测量)： 制备源 $\rho_S$ 可信且已表征，但测量设备不可信（可能与 Eve 关联）。
S3 (半设备无关 SDI)： 两个可信制备态 $\{\rho_0, \rho_1\}$ 已知，且其保真度（重叠度） $F(\rho_0, \rho_1) \ge \delta$ 有下界；测量设备不可信。这是本文重点关注的实验相关场景。

B. 核心理论工具

猜测概率的半定规划（SDP）及其对偶：
作者首先构建了 Eve 猜测输出结果的概率 $P_{guess}$ 的原始 SDP 问题。通过求解该 SDP 的对偶问题，得到一组算符不等式。
算符不等式 (Operator Inequalities)：
利用 Naimark 扩张（Naimark dilation）将测量视为投影测量，作者证明了对于任何满足重叠假设的行为，存在一组算符 $G$ ，使得输出结果的预测性（Predictability）受到该算符期望值的约束。
具体而言，对于输入 $x$ ，结果的预测性 $|p(0|x) - p(1|x)|$ 被限制在由对偶解 $\nu_{a,x}$ 构成的线性组合之下。
确定性提取器构造：
利用上述算符不等式，证明了在 [9] 中提出的确定性提取函数（如 XOR 函数和多比特提取函数）在这些部分信任设置下依然有效。
- 单比特提取： 使用 XOR 函数。
- 多比特提取： 使用满足特定傅里叶系数界限的函数 $g$ 。

C. 协议设计

设计了一个** spot-checking（定点检查）**随机数生成协议：

随机轮次分配： 每一轮以概率 $p_e$ 进行“估计轮”（随机输入以评估统计特性），以概率 $1-p_e$ 进行“原始密钥轮”（固定输入以生成数据）。
统计验证： 基于估计轮的数据，计算对偶 SDP 的目标函数值，验证是否满足安全界限。
提取： 如果验证通过，对原始密钥轮的数据应用确定性提取函数；否则输出为空。

3. 主要贡献 (Key Contributions)

理论扩展： 首次将 DI 场景下的确定性提取构造成功移植到部分信任的制备 - 测量场景（S1, S2, S3）。证明了 Bell 泛函在 DI 中的作用可以被猜测概率对偶问题的解所替代。
算符不等式证明： 建立了连接迹距离（Trace Distance，安全性度量）与对偶 SDP 解的算符不等式（定理 1）。这是证明确定性提取器有效性的核心数学工具。
有限样本性能分析：
- 在 SDI 设置下，模拟了基于 VCSEL（垂直腔面发射激光器）偏振切换现象的实验相关行为族。
- 关键发现： 在有限样本下，仅需 $7 \times 10^3$ (7000) 轮次即可实现正密钥率（Positive Key Rate）。这在实验上极具可行性。
噪声鲁棒性： 分析了均匀噪声对协议的影响。结果显示，虽然速率随噪声增加而下降，但其下降速度比文献中其他量子密码原语（如 B92 QKD）要平缓，表现出较好的噪声容限。
渐近极限分析： 证明了即使在估计轮次比例 $p_e$ 趋近于 0 的情况下，只要行为不是完全确定性的（即 $\delta \notin \{0, 1\}$ ），依然可以实现成功的提取。这与 DI 设置中需要 $p_e > 0.5$ 的要求形成对比。

4. 实验模拟结果 (Results)

密钥率： 在重叠度 $\delta = 0.5$ （最大不可预测性）时，协议在 $n = 7000$ 轮时即可产生正密钥率。
渐近速率： 在无限轮次极限下，该无种子协议（seedless）的速率虽然低于有种子提取（seeded extraction）的理论上限（由最小熵决定），但显著优于之前报道的 DI 协议速率（高出一个数量级）。
噪声容忍度： 在 $\delta=0.5$ 的理想行为上叠加均匀噪声，协议在噪声率 $\gamma$ 较高时仍能保持一定的密钥率，表现出比传统 QKD 协议更优的抗噪性。
估计轮次需求： 在渐近极限下，对于任意非确定性行为，即使估计概率 $p_e$ 任意小（只要 $>0$ ），也能提取出接近理想的单比特随机数。

5. 意义与展望 (Significance)

实验可行性提升： 通过降低对设备信任的要求（从完全 DI 到部分信任 SDI）并优化有限样本性能，该工作使得确定性随机数生成更接近实际工业应用。$7000$ 轮的启动门槛对于实时 QRNG 系统非常友好。
理论框架的通用性： 提出的基于对偶 SDP 解的算符不等式方法，为未来扩展到其他半设备无关框架甚至完全设备依赖（Device-Dependent）但零信任的场景提供了通用工具。
效率权衡： 虽然目前的无种子协议速率低于有种子协议，但其无需高质量随机种子的优势在特定安全场景下至关重要。未来的工作集中在提高协议效率，使其达到工业级应用标准。
硬件关联： 论文中模拟的行为族直接关联到 VCSEL 激光器的物理实现，为实验验证奠定了理论基础。

总结：
本文通过引入猜测概率的对偶解作为核心工具，成功构建了适用于部分信任量子系统的确定性随机数提取器。该工作不仅在理论上填补了 DI 与 SDI 之间的空白，更在有限样本和噪声环境下展示了优异的实用性能，为下一代高效、安全的量子随机数生成器提供了重要的理论支撑和实验指导。