⚛️ quantum physics

Unambiguous randomness from a quantum state

本文引入了“无歧义随机性”这一新概念，通过放宽对窃听者绝对准确性的要求并允许其返回不确定结果，推导出了量子态在该指标下的最大值及其与最小特征值的比例关系，并揭示了在特定噪声条件下联合关联的窃听者可能完全破坏私有随机性的临界现象。

原作者： Fionnuala Curran

发布于 2026-02-19

📖 1 分钟阅读🧠 深度阅读

原作者： Fionnuala Curran

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

这篇论文探讨了一个非常有趣的问题：在量子世界里，我们如何确定产生的“随机数”是真正安全的，还是被黑客（窃听者）猜到了？

为了让你轻松理解，我们可以把这篇论文的核心思想想象成一场**“猜硬币”的游戏**，但这次硬币是量子力学的，而且规则有点特别。

1. 背景：真正的随机 vs. 假装随机

在经典世界里，如果你扔一枚硬币，结果看似随机，但实际上如果你知道硬币的初始位置、力度、空气阻力，你就能算出它是正面还是反面。这叫“伪随机”。

在量子世界里，如果你测量一个处于“叠加态”的粒子（比如既像正面又像反面），结果真的是不可预测的。这是大自然赋予的“真随机”。

但是， 如果这个量子粒子是“脏”的（也就是有噪声，或者被黑客预先做了手脚），黑客可能知道这个粒子其实是“混合”了多种状态。这时候，黑客就能利用这些额外的信息来猜你的结果。

2. 核心概念：黑客的两种“作弊”方式

论文提出了两种黑客猜测的策略，我们可以用**“侦探破案”**来比喻：

策略 A：绝对不犯错，但经常说“我不知道” (Unambiguous Randomness)

想象你是一个侦探（黑客），你要猜嫌疑人（量子态）的罪行。

传统做法： 你每次都必须猜一个答案（是或否）。如果你猜错了，你就输了。为了少犯错，你只能猜那些你最有把握的。
论文的新做法（无歧义）： 你给自己定了一个规矩：“我绝不说错话！”
- 如果你非常有把握，你就给出答案（比如“是”）。
- 如果你没把握，你就说**“我不知道”**（Inconclusive outcome）。
- 关键点： 只要你说出了答案，那就100% 正确。
- 代价： 你可能会经常说“我不知道”，导致你猜对的次数变少。

论文发现： 即使黑客可以“不知道”，只要他坚持“绝不错”，他能猜对的概率上限，竟然只取决于这个量子态里最“弱”的那一部分（数学上叫最小特征值）。这就像是一个木桶，能装多少水取决于最短的那块木板。

策略 B：允许犯错，但控制“不知道”的比例 (FRIO)

这是更现实的情况。黑客不想说太多次“我不知道”，他希望能多猜几次，哪怕偶尔猜错一点点。

规则： 黑客设定一个比例，比如“我有 10% 的概率会说‘我不知道’"。在这个限制下，他剩下的 90% 猜测里，能猜对多少？
比喻： 就像考试，老师允许你跳过 10% 的题目（不扣分），剩下的题目你必须做对。黑客的目标是在这个规则下，最大化做对的题目数量。

3. 最惊人的发现：当“设备”也坏了时 (Shared Noise)

这是论文最精彩的部分。通常我们认为，只要量子态（硬币）是干净的，测量设备（看硬币的眼睛）是完美的，随机性就是安全的。

但论文考虑了一种更糟糕的情况：不仅硬币是脏的（有噪声），连看硬币的眼睛（测量设备）也是脏的（有噪声）。

单噪声黑客（Single Noise）： 黑客只控制了“硬币”，但“眼睛”是完美的。
双噪声黑客（Joint Noise）： 黑客同时控制了“硬币”和“眼睛”。他不仅知道硬币怎么转，还知道你的眼睛看东西时会有什么样的偏差。

结论：
论文证明，双噪声黑客总是比单噪声黑客更厉害！
更可怕的是，当噪声大到一定程度（论文算出了一个临界值，大概不到 50% 的噪声），双噪声黑客就能完美猜中所有结果！
这意味着，如果你以为只要设备稍微有点噪声没关系，只要算法够好就行，那你就错了。如果黑客能利用设备本身的噪声（比如测量仪器的误差），他就能完全破解你的随机数生成器，让你以为自己在生成随机数，其实全是黑客猜出来的。

4. 总结：这对我们意味着什么？

重新定义安全： 以前我们觉得只要量子态是随机的就安全。现在我们知道，如果测量设备也有噪声，黑客可以利用这种“联合噪声”来作弊。
临界点警告： 论文找到了一个“死亡线”。一旦噪声超过这个线，哪怕你用了最复杂的量子随机数生成器，黑客也能 100% 猜中你的密码。
实际应用： 在制造量子随机数生成器（用于加密、赌博、科学模拟）时，不能只盯着量子源看，必须把测量设备的噪声也考虑进去，否则生成的“随机数”可能根本不安全。

一句话总结：
这篇论文告诉我们，在量子世界里，“完美”的随机性很脆弱。如果黑客能同时利用“有瑕疵的硬币”和“有瑕疵的眼睛”，他就能看穿你的把戏。所以，要确保真正的随机，不仅要保证源头干净，还要保证你的“眼睛”（测量设备）足够清晰，或者至少要知道黑客能利用多少噪声来作弊。

这篇论文由 Fionnuala Curran 撰写，题为《从量子态中获取无歧义随机性》（Unambiguous randomness from a quantum state）。文章主要研究了在对抗性场景下，如何量化量子态测量产生的内在随机性，特别是当窃听者（Eve）被允许输出“无结论”（inconclusive）结果，但绝不出错时的随机性度量。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

内在随机性 (Intrinsic Randomness)： 量子力学的基本原理（叠加原理和玻恩规则）保证了在非对角基下测量纯态会产生不可预测的结果。然而，当系统处于混合态（含噪声）时，随机性不仅来源于量子力学，还来源于对混合态具体分解方式的无知（经典不确定性）。
对抗性场景： 在量子随机数生成（QRNG）中，必须考虑一个拥有侧信息（side-information）的恶意窃听者（Eve）。Eve 持有混合态的纯化态（purification），试图猜测 Alice 的测量结果。
传统度量局限： 传统的随机性量化通常基于条件最小熵（conditional min-entropy），假设 Eve 在每一轮测量中都必须给出一个猜测，并试图最小化错误率。
核心问题： 如果 Eve 被允许在某些情况下输出“无结论”（即不猜测），但要求她在给出猜测时绝对正确（无错误），此时系统的随机性是多少？此外，如果限制“无结论”结果出现的概率为固定值 $Q$ （FRIO 场景），随机性又是多少？

2. 方法论 (Methodology)

论文引入了两个新的随机性度量概念，并利用了**量子态区分（Quantum State Discrimination）**中的相关理论：

无歧义随机性 (Unambiguous Randomness, $P_{UD}$ )：
- 定义：Eve 被允许输出一个额外的“无结论”结果，但一旦她给出具体结果，必须保证 100% 正确。
- 数学模型：这是一个优化问题，Eve 寻找混合态 $\rho$ 的一个分解 $\{p_\mu, \rho_\mu\}$ ，使得 $\rho = p_0 \rho_0 + \sum p_j \rho_j$ ，其中 $\rho_j$ 对应于 Alice 的测量本征态。Eve 的目标是最大化 $\sum p_j$ （即成功猜测的概率），同时满足 $\rho \succeq \sum p_j |m_j\rangle\langle m_j|$ 。
- 关联：该问题等价于对线性无关纯态集合进行无歧义态区分（Unambiguous State Discrimination, USD）。
固定无结论率随机性 (FRIO Randomness, $P_Q$ )：
- 定义：Eve 被限制以固定的概率 $Q$ 输出“无结论”结果，在此约束下最大化正确猜测的概率。
- 数学模型：优化问题增加了约束 $p_0 = Q$ 。
- 关联：这对应于固定无结论率下的态区分（FRIO）。
工具：
- Schrödinger-Gisin-HJW 定理： 用于将随机性生成场景（Alice 持有 $\rho$ ）转化为态区分场景（Eve 持有纯态集合）。
- 半定规划 (SDP)： 用于求解最优猜测概率的下界和上界，并证明最优性。
- 布洛赫球表示 (Bloch Vector Representation)： 专门用于处理二维（Qubit）系统，通过几何直观分析最优分解策略。

3. 主要贡献与结果 (Key Contributions & Results)

3.1 任意量子态的最大无歧义随机性

定理 1： 任意量子态 $\rho$ 的最大无歧义随机性（在所有秩一投影测量中优化）由下式给出：
$P^*_{UD}(\rho) = d \cdot \lambda_{\min}(\rho)$
其中 $d$ 是希尔伯特空间的维度， $\lambda_{\min}(\rho)$ 是 $\rho$ 的最小特征值。
物理意义： 这意味着即使对于混合态，只要其最小特征值不为零，就存在产生无歧义随机性的潜力。最优测量基通常是相对于 $\rho$ 的本征基无偏的（unbiased）。
推论： 对于线性无关纯态集合的无歧义区分概率，给出了一个基于混合态最小特征值的下界。

3.2 二维系统 (Qubits) 的解析解

无歧义情况： 对于布洛赫矢量 $\vec{r}$ 的态，最大无歧义随机性为 $1 - |\vec{r}|$ 。当测量基相对于态的本征基无偏时达到该值。如果测量基有偏，Eve 可以获得更高的猜测概率。
FRIO 情况： 论文给出了任意固定无结论率 $Q$ 下的最优猜测概率 $P_Q$ 的解析表达式。结果分为两个区域（ $Q \le Q_{crit}$ 和 $Q > Q_{crit}$ ），并给出了相应的几何最优分解策略（Eve 如何选择分解态）。
误差转换： 论文还推导了固定错误率 $T$ 下的猜测概率，建立了与 FRIO 场景的对偶关系。

3.3 各向同性噪声态 (Isotropically Noisy States)

模型： 考虑纯态 $|\phi\rangle$ 经过各向同性噪声通道 $\Delta_\varepsilon$ 变为 $\rho_\varepsilon = (1-\varepsilon)|\phi\rangle\langle\phi| + \frac{\varepsilon}{d}I$ 。
结果： 当测量基相对于 $|\phi\rangle$ 无偏时，FRIO 随机性有精确解。
关键发现： 随着噪声 $\varepsilon$ 的增加，可提取的随机性减少。

3.4 共享噪声与联合窃听者 (Shared Noise & Joint Eavesdropper)

场景对比：
- 单噪声 (Single Noise)： Eve 仅与噪声态 $\Delta_\delta(|\phi\rangle)$ 关联，Alice 使用完美测量。
- 联合噪声 (Joint Noise)： Eve 同时与噪声态 $\Delta_\varepsilon(|\phi\rangle)$ 和噪声测量 $\Delta_\varepsilon(M)$ 关联。总噪声量 $\delta$ 在两种场景下保持一致（即 Born 规则概率相同）。
定理 6 (核心结论)： 对于任意总噪声量 $\delta$ 和任意错误率上限 $T$ ，联合噪声窃听者的猜测概率严格高于单噪声窃听者。
临界噪声值： 定义了一个临界噪声值 $\varepsilon_{crit} = \frac{d}{2(d+\sqrt{d})}$ $ε_{cr i t} = \frac{d}{2 ( d + d )}$ 。
- 当 $\varepsilon \ge \varepsilon_{crit}$ 时，联合噪声窃听者可以达到完美猜测概率 (100%)，这意味着在此噪声水平下，不存在任何私有随机性。
- 该临界值始终小于 0.5。

4. 意义与影响 (Significance)

理论突破： 首次系统地定义了并求解了“无歧义随机性”和“固定无结论率随机性”在任意量子态和测量下的解析解。这扩展了量子随机性理论，将其与量子态区分理论紧密联系起来。
安全性警示： 论文通过“联合噪声”模型揭示了一个重要的安全漏洞。在设备依赖（Device-Dependent）的 QRNG 中，如果不仅态有噪声，测量设备也有噪声，且 Eve 能利用这种联合噪声相关性，那么即使总噪声水平看起来可控，Eve 也可能获得比预期多得多的信息，甚至在特定噪声阈值下完全破坏随机性。
实验指导： 研究结果强调了在评估量子随机数生成器的安全性时，必须精确建模噪声来源。仅仅考虑态的噪声而忽略测量设备的噪声，或者假设 Eve 只能访问态的噪声，都会导致对私有随机性的高估。
几何直观： 在 Qubit 系统中提供的几何分解策略（布洛赫球上的向量分解），为理解 Eve 的最优攻击策略提供了直观的物理图像。

总结

Fionnuala Curran 的这项工作通过引入“无歧义”和“固定无结论率”的视角，重新审视了量子随机性的边界。其核心发现是：在存在噪声的实际场景中，如果窃听者能够利用态和测量设备的联合噪声相关性，系统的随机性将显著低于仅考虑单一噪声源时的预期，甚至在特定条件下完全消失。这一发现对设计高安全性的量子随机数生成器具有重要的指导意义。