← 最新论文
🔬 光学

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

本文提出了一种贝叶斯神经网络框架,该框架利用原始同相检波电压数据来预测偶然不确定性,将其作为一种实时的、具有物理动机的诊断工具,用于量化连续变量量子随机数发生器中的内在随机性并监测性能缺陷。

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

发布于 2026-11-17
📖 1 分钟阅读☕ 轻松阅读

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

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

在数字世界中,真正的随机性是一种稀有且珍贵的商品。它是现代密码学的基石,是确保在线银行安全和私人信息不被黑客读取的秘密武器。几十年来,计算机一直依赖数学配方来生成看起来具有随机性的数字,但这些仅仅是幻象。只要给予足够的时间和计算能力,聪明的观察者就能预测整个序列,因为它们源于一个固定的起点。为了打破这一循环,科学家们转向了亚原子领域,在那里,自然本身的行为是不可预测的。通过测量光或真空空间中微小的、固有的波动,研究人员可以采集到任何计算都无法预见的真正随机性。然而,制造一台能够捕捉这种量子混沌的机器非常困难。信号极其微弱,极易被电子设备的嗡鸣声或用于测量它们的传感器的局限性所淹没。如果机器没有经过完美调校,或者传感器过于粗糙,产生的“随机”数字实际上可能包含隐藏的模式,从而使系统变得脆弱。

一个研究小组开发了一种实时监测这些量子机器的新方法,以确保它们确实在捕捉宇宙的混沌。该系统不再等待处理过程结束才去检查数字是否合格,而是训练了一种特殊的型人工智能,去倾听直接来自发生器的原始电信号。这个被称为贝叶斯神经网络(Bayesian neural network)的系统,扮演着一种高度敏感的诊断工具的角色。它不仅仅是在寻找简单的模式;它学习如何预测电压数据流中的下一时刻,并且至关重要的是,它会计算该预测的不确定性程度。在一个完美的随机系统中,未来是无法预测的,因此机器的不确定性应该是很高的。如果机器的不确定性下降,则表明系统变得过于可预测,这可能是因为传感器正在失效,或者环境发生了变化。

研究人员在一种测量真空光波动的光纤器件上测试了这种方法。他们将来自该器件的原始电压数据输入到网络中,并观察人工智能的置信度在不同条件下是如何变化的。当他们增加用于探测真空的激光功率时,系统测得的不确定性随之上升,这符合理论预期,即更高的功率会揭示出更多的真实量子噪声。这证实了他们的方法可以追踪随机源的健康状况。更重要的是,人工智能发现了传统测试方法所忽略的问题。当研究人员模拟了一个具有较低分辨率或较低采样率的传感器时——这是现实世界硬件中常见的缺陷——人工智能的不确定性指标大幅下降。它检测到信号失去了细粒度的混沌特性,尽管传统的统计测试(那些寻找简单相关性的测试)并未发现任何异常。

这一发现凸显了我们目前验证随机数生成器方式中的一个关键差距。传统的测试通常检查长程模式或简单相关性,但它们可能对硬件缺陷导致的微妙退化视而不见。一个传感器可能过于粗糙,以至于抹平了量子世界中微小而快速的抖动,有效地将一个混沌信号变成了一个可预测的信号。这种基于人工智能的新指标足够敏感,能够立即感知到这些变化。它作为一个实时监控器,准确地告诉工程师设备何时正偏离其最佳范围,或者数字转换器何时未能捕捉到足够的细节。通过专注于在信号被处理成比特之前的原始模拟信号,这种方法为物理随机生成过程提供了一个直接的窗口。

该研究并未声称要取代高风险密码学所需的严格安全证明,后者依赖于对来源和潜在攻击者的严格数学假设。相反,作者将这一工具定位为一种补充性的防御层。它提供了一个物理的、基于数据的检查,与正式的安全认证并行运行。在实验中,该系统成功识别了随着激光功率从零调整到九毫瓦,随机生成是如何变化的,以及当人为地将数据精度从十六位降低到八位时,性能是如何退化的。结果表明,这种方法可以成为构建和维护量子随机数生成器工具包的标准组成部分,确保未来的数字锁建立在真正的、不可破解的混沌基础之上。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →