Evaluación acelerada de entropía mínima basada en aprendizaje profundo para la generación de números aleatorios...

Área de la Ciencia:

• Ciencia de la información cuántica
• Tecnologías de comunicación seguras
• Física aplicada

Sus antecedentes:

• La comunicación segura se basa en la generación de números aleatorios cuánticos (QRNG) de alta velocidad y alta seguridad.
• Los sistemas QRNG prácticos se enfrentan a no ideales que afectan la eficiencia y la seguridad.
• La evaluación precisa de la entropía es crucial para cuantificar la aleatoriedad.

Objetivo del estudio:

• Mejorar la eficiencia y la seguridad de QRNG utilizando un nuevo enfoque receptivo.
• Investigar el impacto de las no idealidades del sistema en la aleatoriedad cuántica.
• Desarrollar un método rápido y preciso para la evaluación de la entropía en QRNG.

Principales métodos:

• Se utilizó la detección heterodina controlada por polarización para medir las fluctuaciones de ruido de disparo al vacío.
• Analizó la detección de desequilibrio, la superposición de fase de amplitud y los parámetros de seguridad en la entropía mínima condicional cuántica.
• Desarrolló una red neuronal convolucional profunda (CNN) para la evaluación rápida de la entropía.

Principales resultados:

• Logró una verdadera relación de extracción de bits aleatorios del 83,16% a 37,25 Gbps para parámetros de alta seguridad.
• Se ha demostrado la mitigación de la sobreestimación de la aleatoriedad y la mejora de la seguridad contra las escuchas.
• CNN procesó extensos datos de cuadratura rápidamente con una alta precisión (MAPE de 0,004).
• La detección de heterodino de doble cuadratura excedió la velocidad de generación de 85 Gbps.

Conclusiones:

• El método propuesto mejora significativamente el rendimiento y la seguridad de QRNG.
• La evaluación rápida de la entropía utilizando CNN acelera el despliegue práctico de QRNG.
• Este trabajo avanza en el desarrollo de una generación de números aleatorios segura y de alta velocidad.