論文の概要: Automated machine learning for secure key rate in discrete-modulated
continuous-variable quantum key distribution
- arxiv url: http://arxiv.org/abs/2201.09419v1
- Date: Mon, 24 Jan 2022 02:21:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-26 05:29:41.319187
- Title: Automated machine learning for secure key rate in discrete-modulated
continuous-variable quantum key distribution
- Title(参考訳): 離散変調連続可変量子鍵分布におけるセキュア鍵レートの自動機械学習
- Authors: Zhi-Ping Liu, Min-Gang Zhou, Wen-Bo Liu, Chen-Long Li, Jie Gu, Hua-Lei
Yin, Zeng-Bing Chen
- Abstract要約: 離散変調による連続可変量子鍵分布(CV QKD)は、その実験的単純さから注目されている。
集団攻撃に対するこれらのプロトコルの安全性を分析する数値的手法が提案されている。
この問題を改善するために、ほぼリアルタイムでキーレートを予測するニューラルネットワークモデルが提案されている。
- 参考スコア(独自算出の注目度): 1.805579209946251
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Continuous-variable quantum key distribution (CV QKD) with discrete
modulation has attracted increasing attention due to its experimental
simplicity, lower-cost implementation and compatibility with classical optical
communication. Correspondingly, some novel numerical methods have been proposed
to analyze the security of these protocols against collective attacks, which
promotes key rates over one hundred kilometers of fiber distance. However,
numerical methods are limited by their calculation time and resource
consumption, for which they cannot play more roles on mobile platforms in
quantum networks. To improve this issue, a neural network model predicting key
rates in nearly real time has been proposed previously. Here, we go further and
show a neural network model combined with Bayesian optimization. This model
automatically designs the best architecture of neural network computing key
rates in real time. We demonstrate our model with two variants of CV QKD
protocols with quaternary modulation. The results show high reliability with
secure probability as high as $99.15\%-99.59\%$, considerable tightness and
high efficiency with speedup of approximately $10^7$ in both cases. This
inspiring model enables the real-time computation of unstructured quantum key
distribution protocols' key rate more automatically and efficiently, which has
met the growing needs of implementing QKD protocols on moving platforms.
- Abstract(参考訳): 離散変調による連続可変量子鍵分布(CV QKD)は、実験的単純さ、低コストな実装、古典光学通信との互換性により注目されている。
それに応じて、これらのプロトコルの集団攻撃に対するセキュリティを分析するために、いくつかの新しい数値的手法が提案されている。
しかし、数値的手法は計算時間とリソース消費によって制限され、量子ネットワークのモバイルプラットフォームではより多くの役割を果たすことができない。
この問題を改善するために,キーレートをほぼリアルタイムに予測するニューラルネットワークモデルが提案されている。
ここではさらに,ベイズ最適化と組み合わせたニューラルネットワークモデルを示す。
このモデルは、ニューラルネットワークコンピューティングキーレートの最適なアーキテクチャをリアルタイムで自動的に設計する。
4次変調によるCV QKDプロトコルの2つの変種を用いて本モデルを実証する。
その結果, 信頼性が高く, 安定確率は99.15\%-99.59\%$, タイト性がかなり高く, スピードアップが約10^7$であった。
このインスピレーションモデルにより、非構造化量子鍵分布プロトコルの鍵レートのリアルタイム計算がより自動的に効率的に行えるようになり、移動プラットフォーム上でQKDプロトコルを実装する必要性が高まっている。
関連論文リスト
- Composable free-space continuous-variable quantum key distribution using discrete modulation [3.864405940022529]
連続可変(CV)量子鍵分布(QKD)は、量子セキュアな通信を可能にする。
本稿では,特に都市大気流路向けに設計された離散変調を用いたCVQKDシステムを提案する。
これにより、CV QKDネットワークを既存のファイバーバックボーンを超えて拡張することができる。
論文 参考訳(メタデータ) (2024-10-16T18:02:53Z) - Towards Scalable Quantum Key Distribution: A Machine Learning-Based Cascade Protocol Approach [2.363573186878154]
量子鍵分配(Quantum Key Distribution, QKD)はセキュア通信のための重要な技術である。
複雑な数学的モデルに依存する伝統的な鍵レート決定法は、しばしば効率と拡張性に欠ける。
本稿では,機械学習(ML)技術をカスケード誤り訂正プロトコルに統合する手法を提案する。
論文 参考訳(メタデータ) (2024-09-12T13:40:08Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳(メタデータ) (2024-02-23T14:09:41Z) - Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。
関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。
量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-21T21:40:47Z) - High-rate discretely-modulated continuous-variable quantum key
distribution using quantum machine learning [4.236937886028215]
本稿では,量子機械学習技術を用いた離散変調連続可変量子鍵分布(DM CVQKD)の高速化手法を提案する。
低複雑さ量子k-アネレスト近傍(QkNN)は、ボブ側での離散変調コヒーレント状態(DMCS)の損失を予測するために設計されている。
シミュレーションにより,提案手法の秘密鍵レートは既存のDM CVQKDプロトコルよりも明らかに優れていることが示された。
論文 参考訳(メタデータ) (2023-08-07T04:00:13Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - High-rate continuous-variable measurement device-independent quantum key distribution with finite-size security [0.0]
連続可変(CV)測定デバイス独立(MDI)QKDは、様々な量子ネットワークトポロジーを作成する上で有望な候補である。
本稿では,CV MDI-QKDシステムによる集団攻撃に対する安全な鍵レート2.6Mbit/sを実現するための,最初の実験的検証を行った。
論文 参考訳(メタデータ) (2023-03-02T22:20:29Z) - A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive
Coding Networks [65.34977803841007]
予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。
シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
論文 参考訳(メタデータ) (2022-11-16T00:11:04Z) - When BERT Meets Quantum Temporal Convolution Learning for Text
Classification in Heterogeneous Computing [75.75419308975746]
本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。
目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
論文 参考訳(メタデータ) (2022-02-17T09:55:21Z) - Neural network-based prediction of the secret-key rate of quantum key
distribution [6.040436695129137]
実験パラメータと実験結果に基づいて,セキュアな鍵レートを迅速に予測できるニューラルネットワークを構築した。
これにより、離散変調CV-QKDの安全な鍵レートを低消費電力プラットフォーム上でリアルタイムで抽出することができる。
論文 参考訳(メタデータ) (2021-08-05T12:34:56Z) - Composably secure data processing for Gaussian-modulated continuous
variable quantum key distribution [58.720142291102135]
連続可変量子鍵分布(QKD)は、ボソニックモードの二次構造を用いて、2つのリモートパーティ間の秘密鍵を確立する。
構成可能な有限サイズセキュリティの一般的な設定におけるホモダイン検出プロトコルについて検討する。
特に、ハイレート(非バイナリ)の低密度パリティチェックコードを使用する必要のあるハイシグネチャ・ツー・ノイズ・システマを解析する。
論文 参考訳(メタデータ) (2021-03-30T18:02:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。