論文の概要: New Reservoir Computing Kernel Based on Chaotic Chua Circuit and Investigating Application to Post-Quantum Cryptography
- arxiv url: http://arxiv.org/abs/2406.12948v1
- Date: Tue, 18 Jun 2024 12:07:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-22 00:37:55.197929
- Title: New Reservoir Computing Kernel Based on Chaotic Chua Circuit and Investigating Application to Post-Quantum Cryptography
- Title（参考訳）: カオスチューア回路に基づく新しい貯留層計算カーネルとポスト量子暗号への応用
- Authors: Matthew John Cossins, Sendy Phang,
- Abstract要約: このプロジェクトは、チュアに本拠を置く貯水池コンピュータのアカデミアにおける2番目の事例であると考えられている。
ポスト量子暗号のような現実世界の課題に最初に適用される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The aim of this project was to develop a new Reservoir Computer implementation, based on a chaotic Chua circuit. In addition to suitable classification and regression benchmarks, the Reservoir Computer was applied to Post-Quantum Cryptography, with its suitability for this application investigated and assessed. The cryptographic algorithm utilised was the Learning with Errors problem, for both encryption and decryption. To achieve this, the Chua circuit was characterised, in simulation, and by physical circuit testing. The Reservoir Computer was designed and implemented using the results of the characterisation. As part of this development, noise was considered and mitigated. The benchmarks demonstrate that the Reservoir Computer can achieve current literature benchmarks with low error. However, the results with Learning with Errors suggest that a Chua-based Reservoir Computer is not sufficiently complex to tackle the high non-linearity in Post-Quantum Cryptography. Future work would involve researching the use of different combinations of multiple Chua Reservoir Computers in larger neural network architectures. Such architectures may produce the required high-dimensional behaviour to achieve the Learning with Errors problem. This project is believed to be only the second instance of a Chua-based Reservoir Computer in academia, and it is the first to be applied to challenging real-world tasks such as Post-Quantum Cryptography. It is also original by its investigation of hitherto unexplored parameters, and their impact on performance. It demonstrates a proof-of-concept for a mass-producible, inexpensive, low-power consumption hardware neural network. It also enables the next stages in research to occur, paving the road for using Chua-based Reservoir Computers across various applications.
- Abstract（参考訳）: このプロジェクトの目的は、カオス的なChua回路をベースとした新しいReservoir Computerの実装を開発することである。
適切な分類と回帰のベンチマークに加えて、Reservoir Computer はポスト量子暗号に適用され、その適用性は調査・評価された。
暗号アルゴリズムは暗号化と復号の両方のためにLearning with Errors問題を利用した。
これを実現するため、チューア回路はシミュレーションや物理回路試験によって特徴づけられた。
Reservoir Computer は、特性化の結果を用いて設計、実装された。
この開発の一環として、騒音は考慮され緩和された。
ベンチマークにより、Reservoir Computerは、エラーの少ない現在の文献ベンチマークを達成できることが示されている。
しかし、Learning with Errorsの結果は、ChuaをベースとしたReservoir Computerは、ポスト量子暗号における高非線形性に取り組むのに十分複雑ではないことを示唆している。
今後の研究は、より大規模なニューラルネットワークアーキテクチャにおける複数のChua Reservoir Computersの異なる組み合わせの使用を研究することである。
このようなアーキテクチャは、エラーを伴う学習を実現するために必要となる高次元の振る舞いを生成する。
このプロジェクトは、ChuaをベースとしたReservoir Computerのアカデミアにおける2番目の事例であると考えられており、ポスト量子暗号のような現実世界の課題に最初に適用されたものである。
また、探索されていないパラメータとその性能への影響を調査した結果もオリジナルである。
これは、大量生産可能で安価で低消費電力のハードウェアニューラルネットワークに対する概念実証である。
また、ChuaベースのReservoir Computersをさまざまなアプリケーションで使用するための道を開くことで、研究の次の段階を実現できる。
関連論文リスト
- Stochastic Reservoir Computers [0.0]
貯水池計算では、貯水池のコンピュータ全体の異なる状態の数は、貯水池のハードウェアのサイズに比例して指数関数的にスケールすることができる。
ショットノイズは貯水池計算の性能に限界があるが,ノイズの影響が小さい場合,類似のハードウェアを持つ貯水池コンピュータに比べて性能が大幅に向上した。
論文 参考訳（メタデータ） (2024-05-20T21:26:00Z) - Modelling the Impact of Quantum Circuit Imperfections on Networks and Computer Applications [0.31908919831471466]
ポスト量子および量子暗号スキームは、7Gネットワークのための実現可能な量子コンピュータアプリケーションである。
これらのアルゴリズムは、Shorアルゴリズムのような量子コンピュータ上で動作する量子検索アルゴリズムの進歩によって妥協された。
論文 参考訳（メタデータ） (2024-03-27T10:00:35Z) - Deep Photonic Reservoir Computer for Speech Recognition [49.1574468325115]
音声認識は人工知能の分野で重要な課題であり、目覚ましい進歩を目撃してきた。
深い貯水池コンピューティングはエネルギー効率が高いが、よりリソース集約的な機械学習アルゴリズムと比較して、パフォーマンスに制限がある。
フォトニック方式の深層貯水池コンピュータを提案し,その性能を音声認識タスクで評価する。
論文 参考訳（メタデータ） (2023-12-11T17:43:58Z) - Classical and quantum reservoir computing: development and applications
in machine learning [0.0]
貯留層計算(Reservoir computing)は、非線形力学系を用いてデータから複雑な時間パターンを学習する、新しい機械学習アルゴリズムである。
この研究は、農業時系列予測を含む、非常に異なる領域にわたるアルゴリズムの堅牢性と適応性を実証している。
この論文の最後の貢献は、量子貯水池計算のためのアルゴリズム設計の最適化である。
論文 参考訳（メタデータ） (2023-10-11T13:01:05Z) - The Basis of Design Tools for Quantum Computing: Arrays, Decision
Diagrams, Tensor Networks, and ZX-Calculus [55.58528469973086]
量子コンピュータは、古典的コンピュータが決して起こらない重要な問題を効率的に解決することを約束する。
完全に自動化された量子ソフトウェアスタックを開発する必要がある。
この研究は、今日のツールの"内部"の外観を提供し、量子回路のシミュレーション、コンパイル、検証などにおいてこれらの手段がどのように利用されるかを示す。
論文 参考訳（メタデータ） (2023-01-10T19:00:00Z) - Accelerating the training of single-layer binary neural networks using
the HHL quantum algorithm [58.720142291102135]
Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。
しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
論文 参考訳（メタデータ） (2022-10-23T11:58:05Z) - Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。
この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。
GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文 参考訳（メタデータ） (2022-04-18T21:45:13Z) - Limitations of Deep Learning for Inverse Problems on Digital Hardware [65.26723285209853]
我々は、チューリングマシンとしてモデル化された現在のハードウェアプラットフォームで実際に計算できるものを分析する。
有限次元逆問題は小さな緩和パラメータに対してバナッハ・マズール計算可能でないことを証明した。
論文 参考訳（メタデータ） (2022-02-28T00:20:12Z) - The Dual PC Algorithm and the Role of Gaussianity for Structure Learning
of Bayesian Networks [0.0]
デュアルPCアルゴリズムは,実行時間や基盤となるネットワーク構造の回復において,従来のPCアルゴリズムよりも優れていることを示す。
また、このデュアルPCアルゴリズムがガウスパウラモデルに適用可能であることを示し、その設定でその性能を示す。
論文 参考訳（メタデータ） (2021-12-16T17:27:29Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Intrusion detection in computer systems by using artificial neural
networks with Deep Learning approaches [0.0]
コンピュータネットワークへの侵入検知は、サイバーセキュリティにおける最も重要な問題の1つとなっている。
本稿では,ディープラーニングアーキテクチャに基づく侵入検知システムの設計と実装に焦点を当てる。
論文 参考訳（メタデータ） (2020-12-15T19:12:23Z)
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。