Fugu-MT 論文翻訳(概要): QKD as a Quantum Machine Learning task

論文の概要: QKD as a Quantum Machine Learning task

arxiv url: http://arxiv.org/abs/2410.01904v2
Date: Thu, 27 Feb 2025 12:15:43 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-28 14:52:57.569090
Title: QKD as a Quantum Machine Learning task
Title（参考訳）: 量子機械学習タスクとしてのQKD
Authors: T. Decker, M. Gallezot, S. F. Kerstan, A. Paesano, A. Ginter, W. Wormsbecher,
Abstract要約: 本稿では,量子機械学習(QML)アルゴリズムのユースケースとして,量子鍵分布(QKD)プロトコルを提案する。 BB84プロトコルの量子回路実装に対する盗聴攻撃を最適化するQMLタスクを定義し,検討する。本稿では,QMLアルゴリズムにおけるQKD後処理の古典的情報を用いて,集団攻撃のQML構築を提案する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We propose considering Quantum Key Distribution (QKD) protocols as a use case for Quantum Machine Learning (QML) algorithms. We define and investigate the QML task of optimizing eavesdropping attacks on the quantum circuit implementation of the BB84 protocol. QKD protocols are well understood and solid security proofs exist enabling an easy evaluation of the QML model performance. The power of easy-to-implement QML techniques is shown by finding the explicit circuit for optimal individual attacks in a noise-free setting. For the noisy setting we find, to the best of our knowledge, a new cloning algorithm, which can outperform known cloning methods. Finally, we present a QML construction of a collective attack by using classical information from QKD post-processing within the QML algorithm.
Abstract（参考訳）: 本稿では,量子機械学習(QML)アルゴリズムのユースケースとして,量子鍵分布(QKD)プロトコルを提案する。 BB84プロトコルの量子回路実装に対する盗聴攻撃を最適化するQMLタスクを定義し,検討する。 QKDプロトコルはよく理解されており、QMLモデルの性能を容易に評価できる確固たるセキュリティ証明が存在する。ノイズフリー環境での最適な個人攻撃のための明示的な回路を見つけることで、実装が容易なQML手法のパワーを示す。ノイズの多い設定では、私たちの知る限り、既知のクローン法よりも優れた新しいクローンアルゴリズムが得られます。最後に、QMLアルゴリズム内でのQKD後処理の古典的情報を用いて、集団攻撃のQML構築を提案する。

関連論文リスト

QNN-QRL: Quantum Neural Network Integrated with Quantum Reinforcement Learning for Quantum Key Distribution [3.057222561438637]
本稿では、QRL-V.1とQRL-V.2という2つの新しいQRLベースのアルゴリズムを提案し、標準のBB84とB92プロトコルを提案する。 QNNとQRLに基づくアルゴリズムを組み合わせてQNN-BB84とQNN-B92を生成する。 QNNに基づく提案アルゴリズムの結果,キー生成品質が大幅に向上した。
論文参考訳（メタデータ） (2025-01-30T07:42:27Z)
Learning to Measure Quantum Neural Networks [10.617463958884528]
本稿では,量子系の可観測性,特にエルミート行列学習性を実現する新しい手法を提案する。本手法では,パラメータ化可観測関数を通常の量子回路パラメータとともに学習するエンド・ツー・エンドの微分可能学習フレームワークを特徴とする。数値シミュレーションにより,提案手法は変動量子回路の観測値の同定が可能であり,その結果が得られた。
論文参考訳（メタデータ） (2025-01-10T02:28:19Z)
Quantum Machine Learning in Log-based Anomaly Detection: Challenges and Opportunities [36.437593835024394]
我々は、LogADのコンテキストでQMLモデルを評価するための統合フレームワーク、我々のフレームワークを紹介します。 DeepLog、LogAnomaly、LogRobustといった最先端のメソッドが私たちのフレームワークに含まれている。評価はQMLの性能に重要な要素、例えば特異性、回路数、回路設計、量子状態符号化にまで及んでいる。
論文参考訳（メタデータ） (2024-12-18T06:13:49Z)
Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
論文参考訳（メタデータ） (2024-11-13T12:03:39Z)
Practical hybrid PQC-QKD protocols with enhanced security and performance [44.8840598334124]
我々は,量子古典ネットワーク内でQKDとPQCが相互運用するハイブリッドプロトコルを開発した。特に、それぞれのアプローチの個々の性能に対して、スピードと/またはセキュリティを向上する可能性のある、異なるハイブリッド設計について検討する。
論文参考訳（メタデータ） (2024-11-02T00:02:01Z)
Discrete Randomized Smoothing Meets Quantum Computing [40.54768963869454]
重畳における入力バイナリデータの摂動をエンコードし、量子振幅推定(QAE)を用いてモデルへの呼び出し数を2次的に削減する方法を示す。さらに、画像、グラフ、テキストに対するアプローチの広範な評価を可能にする新しいバイナリ脅威モデルを提案する。
論文参考訳（メタデータ） (2024-08-01T20:21:52Z)
Challenges for Reinforcement Learning in Quantum Circuit Design [8.894627352356302]
ハイブリッド量子機械学習(QML)は、機械学習(ML)を改善するためのQCの応用と、QCアーキテクチャを改善するためのMLの両方を含む。我々はマルコフ決定過程として定式化された具体的なフレームワークであるqcd-gymを提案し、連続パラメータ化された量子ゲートの普遍的なセットを制御することができる学習ポリシーを実現する。
論文参考訳（メタデータ） (2023-12-18T16:41:30Z)
Robust and efficient verification of graph states in blind measurement-based quantum computation [52.70359447203418]
Blind Quantum Computing (BQC) は、クライアントのプライバシを保護するセキュアな量子計算手法である。資源グラフ状態が敵のシナリオで正確に準備されているかどうかを検証することは重要である。本稿では,任意の局所次元を持つ任意のグラフ状態を検証するための,堅牢で効率的なプロトコルを提案する。
論文参考訳（メタデータ） (2023-05-18T06:24:45Z)
Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文参考訳（メタデータ） (2023-04-04T12:47:35Z)
Quantum Machine Learning for Software Supply Chain Attacks: How Far Can We Go? [5.655023007686363]
本稿では、量子機械学習(QML)と呼ばれる機械学習アルゴリズムに適用されたQCの高速化性能について分析する。実際の量子コンピュータの限界により、QML法はQiskitやIBM Quantumといったオープンソースの量子シミュレータ上で実装された。興味深いことに、実験結果は、SSC攻撃の古典的アプローチと比較して計算時間と精度の低下を示すことによって、QCの約束を早めることと異なる。
論文参考訳（メタデータ） (2022-04-04T21:16:06Z)
Quantum Approximate Optimization Algorithm Based Maximum Likelihood Detection [80.28858481461418]
量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
論文参考訳（メタデータ） (2021-07-11T10:56:24Z)

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。