論文の概要: AI-Hybrid TRNG: Kernel-Based Deep Learning for Near-Uniform Entropy Harvesting from Physical Noise

• arxiv url: http://arxiv.org/abs/2507.00145v1
• Date: Mon, 30 Jun 2025 18:01:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:58.528195
• Title: AI-Hybrid TRNG: Kernel-Based Deep Learning for Near-Uniform Entropy Harvesting from Physical Noise
• Title（参考訳）: AI-Hybrid TRNG:物理ノイズからのほぼ一様エントロピーのカーネルベースディープラーニング
• Authors: Hasan Yiğit,
• Abstract要約: AI-Hybrid TRNGは、物理ノイズから直接、ほぼ一様エントロピーを抽出するディープラーニングフレームワークである。 トレーニングには、低コストで親指サイズのRFフロントエンドとCPUを最適化するジッタを使用し、量子化ステップなしで32ビットの高エントロピーストリームを出力する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-Hybrid TRNG is a deep-learning framework that extracts near-uniform entropy directly from physical noise, eliminating the need for bulky quantum devices or expensive laboratory-grade RF receivers. Instead, it relies on a low-cost, thumb-sized RF front end, plus CPU-timing jitter, for training, and then emits 32-bit high-entropy streams without any quantization step. Unlike deterministic or trained artificial intelligence random number generators (RNGs), our dynamic inner-outer network couples adaptive natural sources and reseeding, yielding truly unpredictable and autonomous sequences. Generated numbers pass the NIST SP 800-22 battery better than a CPU-based method. It also passes nineteen bespoke statistical tests for both bit- and integer-level analysis. All results satisfy cryptographic standards, while forward and backward prediction experiments reveal no exploitable biases. The model's footprint is below 0.5 MB, making it deployable on MCUs and FPGA soft cores, as well as suitable for other resource-constrained platforms. By detaching randomness quality from dedicated hardware, AI-Hybrid TRNG broadens the reach of high-integrity random number generators across secure systems, cryptographic protocols, embedded and edge devices, stochastic simulations, and server applications that need randomness.
• Abstract（参考訳）: AI-Hybrid TRNGは、物理ノイズから直接一様に近いエントロピーを抽出するディープラーニングフレームワークであり、バルク量子デバイスや高価な実験用RF受信機を必要としない。 代わりに、ローコストで親指サイズのRFフロントエンドとトレーニング用のCPUチューニングジッタに依存し、量子化ステップなしで32ビットのハイエントロピーストリームを出力する。 決定論的または訓練された人工知能乱数生成器(RNG)とは異なり、我々の動的内外ネットワークは適応的な自然資源と再検索を結合し、真に予測不可能で自律的なシーケンスを生み出す。 生成した数は、NIST SP 800-22バッテリをCPUベースの方法よりも優れている。 また、ビットレベルと整数レベルの両方の分析のための19のビースモーク統計試験をパスする。 すべての結果が暗号標準を満たす一方で、前方および後方予測実験は、悪用可能なバイアスを示さない。 モデルのフットプリントは0.5MB以下で、MCUやFPGAのソフトコアにデプロイでき、他のリソース制約のあるプラットフォームにも適合する。 AI-Hybrid TRNGは、専用ハードウェアからランダム性品質を分離することで、セキュアシステム、暗号化プロトコル、組み込みデバイス、エッジデバイス、確率シミュレーション、ランダム性を必要とするサーバアプリケーションなどにわたる高積分ランダム数生成装置の範囲を広げる。

関連論文リスト

• Improving GANs by leveraging the quantum noise from real hardware [0.0]
  本稿では,GAN(生成逆数ネットワーク)に対する新しいアプローチを提案する。 固有量子乱数性とデバイス固有の不完全性は、GAN性能を高める構造的帰納バイアスを与えることができることを示す。
  論文  参考訳（メタデータ） (2025-07-02T16:56:09Z)
• Perturbation-efficient Zeroth-order Optimization for Hardware-friendly On-device Training [48.13509528824236]
  Zeroth-order(ZO)最適化は、計算の単純さとメモリ節約を提供する、新たなディープニューラルネットワーク(DNN)トレーニングパラダイムである。 ZOは相当数のガウス乱数を生成する必要があり、これはかなりの困難を伴い、FPGAやASICのようなハードウェアプラットフォームでは利用できない。 乱数生成の需要を大幅に削減する摂動効率のZOフレームワークであるPeZOを提案する。 実験の結果,PeZO は乱数生成に必要な LUT と FF を 48.6% と 12.7% に削減し,最大 86% の消費電力を削減できることがわかった。
  論文  参考訳（メタデータ） (2025-04-28T23:58:07Z)
• Entropy Mixing Networks: Enhancing Pseudo-Random Number Generators with Lightweight Dynamic Entropy Injection [4.428931150564558]
  本稿では,新しいハイブリッド乱数生成器であるEntropy Mixing Network (EMN)を提案する。 決定論的擬似ランダム生成と周期的エントロピー注入を組み合わせてランダム性を向上させる。 EMNはPythonのSystemRandomとMersenneTwisterを重要なメトリクスで上回っている。
  論文  参考訳（メタデータ） (2025-01-14T11:36:54Z)
• Continuous-Variable Source-Independent Quantum Random Number Generator with a Single Phase-Insensitive Detector [0.5439020425819]
  量子乱数生成器(QRNG)は、真のランダム性を生成するために量子力学的不予測性を利用する。 単一位相非感受性検出器を用いたCV-SI-QRNG方式を提案し、半定値プログラミング(SDP)に基づくセキュリティ証明を提供する。 これらの結果は,本フレームワークの実現可能性を示し,実用的でシンプルなSI-QRNG実装への道を開いた。
  論文  参考訳（メタデータ） (2024-11-22T09:26:53Z)
• Enhancing Dropout-based Bayesian Neural Networks with Multi-Exit on FPGA [20.629635991749808]
  本稿では,フィールドプログラマブルゲートアレイ(FPGA)ベースのアクセラレータを効率よく生成するアルゴリズムとハードウェアの共同設計フレームワークを提案する。 アルゴリズムレベルでは、計算とメモリのオーバーヘッドを低減した、新しいマルチエグジット・ドロップアウトベースのベイズNNを提案する。 ハードウェアレベルでは,提案する効率的なベイズNNのためのFPGAベースのアクセラレータを生成するための変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-20T17:08:42Z)
• One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
  Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。 本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-06T20:28:37Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• LCS: Learning Compressible Subspaces for Adaptive Network Compression at Inference Time [57.52251547365967]
  本稿では,ニューラルネットワークの「圧縮可能な部分空間」を訓練する手法を提案する。 構造的・非構造的空間に対する推定時間における微粒な精度・効率のトレードオフを任意に達成するための結果を示す。 我々のアルゴリズムは、可変ビット幅での量子化にまで拡張し、個別に訓練されたネットワークと同等の精度を実現する。
  論文  参考訳（メタデータ） (2021-10-08T17:03:34Z)
• Scalable quantum random number generator for cryptography based on the random flip-flop approach [1.2578844450585998]
  単一光子アバランシェダイオード(SPAD)における光電効果をランダム性の原因とする量子乱数生成器(QRNG)を提案する。 2つの主要な欠陥のうち、バイアスはハードウェアの欠陥にのみ起因している。
  論文  参考訳（メタデータ） (2021-02-24T11:00:22Z)
• A High Speed Integrated Quantum Random Number Generator with on-Chip Real-Time Randomness Extraction [2.759846687681801]
  標準CMOS技術ノードに最初の集積量子RNG(QRNG)を提示する。 組合せ論理の共積分は,高複雑性であっても,ランダム性の品質には影響しないことを示す。 私たちのCMOS QRNGは、低消費電力で400Mbit/sのスループットに到達できます。
  論文  参考訳（メタデータ） (2021-02-11T19:55:29Z)
• REST: Robust and Efficient Neural Networks for Sleep Monitoring in the Wild [62.36144064259933]
  ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。 私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。 これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
  論文  参考訳（メタデータ） (2020-01-29T17:23:16Z)

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。