論文の概要: Securing generative artificial intelligence with parallel magnetic tunnel junction true randomness

• arxiv url: http://arxiv.org/abs/2510.01598v1
• Date: Thu, 02 Oct 2025 02:26:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.951606
• Title: Securing generative artificial intelligence with parallel magnetic tunnel junction true randomness
• Title（参考訳）: 並列磁気トンネル接合真ランダム性を用いた生成人工知能のセキュア化
• Authors: Youwei Bao, Shuhan Yang, Hyunsoo Yang,
• Abstract要約: 生成人工知能(GAI)モデルは、攻撃者による搾取に弱い予測可能なパターンを生成する。 そこで本研究では,スピントランスファートルク磁気トンネル接合(STT-MTJ)からハードウェア生成した真のランダムビットを埋め込み,その課題に対処する。 高並列なFPGA支援型プロトタイプコンピュータシステムでは、メガビット/秒の真の乱数が得られる。 CIFAR-10でトレーニングされた生成逆数ネットワーク(GAN)にハードウェアランダムビットを統合すると、低品質な乱数発生器(RNG)のベースラインに比べて、安全でない出力を最大18.6倍削減できる。
• 参考スコア（独自算出の注目度）: 1.395525296189632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deterministic pseudo random number generators (PRNGs) used in generative artificial intelligence (GAI) models produce predictable patterns vulnerable to exploitation by attackers. Conventional defences against the vulnerabilities often come with significant energy and latency overhead. Here, we embed hardware-generated true random bits from spin-transfer torque magnetic tunnel junctions (STT-MTJs) to address the challenges. A highly parallel, FPGA-assisted prototype computing system delivers megabit-per-second true random numbers, passing NIST randomness tests after in-situ operations with minimal overhead. Integrating the hardware random bits into a generative adversarial network (GAN) trained on CIFAR-10 reduces insecure outputs by up to 18.6 times compared to the low-quality random number generators (RNG) baseline. With nanosecond switching speed, high energy efficiency, and established scalability, our STT-MTJ-based system holds the potential to scale beyond 106 parallel cells, achieving gigabit-per-second throughput suitable for large language model sampling. This advancement highlights spintronic RNGs as practical security components for next-generation GAI systems.
• Abstract（参考訳）: 生成人工知能(GAI)モデルで使用される決定論的擬似乱数生成器(PRNG)は、攻撃者による搾取に弱い予測可能なパターンを生成する。 脆弱性に対する従来の防御は、大きなエネルギーと遅延オーバーヘッドを伴うことが多い。 そこで本研究では,スピントランスファートルク磁気トンネル接合(STT-MTJ)からハードウェア生成した真のランダムビットを埋め込み,その課題に対処する。 高並列のFPGA支援型プロトタイプコンピュータシステムでは,最小オーバーヘッドでNISTランダムネステストに合格し,メガビット/秒の真の乱数を提供する。 CIFAR-10でトレーニングされた生成逆数ネットワーク(GAN)にハードウェアランダムビットを統合すると、低品質な乱数発生器(RNG)のベースラインに比べて、安全でない出力を最大18.6倍削減できる。 ナノ秒切替速度,高エネルギー効率,スケーラビリティの確立により,STT-MTJベースのシステムでは,106個の並列セルを越えるスケールが可能となり,大規模言語モデルサンプリングに適したギガビット/秒スループットを実現した。 この進歩は、次世代GAIシステムの実用的なセキュリティコンポーネントとしてスピントロニクスRNGを強調している。

関連論文リスト

• Adaptive Variation-Resilient Random Number Generator for Embedded Encryption [7.239794172995]
  本稿では、物理的に駆動されるエントロピー源から不偏の暗号化グレードのランダムな乱数ストリームを抽出できる適応的変動耐性RNGを提案する。 発生した未バイアスのビットストリームは、エントロピーが高いため、単純化された後処理を行う必要がある。
  論文  参考訳（メタデータ） (2025-07-07T22:42:49Z)
• DNN-Based Precoding in RIS-Aided mmWave MIMO Systems With Practical Phase Shift [43.56429251312585]
  本稿では、直接通信路を妨害したミリ波マルチインプット多重出力(MIMO)システムのスループットを最大化する。 リコンフィギュアブルインテリジェントサーフェス(RIS)は、視線(LoS)とマルチパス効果に関連するmmWave特性を考慮して伝送性を高めるために使用される。 ディープニューラルネットワーク(DNN)は、より高速なコードワード選択を容易にするために開発された。
  論文  参考訳（メタデータ） (2025-07-03T17:35:06Z)
• AI-Hybrid TRNG: Kernel-Based Deep Learning for Near-Uniform Entropy Harvesting from Physical Noise [0.0]
  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。
  論文  参考訳（メタデータ） (2025-06-30T18:01:40Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Parallel and real-time post-processing for quantum random number generators [5.864108266054829]
  本研究では、FPGAにおける複数シードリアルタイム更新トエプリッツハッシュ抽出器の並列およびリアルタイム実装について検討し、並列QRNGを実現する。 高性能ADCを用いて,20Gbpsを超えるランダム数生成率を得た。 これは、チップベースの並列QRNGへの重要なステップであり、信頼性、デバイス非依存、セミデバイス非依存のシナリオにおけるCVQRNGの実用性を高めている。
  論文  参考訳（メタデータ） (2024-03-28T15:05:39Z)
• LL-GNN: Low Latency Graph Neural Networks on FPGAs for High Energy Physics [45.666822327616046]
  本研究は,粒子検出器のための低グラフニューラルネットワーク(LL-GNN)設計のための新しい再構成可能なアーキテクチャを提案する。 LL-GNNの設計は、洗練されたアルゴリズムが実験データを効率的に処理できるようにすることで、次世代のトリガーシステムを進化させる。
  論文  参考訳（メタデータ） (2022-09-28T12:55:35Z)
• Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
  時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。 トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
  論文  参考訳（メタデータ） (2021-04-09T14:26:25Z)
• 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)

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。