論文の概要: A Security Framework for Chemical Functions

• arxiv url: http://arxiv.org/abs/2601.14019v1
• Date: Tue, 20 Jan 2026 14:36:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.353056
• Title: A Security Framework for Chemical Functions
• Title（参考訳）: 化学機能のためのセキュリティフレームワーク
• Authors: Frederik Walter, Hrishi Narayanan, Jessica Bariffi, Anne Lüscher, Rawad Bitar, Robert Grass, Antonia Wachter-Zeh, Zohar Yakhini,
• Abstract要約: 化学システムをノイズの多い課題としてモデル化する統一的なフレームワークであるケミカル関数を導入します。 有限状態とインスタンス状態の両方における化学関数のロバスト性、非閉塞性、予測不可能性を定義する。 製品内認証や共有鍵生成への応用を実証する。
• 参考スコア（独自算出の注目度）: 19.45782964662023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce chemical functions, a unified framework that models chemical systems as noisy challenge--response primitives, and formalize the associated chemical function infrastructure. Building on the theory of physical functions, we rigorously define robustness, unclonability, and unpredictability for chemical functions in both finite and asymptotic regimes, and specify security games that capture the adversary's power and the security goals. We instantiate the framework with two existing DNA-based constructions (operable random DNA and Genomic Sequence Encryption) and derive quantitative bounds for robustness, unclonability, and unpredictability. Our analysis develops maximum-likelihood verification rules under sequencing noise and partial-edit models, and provides high-precision estimates based on binomial distributions to guide parameter selection. The framework, definitions, and analyses yield a reproducible methodology for designing chemically unclonable authentication mechanisms. We demonstrate applications to in-product authentication and to shared key generation using standard extraction techniques.
• Abstract（参考訳）: 本稿では,化学系をノイズの多い課題としてモデル化する統一フレームワークであるケミカル・ファンクションを導入し,関連するケミカル・ファンクション・インフラストラクチャーを形式化する。 物理関数の理論に基づいて、有限かつ漸近的な状態における化学関数の頑健性、無拘束性、予測不可能性を厳格に定義し、敵の力とセキュリティ目標を捉えるセキュリティゲームを指定する。 我々は、このフレームワークを既存の2つのDNAベース構造(操作可能なランダムDNAとゲノム配列暗号化)でインスタンス化し、ロバスト性、非拘束性、予測不可能性の定量的境界を導出する。 本分析では,ノイズおよび部分エディットモデルに基づいて,パラメータ選択を導出するための二項分布に基づく高精度な推定を行う。 フレームワーク、定義、分析は、化学的に拘束不能な認証機構を設計するための再現可能な方法論を提供する。 標準抽出手法を用いて、製品内認証や共有鍵生成への応用を実証する。

関連論文リスト

• Task-Specific Sparse Feature Masks for Molecular Toxicity Prediction with Chemical Language Models [5.563119267291969]
  本稿では,精度と解釈可能性の両立を図るために,新しいマルチタスク学習(MTL)フレームワークを提案する。 我々のアーキテクチャは、共通化学言語モデルとタスク固有のアテンションモジュールを統合している。 これらのモジュールにL1のスパーシリティのペナルティを課すことにより、このフレームワークは個々の毒性エンドポイントに対して最小限の塩分分子フラグメントに焦点を絞ることに制約される。
  論文  参考訳（メタデータ） (2025-12-12T09:41:04Z)
• ChemOrch: Empowering LLMs with Chemical Intelligence via Synthetic Instructions [52.79349601462865]
  ChemOrchは化学的に接地した命令応答対を合成するフレームワークである。 ChemOrchは、生成したタスクに対して、制御可能な多様性と難易度を実現する。
  論文  参考訳（メタデータ） (2025-09-20T05:43:58Z)
• ToxiEval-ZKP: A Structure-Private Verification Framework for Molecular Toxicity Repair Tasks [13.708345467845968]
  本稿では,分子毒性修復の課題に焦点をあてる。 構造プライベートな検証フレームワークであるToxiEval-ZKPを提案する。 このタスクの評価プロセスにゼロ知識証明機構を導入する。
  論文  参考訳（メタデータ） (2025-08-16T13:19:47Z)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• Breaking Bad Molecules: Are MLLMs Ready for Structure-Level Molecular Detoxification? [19.700175505235876]
  ToxiMolは、分子毒性の修復に焦点を当てた汎用マルチモーダル言語モデル(MLLM)のための最初のベンチマークタスクである。 11の一次課題と560の有毒な分子を包含し, 多様な機構と粒度にまたがる標準データセットを構築した。
  論文  参考訳（メタデータ） (2025-06-12T17:25:53Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)

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。