机构名称：
¥ 1.0
摘要：随着物联网技术的发展，我们的生活中正在使用许多传感器设备。为了保护此类传感器数据，应用了轻质块密码技术，例如Speck-32。但是，还研究了这些轻型密码的攻击技术。块密码具有不同的特征，这些特征在概率上是可以预测的，因此已使用深度学习来解决此问题。自GOHR在加密货币2019年的工作以来，已经对基于深度学习的杰出者进行了许多研究。当前，随着量子计算机的开发，量子神经网络技术正在开发。量子神经网络也可以像经典的神经网络一样学习并对数据进行预测。但是，当前的量子计算机受许多因素（例如，可用量子计算机的规模和执行时间）的限制，这使量子神经网络很难超越经典的神经网络。量子计算机比经典计算机具有更高的性能和计算速度，但这在当前的量子计算环境中无法实现。然而，找到未来量子神经网络在技术开发中起作用的领域非常重要。在本文中，我们提出了NISQ中块密码Speck-32的第一个基于量子神经网络的区别。我们的量子神经差异化因素即使在受约束条件下也成功进行了多达5轮。此外，我们对影响量子神经区分因子性能的各种因素进行了深入分析。由于我们的实验，经典神经区分器的精度为0.93，但是由于数据，时间和参数的限制，我们的量子神经区分剂的精度为0.53。由于环境受到约束，它不能超过经典神经网络的性能，但是它可以作为区别者起作用，因为它的精度为0.51或更高。因此，确定了嵌入方法，量子数和量子层等具有效果。事实证明，如果需要一个高容量的网络，我们必须正确调整，以考虑电路的连接性和复杂性，而不仅仅是添加量子资源。将来，如果有更多的量子资源，数据和时间可用，则可以通过考虑本文提出的各种因素来设计实现更好性能的方法。
基于量子神经网络基于Speck- ...
主要关键词
相关文件推荐
