XiaoMi-AI文件搜索系统
World File Search SystemPQC
单个小分子组装的线粒体靶向纳米纤维用于增强体内光动力癌症治疗
光动力疗法 (PDT) 已成为癌症治疗中一种有吸引力的替代方法，但由于小分子光敏剂的非选择性亚细胞定位和肿瘤内滞留性差，其治疗效果受到限制。本文报道了一种由靶向两亲性小分子的线粒体组成的纤维形成纳米光敏剂 (PQC NF)。利用特定的线粒体靶向性，光激活的 PQC NF 在细胞中产生的活性氧 (ROS) 量比游离光敏剂高出约 110 倍，并可显著诱导线粒体破坏以引发强烈细胞凋亡，其体外抗癌效力比传统光敏剂高 20-50 倍。作为纤维状纳米材料，PQC NF 还表现出在肿瘤部位的长期滞留性，解决了快速清除肿瘤中小分子光敏剂的难题。凭借这些优势，PQC NF 仅需一次给药即可在皮下和原位口腔癌模型中实现 100% 的完全治愈率。这种单一小分子组装的线粒体靶向纳米纤维为改善传统 PDT 的体内治疗效果提供了一种有利的策略。
参数化量子电路的多目标进化架构搜索
摘要：最近关于混合量子-经典机器学习系统的研究已证明，利用参数化量子电路 (PQC) 解决具有挑战性的强化学习 (RL) 任务是成功的，并且与经典系统（例如深度神经网络）相比具有可证明的学习优势。虽然现有研究展示并利用了基于 PQC 的模型的优势，但 PQC 架构的设计选择以及不同量子电路在学习任务中的相互作用通常尚未得到充分探索。在这项工作中，我们引入了一种用于参数化量子电路 (MEAS-PQC) 的多目标进化架构搜索框架，该框架使用具有量子特定配置的多目标遗传算法来高效搜索最佳 PQC 架构。实验结果表明，我们的方法可以找到在三个基准 RL 任务上具有出色学习性能的架构，并且还针对其他目标进行了优化，包括减少量子噪声和模型大小。进一步分析量子操作的模式和概率分布有助于确定混合量子-经典学习系统的性能关键设计选择。
车载通信后量子密码性能分析
近年来，量子计算 (QC) 越来越受到人们的重视，人们提出了利用量子傅里叶变换通过多项式时间可计算性来解决隐藏子群问题。此外，一些包含隐藏子群的密码方法 [如 RSA (Rivest-Shamir-Adleman) 和椭圆曲线密码 (ECC)] 可能会被 QC 破解。因此，没有隐藏子群的后量子密码 (PQC) 方法 [如基于格、基于多变量和基于代码的密码方法 [1]] 对于防御 QC 攻击具有重要意义。对于车辆通信的安全，已经基于公钥基础设施 (PKI) 设计了安全证书管理系统 (SCMS) [2] 和合作智能交通系统证书管理系统 (CCMS)。然而，这些系统中使用的密码方法都是 ECC，QC 可能会带来安全威胁。因此，可以考虑使用 PQC 方法代替 ECC 来提高安全级别。本研究将调查和讨论应用于 SCMS 和 CCMS 的 PQC 方法。此外，基于格的密码学方法是 PQC 方法的主流技术 [1]。因此，将比较标准基于格的密码学方法（即 Dilithium 和 Falcon）的性能。本研究的主要贡献如下。
收到有关 NIST IR 8547 (ipd)《向后量子密码标准过渡》的公众意见
由于“先收集，后解密”的场景，我同意在 PQC 范围内解决机密性通常比解决真实性更为紧迫的评估。幸运的是，集成 ML-KEM（例如，作为混合解决方案）的工程权衡通常对于大多数用例都是可以接受的。不幸的是，对于 PQC 迁移范围内相对不那么紧迫的问题，情况并非如此（例如，将 ML-DSA 集成到 TLS 中通常会导致握手期间的额外往返，因为 TCP 的常用初始窗口大小也是在不同的网络层确定的）。因此，在我看来，如果可以预见 CRQC 可能在未来几年内实际实现，那么将 PQC 签名方案集成到 TLS 等协议中才是合理的权衡。我目前没有看到这种紧迫性。
Quantum On-Chip训练具有参数移位和梯度P
参数化的量子电路（PQC）由于其在近期嘈杂的中间尺度量子（NISQ）硬件上实现量子优势的潜力，使搜索兴趣增加了搜索兴趣。为了实现可扩展的PQC学习，需要将培训过程卸载到真实的量子机上，而不是使用指数性的经典模拟器。获得PQC差异的一种常见方法是参数移位，其成本与量子数的数量线性缩放。我们提出了QoC，这是与参数转移的实用片上PQC训练的第一次实验证明。永无止境，我们发现，由于真实机器上的明显量子误差（噪声），从幼稚的参数转移获得的梯度具有较低的保真度，从而降低了训练精度。为此，我们进一步提出了概率梯度修剪，以首先识别具有潜在误差的梯度，然后将其删除。特定的是，小梯度的相对误差比大梯度更大，因此可以修剪的可能性更高。我们使用5台实际量子机对5个分类任务进行量子神经网络（QNN）基准进行广泛的实验。恢复表明，对于2级和4级图像分类任务，我们的片训练的精度超过90％和60％。概率梯度修剪带来了高达7％的PQC准确性实现，没有任何修剪。总体而言，与无噪声模拟相比，我们成功获得了类似的片上训练精度，但具有更好的训练性可伸缩性。QOC代码可在Torchquantum库中可用。
密码敏捷性的设计特点
一旦量子计算机达到一定的性能水平，它们就有望打破传统的公钥密码学。因此，人们一直在努力对后量子密码学 (PQC) 进行标准化，以抵御量子计算机带来的攻击。1 然而，考虑到密码学在企业 IT 中的广泛使用，从传统公钥密码学过渡到 PQC 并不是一个临时的替代。事实上，自 1976 年 Diffie 和 Hellman 在论文 [ 1 ]《密码学的新方向》中做出开创性工作以来，我们从未经历过公钥密码学的全面替代。Rose 等人 [ 2 ] 探讨了这一转变所涉及的复杂性和战略前提，声称许多信息系统如果不对其基础设施进行大量且耗时的修改，就无法采用新的密码算法或标准。Ott 等人 [ 3 ] 指出文献中缺乏相关研究，并质疑应用密码学和系统研究界是否充分理解并提供高效安全的密码过渡框架。认识到迁移到 PQC 的复杂性，白宫发布了《国家安全备忘录》（NSM-10）2，指示美国国家标准与技术研究所（NIST）启动“迁移到 PQC”项目 3，邀请行业专家为迁移到 PQC 开发最佳实践和工具。NSM-10 强调了加密敏捷性在迁移工作中的重要性，旨在缩短过渡时间并促进未来加密标准的无缝更新。根据美国国土安全部的说法，加密敏捷性或加密敏捷性是一种设计功能，允许敏捷更新新的加密算法和标准，而无需修改或替换周围的基础设施。4
量子计算机时代的网络安全的未来
摘要：2022 年 8 月的第一周，全球密码学家正在努力应对今年的第二件大事。NIST（美国国家标准与技术研究所）经过 5 年的严格筛选，选出了四种后量子密码 (PQC) 算法，其中一种被比利时的一个团队破解。他们仅用 62 分钟和一台标准笔记本电脑就破解了 PQC 算法，并赢得了微软 50,000 美元的赏金。第一个大事发生在 6 个月前，当时另一位 NIST 决赛选手（Rainbow）被淘汰。不幸的是，这两种失败的 PQC 算法都可以在市场上买到。由于 82 个 PQC 候选算法中有 80 个未能通过 NIST 标准化过程，剩下的两种 PQC 算法的未来充其量也只是个疑问，这使得 NIST 为期 5 年的严格量子安全加密标准构建工作陷入危险。与此同时，迫在眉睫的量子威胁仍未得到缓解。现在是时候让我们退一步，重新审视问题的病因了。尽管最先进的计算机安全严重依赖于密码学，但它确实可以超越加密。本文分析了一种与加密无关的方法，这种方法可能使计算机具有抗量子性。零漏洞计算 (ZVC) 通过禁止所有第三方权限来保护计算机，这是大多数漏洞的根本原因。ZVC 消除了传统计算机多层架构的复杂性，并在芯片 (3SoC) 上构建了一个简约、紧凑的固态软件，该软件功能强大、节能，并且可能抵抗恶意软件和量子威胁。
Quantum World中的卡支付系统的安全性
量子计算机有可能打破加密方案，例如Rivest -Shamir -adleman（RSA）和椭圆曲线密码学（ECC）；这些用于emv®卡支付系统，用于离线身份验证到付款终端，从终端到卡到卡的离线PIN加密以及安全的频道通信。考虑到这一点，并假设将来可以使用量子计算机，则本文档讨论了卡支付系统的特定风险量子计算姿势，并介绍了Quantum Cryptography（PQC）（PQC） - 数学，量子物理学和计算机科学的交集的新领域。它还提供了一些时间轴预测，以及有关从RSA到ECC再到PQC的迁移路径的建议，以供离线支付。2。使用经典加密来保护卡付款：概述
从安全角度看 QKD
推荐机制：FrodoKEM-976（[5] 中的第 2.5 节）、FrodoKEM-1344（[5] 中的第 2.5 节）和 Classic McEliece，其参数在 [14] 第 7 节中属于第 3 和第 5 类，在密码学上适合长期保密保护，符合本技术指南所针对的安全级别。这是一个相当保守的评估，为未来可能的密码分析进展留出了相当大的安全余地。本文档的未来修订版可能会评估其他参数选择和 PQC 方案在技术上是否合适。FrodoKEM 未被列入 NIST PQC 项目第三轮的决赛入围者之列，而是作为备选方案。这主要是出于对该方案效率的考虑；其安全性毋庸置疑。因此，BSI 仍然推荐 FrodoKEM 作为 PQC 方案，具有较高的安全余地，可抵御未来的攻击。更多详细信息请参见 [12]。
量子电路和张量网络之间的协同作用
虽然最近的突破已经证明了嘈杂的中型量子 (NISQ) 设备能够在经典的难处理采样任务中实现量子优势，但使用这些设备解决更实际相关的计算问题仍然是一个挑战。实现实际量子优势的提案通常涉及参数化量子电路 (PQC)，其参数可以进行优化以在整个量子模拟和机器学习中找到解决各种问题的解决方案。然而，训练 PQC 以解决实际问题仍然是一个重大的实际挑战，这主要是由于随机初始化的量子电路的优化景观中存在贫瘠高原现象。在这项工作中，我们引入了一种可扩展的程序，用于利用经典计算资源来确定 PQC 的任务特定初始化，我们表明这显著提高了 PQC 在各种问题上的可训练性和性能。对于特定的优化任务，该方法首先利用张量网络 (TN) 模拟来识别有希望的量子态，然后通过高性能分解过程将其转换为 PQC 的门参数。我们表明，这种特定于任务的初始化避免了贫瘠的高原，并有效地将经典资源的增加转化为训练量子电路的增强性能和速度。通过展示一种使用经典计算机来提升有限量子资源的方法，我们的方法说明了量子计算中量子和量子启发模型之间的这种协同作用的前景，并开辟了利用现代量子硬件的力量实现实际量子优势的新途径。