XiaoMi-AI文件搜索系统
World File Search System随机数
基于光纤萨格纳克干涉仪的可调量子随机数发生器
摘要 量子随机数生成器 (QRNG) 基于对单个量子系统执行的自然随机测量结果。在这里，我们展示了使用具有可调分光比的 Sagnac 干涉仪实现的分支路径光子 QRNG。分光比的微调使我们能够最大化生成的随机数序列的熵，并有效地补偿组件中的公差。通过从衰减的电信激光脉冲产生单光子，并使用市售组件，我们能够直接从原始测量数据生成超过 2 GB 的随机数序列，平均熵为 7.99 位/字节。此外，我们的序列通过了 NIST 和 Dieharder 统计测试套件的随机性测试，从而证明了其随机性。我们的方案展示了一种基于动态调整生成的随机序列均匀性的 QRNG 替代设计，这对于依赖于独立实时测试其性能的现代生成器的构建至关重要。
基于同差的量子随机数发生器，速度达 2.9 Gbps，可抵御量子边信息
量子随机数生成器 (QRNG) 承诺生成完全不可预测的随机数。然而，以随机模型形式对随机数进行安全认证通常会引入难以证明或不必要的假设。两个重要的例子是将对手限制在经典机制中以及连续测量结果之间的相关性可以忽略不计。此外，不严格的系统特性会打开一个安全漏洞。在这项工作中，我们通过实验实现了一个不依赖于上述假设的 QRNG，其随机模型是通过严格的计量方法建立的。基于真空涨落的正交测量，我们展示了 8 GBit/s 的实时随机数生成率。我们的安全认证方法提供了许多实际好处，因此将在量子随机数生成器中得到广泛应用。特别是，我们生成的随机数非常适合当今的传统和量子加密解决方案。
使用混合深度学习模型预测伪随机和量子随机数序列
随机数生成是许多应用程序的关键组成部分，包括加密，安全通信系统，模拟和概率算法。伪随机数生成器（PRNGS）和量子随机数生成器（QRNG）是两种主要类型的随机数生成器，QRNG由于其固有的不可预测性提供了更好的安全性[1]。但是，预测PRNG和QRNG序列仍然是评估其安全性和可靠性的重要任务。深度学习技术，例如卷积神经网络（CNN），长期记忆（LSTM）网络和RNN，已在各种时间序列预测任务中广泛使用[2]。在本文中提出了一个混合深度学习模型，该模型结合了CNN，LSTMS和RNN来预测PRNG和QRNG序列。该模型在包含PRNG和QRNG序列的数据集上进行了训练和评估。
实现非局部分散取消保护的无关量子量子随机数发生器
摘要。量子随机数发生器（QRNG）可以通过利用量子力学的固有概率性质来提供真正的随机性，量子力学在许多应用中起着重要作用。但是，真正的随机性获取可能会受到所涉及的不受信任设备的攻击，或者它们与现实生活实施中理论建模的偏差。我们提出并在实验上演示了独立于源设备的QRNG，该QRNG使人们能够使用不信任的源设备访问真实的随机位。随机位是通过测量时间的任何一个光子的到达时间 - 通过自发参数下调产生的能量纠缠的光子对的到达时间，在此通过观察非局部分散剂取消来证明纠缠。在实验中，我们通过改进的熵不确定性关系提取4 Mbps的生成速率，可以通过使用高级单光子检测器将其改进到每秒千兆位。我们的方法为QRNG提供了有前途的候选人，而实际上没有表征或容易出错的源设备。
通用的时键量子量子随机数生成器，带有未表征的设备
基于量子力学的抽象随机数生成器（RNG）由于其安全性和与常规发电机相比的安全性和不可预测性而引人注目，例如pseudo-random编号生成器和硬件随机数字生成器。这项工作分析了可提取量的随机性的演变，并增加了希尔伯特空间维度，状态制备子空间或测量子空间中的一类半脱位独立量子RNG，其中界定状态的重叠是核心假设，是基于准备和测量方案的核心假设。我们进一步讨论了这些因素对复杂性的影响，并在最佳场景上得出结论。我们研究了定义各种输入（状态准备）和结果（测量）子空间的定义各种输入（状态准备）的通用情况，并讨论最佳场景以获得最大的熵。对几种输入设计进行了实验测试，并分析了其可能的结果布置。我们通过考虑设备的缺陷来评估他们的性能，尤其是检测器的后脉冲效果和黑暗计数。最后，我们证明了这种方法可以增强系统熵，从而导致更可提取的随机性。
![arXiv:2108.13329v1 [quant-ph] 2021 年 8 月 30 日 - SFB 876](/simg/g:\will\search\icon\source\e\e809d26872a3b281f33700ed673156ae35cf0ec5.webp)
arXiv:2108.13329v1 [quant-ph] 2021 年 8 月 30 日 - SFB 876
实用量子计算的最新进展催生了各种基于云的量子计算平台，使研究人员能够在嘈杂的中型量子 (NISQ) 设备上评估他们的算法。量子计算机的一个共同特性是它们表现出真正的随机性，而不是从经典系统获得的伪随机性。在机器学习的背景下研究这种真正的量子随机性的影响很有吸引力，最近的结果模糊地表明，使用量子随机数确实可以带来好处。为了进一步阐明这一主题，我们在数值实验中实证研究了硬件偏置量子随机数对人工神经网络权重初始化的影响。我们发现与无偏量子随机数以及来自经典伪随机数生成器的有偏和无偏随机数相比，没有统计学上的显着差异。我们实验中的量子随机数是从真实的量子硬件中获得的。
弥合随机数生成标准之间的差距：SP 800-90系列和AIS的比较20/31
nist IR 8446 IPD（首次公开草稿）2024年9月，在RNG比较SP 800-90系列和AIS 20/31
随机磁性驱动的随机传感器设备
真正的随机数发生器在许多计算应用中引起了极大的兴趣，例如密码学，神经形态系统和蒙特卡洛模拟。在这里，我们研究了这种应用，在弹道极限内通过短持续时间（NS）脉冲激活的垂直磁性隧道连接纳米柱（PMTJ）。在此极限中，脉冲可以将初始自由层磁力态的玻尔兹曼分布转换为随机磁性下降或向上的状态，即有一个0或1的位，很容易通过测量结的隧道电阻来确定。证明，具有数百万事件的比特斯流：1）通过正态分布非常近似； 2）通过多个统计测试进行真实随机性，包括所有仅具有一个XOR操作的随机数发电机的国家规范研究所测试； 3）可用于创建8位随机数的均匀分布； 4）随着时间的推移，位概率不会漂移。此处介绍的结果表明，与其他随机纳米磁性设备相比，在弹道制度中运行的PMTJ可以在50 MHz比特率下生成真实的随机数，同时对环境变化（例如其工作温度）的稳定性更大。
