1517 Поиск и исправление ошибок в квантовой криптографии методами машинного обучения

Деркач Денис Александрович

руководитель проекта

Старт

23.03.2023

Представление

17.04.2023

Постерная сессия

13.06.2023

Защита

03.11.2023

Паспорт проекта

Аннотация

Важным этапом постобработки секретного ключа в протоколах квантового распределения ключа (КРК) является поиск и исправление битовых ошибок на стороне приёмника/передатчика. В устройствах QRate для этого используются LDPC (low-density parity-check) коды коррекции, широко применяющиеся в современных телекоммуникациях, а также техника подбора скорости LDPC кода на основании слепой оценки уровня квантовых ошибок QBER (quantum bit error rate). Главной единицей коррекции ошибок является фрэйм — блок...

Отрасль

Информатика

Цель

Получить решение машинного обучения, позволяющее предсказывать и снижать ошибки квантового шифрования

Ожидаемые результаты

В рамках проекта предлагается улучшить эффективности работы существующей реализации с помощью применения алгоритмов машинного обучения. Предполагается разработать алгоритм для алгоритма машинного обучения, который на основе анализа
• QBER предыдущих фрэймов
• QBER вспомогательных состояний-приманок
• теоретической модели
будет
• максимально точно предсказывать априорный QBER для текущего фрэйма

Форма и способы промежуточного контроля

Регулярные встречи с руководителем проекта и внешними исследователи, презентации на регулярных встречах.

Форма представления результатов

Презентация, тетрадка с кодом, научная статья.

Ресурсное обеспечение

Всё необходимое оборудование предоставляет НИУ ВШЭ. Реальные данные получаются на установке НИТУ МИСИС

Имеющийся задел

Для оценки текущего значения сигнального QBER на основе измеренных QBER и вероятностей детектирования для сигнальных состояний и состояний-приманок в предыдущих фреймах была обучена рекуррентная нейронная сеть, использующая архитектуру длинной цепи элементов краткосрочной памяти LSTM (Long short-term memory) и состоящую из следующих двух последовательно соединённых слоёв: двунаправленный LSTM-слой из 128 нейронов, и полносвязный выходной слой (Dense) из 7 нейронов. Сеть обучалась алгоритмом...