Группа исследователей из России разработала инновационный метод, который позволяет применять легковесные системы машинного обучения, то есть ИИ, для более эффективного прогнозирования уровня квантовых ошибок в системе распределения ключей. Это усовершенствование повышает надёжность и скорость работы систем квантовой связи, сообщает пресс-служба НИТУ МИСИС.
Система распределения ключей в квантовых компьютерах обычно относится к технологии квантовой криптографии, которая использует принципы квантовой механики для безопасной передачи криптографических ключей. Она позволяет генерировать общий секретный ключ, который невозможно перехватить без обнаружения.
Созданный учёными алгоритм использует машинное обучение для динамической оптимизации коррекции ошибок в системах квантового распределения ключей. Ректор НИТУ МИСИС Алевтина Черникова рассказала, что разработка стала важным шагом к созданию масштабируемых и практичных квантовых сетей. Её авторами стали учёные из НИТУ МИСИС, ВШЭ, а также отечественной компании QRate в рамках стратегического проекта «Квантовый интернет». Его цель: обеспечение максимальной защищённости данных в квантовых сетях.
Теоретически такая защита должна основываться на принципах квантовой механики, однако в реальности возникают помехи в оптоволоконных линиях. Из-за этого по завершении сеанса связи пользователи получают «сырые» ключи, которые должны совпадать. Из-за естественных шумов или вмешательства злоумышленников всегда возникают ошибки, которые исправляются с помощью кодов коррекции. Алгоритм в режиме реального времени анализирует данные и подбирает оптимальный алгоритм коррекции.
Системы коррекции разбивают ключи на небольшие блоки, каждому из которых соответствует контрольная сумма, передаваемая по открытому каналу. Это позволяет выявлять и исправлять несовпадающие биты, но с уменьшением размеров блоков верификация замедляется, что делает процесс более уязвимым для злоумышленников.
Российские учёные обнаружили, что размеры блоков можно оптимально подбирать, предсказывая частоту возникновения ошибок при передаче ключей, обучая легковесные системы машинного обучения на реальных данных, полученных в процессе наблюдений за квантовыми линиями связи. Такой подход обеспечивает быструю адаптацию к изменениям в работе системы, что позволяет надёжно и быстро передавать ключи шифрования.
