Certificación de un generador de números aleatorios cuántico mediante Machine Learning.

Abstract

El presente trabajo constituye un estudio de la aleatoriedad de las secuencias numéricas produci das por un generador de números aleatorios cuántico (QRNG) basado en el principio de fluctuaciones del vacío. Para este fin, se implementaron tres modelos de Machine Learning: una red neuronal pre alimentada (FNN), una red neuronal recurrente con arquitectura de memoria larga a corto plazo (LSTM), y una red neuronal recurrente convolucional (RCNN). Estas se sometieron a un proceso de aprendizaje con el propósito de analizar las cadenas numéricas del generador antes y después de una etapa de posproceso, para observar si correlaciones presentes antes de dicho procedimiento se desva necen luego de aplicarlo. Similarmente, a fin de validar las capacidades predictivas de las redes, se realizó un ataque sobre un generador de números pseudoaleatorios (PRNG) basado en congruencia lineal. Los resultados del estudio indicaron que las redes lograron detectar una pequeña cantidad de correlaciones en la data antes del posproceso, obteniendo una capacidad predictiva que supera la probabilidad de adivinar el próximo número de la secuencia por poco menos de un 1 %. Se observó que la FNN fue la red más apta en este análisis. Por su parte, las secuencias posprocesadas no mostraron contar con correlaciones, demostrando la resistencia del generador contra las técnicas de aprendizaje aplicadas en este estudio. Por último, el ataque sobre el PRNG verificó que los tres modelos cuentan con las capacidades deseadas, dado que superaron la probabilidad de adivinar de este generador por más de un 80 %.