В эпоху мгновенного обмена данными и растущих рисков кибератак учёные ищут надёжные методы передачи информации. Одним из перспективных решений является квантовая криптография — технология, использующая одиночные фотоны для создания шифровальных ключей.
Команда из Варшавского университета разработала и протестировала в городской инфраструктуре новую систему квантового распределения ключей (QKD)
Система использует так называемое кодирование высокой размерности. Предложенная установка проще в сборке и масштабировании, чем существующие решения, и основана на явлении, известном физикам почти два века — эффекте Тальбота. Результаты исследования опубликованы в журналах Optica Quantum, Optica и Physical Review Applied.
«Наше исследование посвящено квантовому распределению ключей (QKD) — технологии, которая использует одиночные фотоны для создания безопасного криптографического ключа между двумя сторонами», — говорит доктор Михал Карпинский, руководитель Лаборатории квантовой фотоники на факультете физики Варшавского университета.
Традиционно в QKD используются кубиты — простейшие единицы квантовой информации. Однако этот метод не всегда соответствует требованиям более требовательных приложений. Поэтому исследователи работают над многомерным кодированием
Вместо кубитов, которые дают один из двух результатов измерения, используются более сложные квантовые состояния, которые могут принимать несколько значений.
В Лаборатории квантовой фотоники исследователи фокусируются на суперпозициях временных бинов фотонов — ситуациях, когда фотон не является ни «раньше», ни «позже», а существует в комбинации этих состояний. Время обнаружения одиночного фотона в такой суперпозиции даёт случайный результат. Такое состояние кодирует информацию, используя отношение между более ранними и более поздними импульсами, то есть в фазе световой волны.
«До сих пор было возможно эффективное обнаружение суперпозиций двух импульсов — более раннего и более позднего. Мы сделали шаг вперёд: нас интересуют случаи с большим количеством временных бинов, от двух до четырёх или даже больше», — добавляет доктор Карпинский.
Исследователи вдохновились эффектом Тальбота — явлением классической оптики, впервые описанным в 1836 году Генри Фоксом Тальботом, пионером фотографии.
«Когда свет проходит через дифракционную решётку, его изображение повторяется через равные промежутки времени — как будто оно „воскресает“ на определённом расстоянии. Интересно, что тот же эффект возникает не только в пространстве, но и во времени, при условии, что регулярный поток световых импульсов распространяется в диспергирующей среде, такой как оптическое волокно», — объясняет Мачей Огродник, аспирант физического факультета Варшавского университета.
«Благодаря пространственно-временной аналогии в оптике мы можем применить эффект Тальбота к коротким световым импульсам, включая одиночные фотоны, — тем самым получая новые возможности для анализа и обработки квантовых состояний. В нашем случае последовательность световых импульсов действует как дифракционная решётка и может „самовосстанавливаться“ во времени при дисперсии после прохождения некоторого расстояния в оптическом волокне. Более того, характер интерференции импульсов зависит от их фазы, что позволяет нам обнаруживать различные типы суперпозиций», — продолжает Огродник.
Исследовательская группа из Варшавского университета разработала экспериментальную четырёхмерную систему QKD.
«Важно, что вся установка построена с использованием коммерчески доступных компонентов. Ключевой момент заключается в том, что системе требуется только один детектор фотонов для регистрации суперпозиций множества импульсов — вместо сложной сети интерферометров», — говорит Адам Видомский, аспирант физического факультета Варшавского университета.
«Это значительно снижает сложность и стоимость системы измерения. Кроме того, наш метод не требует отдельной, часто трудоёмкой и сложной калибровки приёмника», — добавляет Видомский.
Учёные из Варшавского университета испытали своё решение как в лабораторных оптических волокнах, так и в волоконной инфраструктуре Варшавского университета на расстояниях в несколько километров
«Благодаря новому методу, использующему временной эффект Тальбота, мы успешно продемонстрировали QKD с двумерным и четырёхмерным кодированием, используя один и тот же передатчик и приёмник. Несмотря на ошибки, присущие простому экспериментальному подходу, наши результаты подтверждают более высокую информационную эффективность системы, вытекающую из многомерного кодирования», — говорит Видомский.
Основным преимуществом QKD является его теоретическая безопасность, которая может быть доказана при базовых предположениях. По этой причине с самого начала проекта исследователи из Варшавского университета сотрудничали с группами в Италии и Германии, специализирующимися на доказательствах безопасности QKD.
«Более детальный анализ показывает, что стандартное описание многих протоколов QKD неполно, чем могут воспользоваться злоумышленники. К сожалению, наш метод разделяет эту уязвимость. Мы приняли участие в усилиях по решению этой проблемы. Наши коллеги обнаружили, что определённая модификация приёмника позволяет собирать больше данных, тем самым устраняя уязвимость. Доказательство безопасности нового протокола было опубликовано в Physical Review Applied, и в нашей последней статье мы обсуждаем его применение к нашему эксперименту», — говорит Огродник.
Искусственный интеллект эффективно решает сложные уравнения в физике
Дифференциальные уравнения являются фундаментальными инструментами в физике: они используются для описания явлений, начиная от гидродинамики и заканчивая общей теорией относительности. Но когда эти уравнения становятся жёсткими (то есть они включают в себя очень разные масштабы или высокочувствительные параметры), их становится чрезвычайно трудно решить. Это особенно актуально для обратных задач, где учёные пытаются вывести неизвестные физические законы из наблюдаемых данных.
Чтобы решить эту задачу, исследователи усовершенствовали возможности Physics-Informed Neural Networks (PINNs) — типа искусственного интеллекта, который включает физические законы в свой процесс обучения.
Их подход, описанный в Communications Physics, сочетает в себе две инновационные техники: многоголовое (MH) обучение, которое позволяет нейронной сети изучать общее пространство решений для семейства уравнений, а не только один конкретный случай, и унимодулярную регуляризацию (UR), вдохновлённую концепциями дифференциальной геометрии и общей теории относительности, которая стабилизирует процесс обучения и улучшает способность сети обобщать на новые, более сложные задачи.
Эти методы были успешно применены к трём всё более сложным системам: уравнению пламени, осциллятору Ван дер Поля и уравнениям поля Эйнштейна в голографическом контексте. В последнем случае исследователи смогли восстановить неизвестные физические функции из синтетических данных, задача, ранее считавшаяся почти невыполнимой.
«Последние достижения в области эффективности обучения машинному обучению сделали PINNs всё более популярными за последние несколько лет», — говорит Педро Таранкон-Альварес, докторант ICCUB. «Эта структура предлагает несколько новых функций по сравнению с традиционными численными методами, в первую очередь способность решать обратные задачи».
«Решение этих обратных задач похоже на попытку найти решение задачи, в которой отсутствует часть; правильная часть будет иметь уникальное решение, неправильные могут не иметь решения или иметь несколько решений», — добавляет Пабло Техерина-Перес, докторант ICCUB.
«Можно попытаться изобрести недостающую часть задачи, а затем посмотреть, можно ли её решить должным образом — наши PINNs делают то же самое, но гораздо более умным и эффективным способом, чем мы могли бы», — заключают исследователи.