Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Математические вопросы криптографии

Information theoretically secure key sharing protocol executing with constant noiseless public channels

Коржик Валерий Иванович, Vladimir Starostin, М. М. Кабардов, Aleksandr Gerasimovich, Viktor Yakovlev, Aleksei Zhuvikin

Published Sep 1, 2021• 6 citations
Publisher

Abstract

Предлагается новый протокол обмена ключами, работающий с постоянными общедоступными каналами без шумов (по крайней мере, без шумов для перехватчиков) и не использующий стандартные сложностные предположения. Протокол основан на схеме EVSKey, недавно предложенной Цинем и Дингом. Показано, что такая схема нестойкая, для повышения ее стойкости вводятся искусственный шум и процедура повышения конфиденциальности. Вероятности ключевых битовых ошибок как для законных, так и для нелегальных пользователей оценены с помощью моделирования. Вероятности декодирования ошибок рассчитаны для кодов LDPC. Оценен объем утечки информации Шеннона злоумышленникам. Приведен также канальный трафик, необходимый для выполнения предложенного протокола.

DOI
10.4213/mvk378

Related papers

A security proof for key exchange protocols

Triệu Quang Phong, N Q Toan, K X Thanh

Предлагается модулярный метод доказательства защищенности протоколов обмена ключами в модифицированной модели Белара-Рогавея, введенной К. Кудла и К. Г. Патерсоном. Этот метод использован для преобразования Протокола 1 из их статьи в Протокол 2 и анализа его защищенности в этой модели. Протоколы 1 и 2 различаются только комбинацией разового и постоянного секретных ключей при вычислении сеансового ключа. Наш метод доказательства того, что Протокол обеспечивает сильное партнерство, можно применить при доказательстве аналогичного утверждения К. Кудла и К. Г. Патерсона.

Математические вопросы криптографии•Jan 1, 2016•0 citations

Повышение производительности декодирования LDPC-кодов для радиорелейной системы связи при реализации на центральном и графическом процессорах

Мирра Владимировна Петрова

Цель работы – повышение производительности декодирования квазициклических LDPC–кодов для радиорелейной системы связи на основе многослойного планирования на графическом и центральном процессорах. В перечень решаемых задач входит: реализация программной модели TDMP декодеров на базе CPU и GPU на языках программирования C++ и CUDA; внесение методов повышения производительности; анализ помехоустойчивости и производительности реализованных декодеров; сравнение производительности с аналогичными разработками. В результате работы было продемонстрировано увеличение производительности до 42-х раз на CPU и до 3-х раз на GPU, по сравнению с исходными алгоритмами декодирования, используемыми в рассматриваемой радиорелейной системе. Показано, что предлагаемые реализации декодеров для GPU и CPU обеспечивают более высокую производительность, до 8.47 раз на GPU, и до 3.25 раз на CPU, по сравнению с аналогичными работами. Реализованные в работе алгоритмы могут быть использованы как часть приемного тракта сигналов радиорелейной системы связи. Использовались открытые образовательные ресурсы поиска и анализа информации. Использовались средства автоматизации (автоматизированной) разработки MATLAB, Visual Studio. Применены языки программирования MATLAB, C++, CUDA.

•Sep 8, 2026•0 citations

Нейронная сеть для оптимизации адаптивного экспоненциального алгоритма декодирования минимальной суммы

В. Чжан, М. Ибрагим, В.М. Саклаков +1 more

В настоящее время глубокое обучение как актуальное направление исследований дало плодотворные результаты в области обработки естественного языка, распознавания и генерации графов, например, ChatGPT и Sora. Объединение глубокого обучения с алгоритмами декодирования для канального кодирования также постепенно становится актуальным направлением исследований в области связи. В этой статье мы используем глубокое обучение для улучшения адаптивного алгоритма экспоненциальной минимальной суммы (AEMS) для LDPC-кодов. Во-первых, мы расширяем итеративную процедуру декодирования между контрольными узлами (CNs) и переменными узлами (VNs) в алгоритме декодирования AEMS в сеть распространения с прямой передачей, основанную на графе Таннера, полученном из H-матрицы LDPC-кодов. Во-вторых, для повышения эффективности обучения модели и снижения вычислительной сложности мы присваиваем одинаковый весовой коэффициент всей краевой информации в каждой итерации сети декодирования AEMS, что снижает вычислительную сложность и гарантирует эффективность декодирования, и мы называем ее общей нейронной сетью декодирования AEMS (SNAEMS). Результаты моделирования показывают, что производительность декодирования предложенной сети декодирования SNAEMS превосходит производительность обычного декодера AEMS, а коэффициент усиления кодирования постепенно увеличивается по мере увеличения длины кода. Currently, deep learning, as a hot research direction, has yielded fruitful research results in natural language processing and graph recognition and generation, such as ChatGPT and Sora. Combining deep learning with decoding algorithms for channel coding has also gradually become a research hotspot in the field of communication. In this paper, we use deep learning to improve the adaptive exponential min sum (AEMS) algorithm for LDPC codes. Initially, we extend the iterative decoding procedure between check nodes (CNs) and variable nodes (VNs) in the AEMS decoding algorithm into a feedforward propagation network based on the Tanner graph derived from the H matrix of LDPC codes. Second, in order to improve the model training efficiency and reduce the computational complexity, we assign the same weight factor to all the edge information in each iteration of the AEMS decoding network, which reduces the computational complexity while guaranteeing the decoding performance, and we call it the shared neural AEMS (SNAEMS) decoding network. The simulation results show that the decoding performance of the proposed SNAEMS decoding network outperforms that of the conventional AEMS decoder, and its coding gain is gradually enhanced as the code length increases.

Modelirovanie, optimizaciâ i informacionnye tehnologii.•Jan 14, 2025•1 citation

Оценка корректирующей способности LDPC-кодов и вероятности битовой ошибки при их использовании. Часть I

Н.В. Лемешко, А.Н. Плотников, И.В. Змеев +1 more

В статье рассматриваются способы упрощения расчета корректирующей способности LDPC-кодов и вероятности битовой ошибки при их использовании для случая применения порождающей матрицы канонического вида. В первой части статьи дано представление о кодировании LDPC, проанализированы узловые требования к порождающим матрицам, определены основные достоинства их канонического вида, отмечены способы обнаружения битовых ошибок на приемной стороне. Предложен алгоритм оценки корректирующей способности LDPC на основе статистических розыгрышей, приведена его схема, позволяющая смягчить имеющиеся в математических пакетах ограничения размерности матриц. Представлены результаты оценки максимального количества восстанавливаемых бит при использовании LDPC с разной кодовой скоростью. The article discusses ways to simplify the calculation of the correcting ability of LDPC codes and the probability of bit error when using them for the case of using a generator matrix of canonical form. In the first part of the article, an idea of LDPC coding is provided, nodal requirements for generator matrices are analyzed, the main advantages of their canonicalform are determined, and methods for detecting bit errors on the receiving side are noted. An algorithm for estimating the correcting ability of LDPC based on statistical drawings is proposed, and its scheme is given, which allows mitigating the limitations of the matrix dimension existing in mathematical packages. The results of estimating the maximum number of recoverable bits when using LDPC with different code rates are presented.

Электросвязь•Aug 28, 2025•1 citation

Квантовая схема для атаки на протокол квантовой криптографии с фазово-временным кодированием

Dmitry Anatolevich Kronberg

Основным свойством квантовой криптографии является возможность строгого доказательства стойкости против любых действий противника. Однако доказательство стойкости является сложным и может содержать ошибки. Неполнота доказательства стойкости создает риск уязвимости, т. е. ситуации, при которой противник обладает полным или частичным знанием о криптографическом ключе. В этой работе предлагается квантовая схема атаки на двупараметрический протокол квантовой криптографии с фазово-временным кодированием, которая демонстрирует его уязвимость. Показано, что построенная атака является относительно простой и требует лишь трех дополнительных кубитов. Обсуждаются ошибки в доказательстве стойкости, которые сделали возможной построенную атаку.

Математические вопросы криптографии•Jan 1, 2024•1 citation

Гибридный квантовый сопроцессор для персональных компьютеров

Роман Белоусов

О чём эта работа и почему она важна? Квантовые компьютеры обещают революцию в вычислениях, но до сих пор остаются гигантскими установками, доступными лишь избранным лабораториям. Идея запускать квантовые алгоритмы на обычном домашнем ПК звучит как фантастика — однако именно эту задачу решает представляемый препринт. Автор предлагает архитектуру компактного квантового сопроцессора, который вставляется в стандартный слот PCIe, не требует криогенного охлаждения и работает в тандеме с игровой видеокартой. Устройство использует настоящую физическую случайность (шум полупроводников) и наглядную акустическую интерференцию, чтобы впервые сделать «квантовость» осязаемой на рабочем столе. В чём принципиальная новизна? Главная инновация — гибридный подход, разделяющий вычислительные задачи. Квантовая эволюция (перемножение векторов состояния и матриц гейтов) — это чистая математика, которую на превосходном уровне выполняет современный графический процессор. А вот операция измерения, дающая случайный результат, требует истинной непредсказуемости, недостижимой для любого программного генератора псевдослучайных чисел. Сопроцессор берёт на себя именно эту роль: он содержит восемь независимых каналов физической энтропии на основе лавинного пробоя транзисторов, генерирующих тепловой шум, который по своей природе абсолютно случаен. Кроме того, на плате размещён миниатюрный акустический интерферометр — Y-образный волновод, где ультразвуковая волна частотой 40 кГц расщепляется на два плеча и интерферирует сама с собой. Меняя положение поршня в одном из плеч, мы физически поворачиваем вектор состояния кубита и наблюдаем интерференционную картину вживую — то есть получаем аналоговую реализацию однокубитных гейтов (Адамара, фазовых поворотов и т.д.). Таким образом, карта PCIe — это не просто акселератор, а настоящий физический сопроцессор, который «добавляет квантовости» в стандартную компьютерную систему. Как это работает технически? Устройство выполнено в виде полноразмерной платы PCIe x4 Gen3 размерами 240×111 мм и потребляет менее 25 Вт от слота. На плате расположены: · Восемь идентичных шумовых каналов: транзистор BC547 в обратном включении, ограничительный резистор и разделительный конденсатор; напряжение шума оцифровывается 24-битным АЦП ADS1256 и поступает в FPGA. · FPGA (Xilinx Artix-7) — мозг сопроцессора. Она принимает команды от хоста по шине PCIe, управляет сервоприводом поршня интерферометра, вычисляет скользящие медианы шумов, сравнивает сигнал с порогами и выдаёт готовые случайные биты результата измерения. · Акустический интерферометр из PETG-пластика (3D-печать) с парой ультразвуковых датчиков Murata MA40S4S/R, подвижным поршнем на микро-сервоприводе SG90 и сменной губкой для регулировки затухания. Сдвиг поршня на 4.3 мм изменяет разность фаз на π, переводя выход из конструктивной интерференции в деструктивную — точно так же, как поворот кубита на сфере Блоха переводит его из состояния |+⟩ в |−⟩. · Программный стек включает драйвер под Linux (UIO, mmap), библиотеку libqphi с простым API, и backend для Qiskit, благодаря которому стандартная квантовая программа начинает использовать физическую энтропию без изменения кода. Также реализован специализированный слой PyTorch, позволяющий задействовать истинный шум при обучении нейросетей. Когда GPU рассчитывает квантовую цепь, хост вычисляет вероятности всех исходов по правилу Борна и передаёт их в FPGA. Та преобразует вероятности в пороговые напряжения, снимает мгновенное значение шума и выдаёт бит 0 или 1 — честный коллапс волновой функции без всякой псевдослучайности. Какие алгоритмы можно запускать? Автор не ограничивается простым генератором случайных чисел. На этой архитектуре можно реализовать настоящие квантовые (и квантово-подобные) алгоритмы: · Квантовое эхо (Quantum Echo) — техника подавления декогеренции: применение прямой операции U, пауза, в течение которой действуют шумы, затем обратная операция U† и измерение восстановленного состояния. Карта позволяет менять длительность паузы и наблюдать экспоненциальный спад когерентности, а затем частично восстанавливать её — отличный инструмент для изучения декогеренции. · Стохастическая оптимизация — использование физического шума в градиентных методах (ланжевеновская динамика) для выхода из локальных минимумов при обучении нейросетей. · Вариационные квантовые алгоритмы (VQE, QAOA) — гибридный режим: GPU симулирует действие параметризованной квантовой цепи, рассчитывает ожидаемую энергию гамильтониана, а измерения на каждом шаге идут через физический источник. Классический оптимизатор на CPU подбирает параметры, минимизируя энергию. · Квантовые нейронные сети — вставка квантового слоя в классическую нейросеть (PyTorch-слой), где прямое распространение считается на GPU, а коллапс использует биты от сопроцессора; обратное распространение — через репараметризацию или REINFORCE. Что показали эксперименты? Изготовлены и протестированы макеты ключевых узлов. Запись миллиона отсчётов шума подтвердила гауссовость и отсутствие корреляций. Частота нулей при медианном пороге — 0.5002 (при 100 тыс. испытаний) — в идеальном согласии с равновероятным распределением. Интерферометр показал интерференционный контраст более 95%: при сдвиге поршня на половину длины волны амплитуда падала с 98% до 4% от максимальной. Совместный тест интерферометра с шумовым компаратором дал измеренные частоты 0.098, 0.251, 0.502, 0.748 и 0.903 для заданных вероятностей 0.10, 0.25, 0.50, 0.75 и 0.90 соответственно — все в пределах статистической погрешности. Почему это прорыв? Сегодня рынок квантовых вычислений поляризован: с одной стороны, многомиллионные квантовые компьютеры с криогенным охлаждением и очередями на доступ; с другой — быстрые, но лишённые физической достоверности программные симуляторы. Предлагаемый сопроцессор ломает эту дихотомию. Он даёт: · Истинную, физически неклонируемую случайность (класс TRNG), что критически важно для криптографии и доверенного ИИ. · Скорость многокубитной симуляции на локальном GPU (до 30 кубитов) с нулевой задержкой облака. · Наглядную демонстрацию квантовых эффектов, бесценную для образования и исследований. · Открытую архитектуру и совместимость с популярными фреймворками (Qiskit, PennyLane, PyTorch). · Цену, сопоставимую с видеокартой среднего класса (ориентировочно $500–800 в рознице), и работу при комнатной температуре. Ограничения и что дальше Конечно, акустический интерферометр — это только один кубит, а настоящая многочастичная запутанность здесь не создаётся; для многокубитных задач запутанность эмулируется на GPU, что не даёт экспоненциального квантового ускорения, но сохраняет корректную вероятностную статистику. Механический поршень чувствителен к вибрациям и требует периодической калибровки. Однако дорожная карта автора предусматривает переход на MEMS-фазовращатели (версия 2) и далее на интегрированные фотонные интерферометры (версия 3), что со временем сделает устройство полностью твердотельным. Кому это будет интересно? · Студентам и преподавателям, желающим без абстрактной математики увидеть суперпозицию и интерференцию своими глазами. · Исследователям в области доверенного ИИ, нуждающимся в аппаратном источнике истинной энтропии и байесовских оценках неопределённости. · Разработчикам квантовых алгоритмов, которым надоело ждать очереди в облачные QPU. · Энтузиастам и DIY-сообществу — повторить прототип можно в условиях домашней мастерской (3D-печать, пайка, программирование FPGA). Итог Препринт Белоусова Р.С. предлагает смелый и вместе с тем инженерно проработанный шаг к демократизации квантовых вычислений. Впервые идея «квантовой карты расширения» обретает конкретную схемотехническую и программную реализацию, а не остаётся умозрительной концепцией. Работа не обещает немедленного превосходства над суперкомпьютерами, но открывает совершенно новый класс устройств — персональные физически-стохастические сопроцессоры, которые могут стать столь же привычными, как видеокарты или звуковые адаптеры. И именно сейчас настало время, когда такой шаг стал технически возможным.

•Apr 27, 2026•0 citations
Предлагается новый протокол обмена ключами, работающий с постоянными общедоступными каналами без шумов (по крайней мере, без шумов для перехватчиков) и не использующий стандартные сложностные предположения. Протокол основан на схеме EVSKey, недавно предложенной Цинем и Дингом. Показано, что такая схема нестойкая, для повышения ее стойкости вводятся искусственный шум и процедура повышения конфиденциальности. Вероятности ключевых битовых ошибок как для законных, так и для нелегальных пользователей оценены с помощью моделирования. Вероятности декодирования ошибок рассчитаны для кодов LDPC. Оценен объем утечки информации Шеннона злоумышленникам. Приведен также канальный трафик, необходимый для выполнения предложенного протокола.
Предлагается модулярный метод доказательства защищенности протоколов обмена ключами в модифицированной модели Белара-Рогавея, введенной К. Кудла и К. Г. Патерсоном. Этот метод использован для преобразования Протокола 1 из их статьи в Протокол 2 и анализа его защищенности в этой модели. Протоколы 1 и 2 различаются только комбинацией разового и постоянного секретных ключей при вычислении сеансового ключа. Наш метод доказательства того, что Протокол обеспечивает сильное партнерство, можно применить при доказательстве аналогичного утверждения К. Кудла и К. Г. Патерсона.
Цель работы – повышение производительности декодирования квазициклических LDPC–кодов для радиорелейной системы связи на основе многослойного планирования на графическом и центральном процессорах. В перечень решаемых задач входит: реализация программной модели TDMP декодеров на базе CPU и GPU на языках программирования C++ и CUDA; внесение методов повышения производительности; анализ помехоустойчивости и производительности реализованных декодеров; сравнение производительности с аналогичными разработками. В результате работы было продемонстрировано увеличение производительности до 42-х раз на CPU и до 3-х раз на GPU, по сравнению с исходными алгоритмами декодирования, используемыми в рассматриваемой радиорелейной системе. Показано, что предлагаемые реализации декодеров для GPU и CPU обеспечивают более высокую производительность, до 8.47 раз на GPU, и до 3.25 раз на CPU, по сравнению с аналогичными работами. Реализованные в работе алгоритмы могут быть использованы как часть приемного тракта сигналов радиорелейной системы связи. Использовались открытые образовательные ресурсы поиска и анализа информации. Использовались средства автоматизации (автоматизированной) разработки MATLAB, Visual Studio. Применены языки программирования MATLAB, C++, CUDA.
В настоящее время глубокое обучение как актуальное направление исследований дало плодотворные результаты в области обработки естественного языка, распознавания и генерации графов, например, ChatGPT и Sora. Объединение глубокого обучения с алгоритмами декодирования для канального кодирования также постепенно становится актуальным направлением исследований в области связи. В этой статье мы используем глубокое обучение для улучшения адаптивного алгоритма экспоненциальной минимальной суммы (AEMS) для LDPC-кодов. Во-первых, мы расширяем итеративную процедуру декодирования между контрольными узлами (CNs) и переменными узлами (VNs) в алгоритме декодирования AEMS в сеть распространения с прямой передачей, основанную на графе Таннера, полученном из H-матрицы LDPC-кодов. Во-вторых, для повышения эффективности обучения модели и снижения вычислительной сложности мы присваиваем одинаковый весовой коэффициент всей краевой информации в каждой итерации сети декодирования AEMS, что снижает вычислительную сложность и гарантирует эффективность декодирования, и мы называем ее общей нейронной сетью декодирования AEMS (SNAEMS). Результаты моделирования показывают, что производительность декодирования предложенной сети декодирования SNAEMS превосходит производительность обычного декодера AEMS, а коэффициент усиления кодирования постепенно увеличивается по мере увеличения длины кода. Currently, deep learning, as a hot research direction, has yielded fruitful research results in natural language processing and graph recognition and generation, such as ChatGPT and Sora. Combining deep learning with decoding algorithms for channel coding has also gradually become a research hotspot in the field of communication. In this paper, we use deep learning to improve the adaptive exponential min sum (AEMS) algorithm for LDPC codes. Initially, we extend the iterative decoding procedure between check nodes (CNs) and variable nodes (VNs) in the AEMS decoding algorithm into a feedforward propagation network based on the Tanner graph derived from the H matrix of LDPC codes. Second, in order to improve the model training efficiency and reduce the computational complexity, we assign the same weight factor to all the edge information in each iteration of the AEMS decoding network, which reduces the computational complexity while guaranteeing the decoding performance, and we call it the shared neural AEMS (SNAEMS) decoding network. The simulation results show that the decoding performance of the proposed SNAEMS decoding network outperforms that of the conventional AEMS decoder, and its coding gain is gradually enhanced as the code length increases.
В статье рассматриваются способы упрощения расчета корректирующей способности LDPC-кодов и вероятности битовой ошибки при их использовании для случая применения порождающей матрицы канонического вида. В первой части статьи дано представление о кодировании LDPC, проанализированы узловые требования к порождающим матрицам, определены основные достоинства их канонического вида, отмечены способы обнаружения битовых ошибок на приемной стороне. Предложен алгоритм оценки корректирующей способности LDPC на основе статистических розыгрышей, приведена его схема, позволяющая смягчить имеющиеся в математических пакетах ограничения размерности матриц. Представлены результаты оценки максимального количества восстанавливаемых бит при использовании LDPC с разной кодовой скоростью. The article discusses ways to simplify the calculation of the correcting ability of LDPC codes and the probability of bit error when using them for the case of using a generator matrix of canonical form. In the first part of the article, an idea of LDPC coding is provided, nodal requirements for generator matrices are analyzed, the main advantages of their canonicalform are determined, and methods for detecting bit errors on the receiving side are noted. An algorithm for estimating the correcting ability of LDPC based on statistical drawings is proposed, and its scheme is given, which allows mitigating the limitations of the matrix dimension existing in mathematical packages. The results of estimating the maximum number of recoverable bits when using LDPC with different code rates are presented.
Основным свойством квантовой криптографии является возможность строгого доказательства стойкости против любых действий противника. Однако доказательство стойкости является сложным и может содержать ошибки. Неполнота доказательства стойкости создает риск уязвимости, т. е. ситуации, при которой противник обладает полным или частичным знанием о криптографическом ключе. В этой работе предлагается квантовая схема атаки на двупараметрический протокол квантовой криптографии с фазово-временным кодированием, которая демонстрирует его уязвимость. Показано, что построенная атака является относительно простой и требует лишь трех дополнительных кубитов. Обсуждаются ошибки в доказательстве стойкости, которые сделали возможной построенную атаку.
О чём эта работа и почему она важна? Квантовые компьютеры обещают революцию в вычислениях, но до сих пор остаются гигантскими установками, доступными лишь избранным лабораториям. Идея запускать квантовые алгоритмы на обычном домашнем ПК звучит как фантастика — однако именно эту задачу решает представляемый препринт. Автор предлагает архитектуру компактного квантового сопроцессора, который вставляется в стандартный слот PCIe, не требует криогенного охлаждения и работает в тандеме с игровой видеокартой. Устройство использует настоящую физическую случайность (шум полупроводников) и наглядную акустическую интерференцию, чтобы впервые сделать «квантовость» осязаемой на рабочем столе. В чём принципиальная новизна? Главная инновация — гибридный подход, разделяющий вычислительные задачи. Квантовая эволюция (перемножение векторов состояния и матриц гейтов) — это чистая математика, которую на превосходном уровне выполняет современный графический процессор. А вот операция измерения, дающая случайный результат, требует истинной непредсказуемости, недостижимой для любого программного генератора псевдослучайных чисел. Сопроцессор берёт на себя именно эту роль: он содержит восемь независимых каналов физической энтропии на основе лавинного пробоя транзисторов, генерирующих тепловой шум, который по своей природе абсолютно случаен. Кроме того, на плате размещён миниатюрный акустический интерферометр — Y-образный волновод, где ультразвуковая волна частотой 40 кГц расщепляется на два плеча и интерферирует сама с собой. Меняя положение поршня в одном из плеч, мы физически поворачиваем вектор состояния кубита и наблюдаем интерференционную картину вживую — то есть получаем аналоговую реализацию однокубитных гейтов (Адамара, фазовых поворотов и т.д.). Таким образом, карта PCIe — это не просто акселератор, а настоящий физический сопроцессор, который «добавляет квантовости» в стандартную компьютерную систему. Как это работает технически? Устройство выполнено в виде полноразмерной платы PCIe x4 Gen3 размерами 240×111 мм и потребляет менее 25 Вт от слота. На плате расположены: · Восемь идентичных шумовых каналов: транзистор BC547 в обратном включении, ограничительный резистор и разделительный конденсатор; напряжение шума оцифровывается 24-битным АЦП ADS1256 и поступает в FPGA. · FPGA (Xilinx Artix-7) — мозг сопроцессора. Она принимает команды от хоста по шине PCIe, управляет сервоприводом поршня интерферометра, вычисляет скользящие медианы шумов, сравнивает сигнал с порогами и выдаёт готовые случайные биты результата измерения. · Акустический интерферометр из PETG-пластика (3D-печать) с парой ультразвуковых датчиков Murata MA40S4S/R, подвижным поршнем на микро-сервоприводе SG90 и сменной губкой для регулировки затухания. Сдвиг поршня на 4.3 мм изменяет разность фаз на π, переводя выход из конструктивной интерференции в деструктивную — точно так же, как поворот кубита на сфере Блоха переводит его из состояния |+⟩ в |−⟩. · Программный стек включает драйвер под Linux (UIO, mmap), библиотеку libqphi с простым API, и backend для Qiskit, благодаря которому стандартная квантовая программа начинает использовать физическую энтропию без изменения кода. Также реализован специализированный слой PyTorch, позволяющий задействовать истинный шум при обучении нейросетей. Когда GPU рассчитывает квантовую цепь, хост вычисляет вероятности всех исходов по правилу Борна и передаёт их в FPGA. Та преобразует вероятности в пороговые напряжения, снимает мгновенное значение шума и выдаёт бит 0 или 1 — честный коллапс волновой функции без всякой псевдослучайности. Какие алгоритмы можно запускать? Автор не ограничивается простым генератором случайных чисел. На этой архитектуре можно реализовать настоящие квантовые (и квантово-подобные) алгоритмы: · Квантовое эхо (Quantum Echo) — техника подавления декогеренции: применение прямой операции U, пауза, в течение которой действуют шумы, затем обратная операция U† и измерение восстановленного состояния. Карта позволяет менять длительность паузы и наблюдать экспоненциальный спад когерентности, а затем частично восстанавливать её — отличный инструмент для изучения декогеренции. · Стохастическая оптимизация — использование физического шума в градиентных методах (ланжевеновская динамика) для выхода из локальных минимумов при обучении нейросетей. · Вариационные квантовые алгоритмы (VQE, QAOA) — гибридный режим: GPU симулирует действие параметризованной квантовой цепи, рассчитывает ожидаемую энергию гамильтониана, а измерения на каждом шаге идут через физический источник. Классический оптимизатор на CPU подбирает параметры, минимизируя энергию. · Квантовые нейронные сети — вставка квантового слоя в классическую нейросеть (PyTorch-слой), где прямое распространение считается на GPU, а коллапс использует биты от сопроцессора; обратное распространение — через репараметризацию или REINFORCE. Что показали эксперименты? Изготовлены и протестированы макеты ключевых узлов. Запись миллиона отсчётов шума подтвердила гауссовость и отсутствие корреляций. Частота нулей при медианном пороге — 0.5002 (при 100 тыс. испытаний) — в идеальном согласии с равновероятным распределением. Интерферометр показал интерференционный контраст более 95%: при сдвиге поршня на половину длины волны амплитуда падала с 98% до 4% от максимальной. Совместный тест интерферометра с шумовым компаратором дал измеренные частоты 0.098, 0.251, 0.502, 0.748 и 0.903 для заданных вероятностей 0.10, 0.25, 0.50, 0.75 и 0.90 соответственно — все в пределах статистической погрешности. Почему это прорыв? Сегодня рынок квантовых вычислений поляризован: с одной стороны, многомиллионные квантовые компьютеры с криогенным охлаждением и очередями на доступ; с другой — быстрые, но лишённые физической достоверности программные симуляторы. Предлагаемый сопроцессор ломает эту дихотомию. Он даёт: · Истинную, физически неклонируемую случайность (класс TRNG), что критически важно для криптографии и доверенного ИИ. · Скорость многокубитной симуляции на локальном GPU (до 30 кубитов) с нулевой задержкой облака. · Наглядную демонстрацию квантовых эффектов, бесценную для образования и исследований. · Открытую архитектуру и совместимость с популярными фреймворками (Qiskit, PennyLane, PyTorch). · Цену, сопоставимую с видеокартой среднего класса (ориентировочно $500–800 в рознице), и работу при комнатной температуре. Ограничения и что дальше Конечно, акустический интерферометр — это только один кубит, а настоящая многочастичная запутанность здесь не создаётся; для многокубитных задач запутанность эмулируется на GPU, что не даёт экспоненциального квантового ускорения, но сохраняет корректную вероятностную статистику. Механический поршень чувствителен к вибрациям и требует периодической калибровки. Однако дорожная карта автора предусматривает переход на MEMS-фазовращатели (версия 2) и далее на интегрированные фотонные интерферометры (версия 3), что со временем сделает устройство полностью твердотельным. Кому это будет интересно? · Студентам и преподавателям, желающим без абстрактной математики увидеть суперпозицию и интерференцию своими глазами. · Исследователям в области доверенного ИИ, нуждающимся в аппаратном источнике истинной энтропии и байесовских оценках неопределённости. · Разработчикам квантовых алгоритмов, которым надоело ждать очереди в облачные QPU. · Энтузиастам и DIY-сообществу — повторить прототип можно в условиях домашней мастерской (3D-печать, пайка, программирование FPGA). Итог Препринт Белоусова Р.С. предлагает смелый и вместе с тем инженерно проработанный шаг к демократизации квантовых вычислений. Впервые идея «квантовой карты расширения» обретает конкретную схемотехническую и программную реализацию, а не остаётся умозрительной концепцией. Работа не обещает немедленного превосходства над суперкомпьютерами, но открывает совершенно новый класс устройств — персональные физически-стохастические сопроцессоры, которые могут стать столь же привычными, как видеокарты или звуковые адаптеры. И именно сейчас настало время, когда такой шаг стал технически возможным.