基于门和玻色采样量子随机数生成在 IBM 和 Xanadu 量子设备上的研究-计算机科学-机器学习-量子计算.pdfVIP

基于门和玻色采样量子随机数生成在IBM和Xanadu量子设备上的研究

1,2,∗1,3

MohamedMessaoudLouamri,AchrafBoussahi,NacerEddine

1,41,41,4,†

Belaloui,AbdellahTounsi,andMohamedTahaRouabah

1ConstantineQuantumTechnologies,UniversityConstantine1FrèresMentouri,Constantine,Algeria

2TheoreticalPhysicsLaboratory,USTHB,Algiers,Algeria

3ÉcoleSupérieureenInformatique08Mai1945,SidiBelAbbes,Algeria

4LaboratoiredePhysiqueMathématiqueetSubatomique,

UniversityConstantine1FrèresMentouri,Constantine,Algeria

量子力学由于其内在的概率性质提供了本质上不可预测的熵源，这使其成为安全随机数生成的理

想选择。本文探讨了从两个量子平台生成随机数的实际可行性：基于门电路的IBMQuantum和使用

XanaduBorealis的（高斯）玻色采样。我们实现了简单的后处理方法，包括经典的冯·诺伊曼提取器以

及两种专为应对玻色采样输出相关结构而设计的变体。我们利用NISTSP800-22r1a测试套件评估了来

自真实量子硬件的去偏置输出，并测量了每种去偏置方法的提取效率。结果显示，尽管在这两个平台

上都可以实现无偏差比特流，但吞吐量仍然较低，与专用QRNG设备相比，每个随机位的成本较高。

本

译I.介绍实用性：基于门的量子计算机通过IBMQuantum[4]，

中以及来自Xanadu的玻色采样器[5]。然后，它介绍了

随机数在诸如密码学、随机模拟和科学计算等应用于处理各自偏差和相关结构的后处理方法。

1

v用中至关重要。尽管它们表面上看似简单，但以高频

3率生成真正随机的数字——即不可预测且无偏的数字论文组织如下：sectionII和sectionIII分别讨论了

2使用基于门和玻色采样量子设备的QRNG；sectionIV

8——仍然是一个挑战[1]。不可预测性意味着即使拥有

3提出了使用IBM的Sherbrooke和Xanadu的Borealis量

0系统的全部知识，也无法推断未来值；而无偏性则要

.子设备的结果；sectionV提出了工作的结论。

7求所有可能的结果都具有相同的概率。

0经典伪随机数生成器（例如线性同余生成器[3]）

5

2从确定性规则中产生可重现的序列，这从根本上违反

:

v了密码学应用中的不可预测性要求。硬件随机数生成

i

x器试图通过采样物理熵源（如热噪声、放射性衰变等）

r