![]()
![]()
在信息爆炸和人工智能迅速发展的时代，信息安全面临前所未有的挑战。已有报道指出，传统的伪随机数生成方法难以抵御越来越复杂的攻击手段，如生成对抗网络（GAN）。一旦随机数生成规律被破解，加密算法和安全协议的安全性将受到严重威胁。量子随机数生成器依赖量子力学的不确定性原理，能够产生不可预测的真随机数，现已成为信息安全领域的关键技术。
目前，量子技术正处于从实验室走向产业化的关键阶段，发挥量子优势仍面临诸多挑战。其中一个核心问题是量子资源的维度。低维度的量子资源性能难以超越传统经典方法，主要用于量子力学基本原理的探索。只有不断提升量子资源的维度，才能充分展现量子技术的优越性，推动量子通信和量子计算等领域取得革命性进展。目前，基于光子统计的主流量子随机数生成方法大多采用体块器件，尽管也有片上集成波导方案的报道，但其随机数维度和密度仍然有限。量子科技的快速发展正在改变我们认识世界的方式，而纳米光学领域的超表面技术为量子器件的小型化和集成化带来了新的希望。超表面由精心设计的纳米天线阵列构成，不仅结构紧凑，与半导体制造工艺兼容，还能灵活调控光波前。这些优异特性使其在量子态制备和调制等方面展现出巨大应用潜力。近日，香港城市大学蔡定平教授课题组基于超透镜阵列开发了一种小型化的高维量子随机数发生器。在课题组已实现的超透镜阵列高维量子光源[Science, 368(6498), 1487-1490 (2020)]和量子全息显示[Adv Photonics Nexus. 3(1), 016011 (2024)]的基础上，通过利用连续半导体激光泵浦的β硼酸钡（BBO）晶体发射的自发参量下转换光子的时间统计特性，获得了无需后随机性提取的高维量子随机数阵列。生成的随机数序列通过了NIST随机性测试，并展示出能够抵御生成对抗网络攻击的效果。该成果发表在Applied Physics Reviews上，以“Metalens array for quantum random number”为题，被选为期刊Featured Article，并入选“光学超构材料三年优秀成果展”提名成果。本工作的完成单位为香港城市大学电机工程系；香港城市大学生物系统，神经科学及纳米科技研究中心；以及香港城市大学太赫兹与毫米波国家重点实验室。香港城市大学博士后范宇斌，博士生陈舒凡以及博士后刘小源为共同第一作者。通讯作者为香港城市大学蔡定平教授。
量子随机数生成器（QRNG）是一种利用量子力学原理生成真正随机数的设备。传统的随机数生成器通常依赖于算法或物理过程，但这些方法可能会受到预测或重复的影响。相比之下，QRNG利用量子力学中的不确定性原理，确保生成的随机数完全不可预测。
在量子世界中，粒子的状态在测量前是无法确定的，这种特性被称为量子叠加态。QRNG通过测量这些量子态来生成随机数。例如，通过测量光子的偏振状态或电子的自旋状态，QRNG可以产生高质量的随机数。这些随机数在密码学、科学模拟和安全通信等领域具有重要应用。
本文研究者采用的便是光子的到达时间来生成量子随机数。他们巧妙利用自发参量下转换过程中光子产生时间的随机性，通过到达时间统计和符合计数生成了无需后处理的量子随机数序列。本研究提出了一种通过超透镜阵列产生量子随机数的方法，激光通过超透镜阵列聚焦在非线性晶体上，通过自发参量下转换过程产生纠缠光子对。纠缠光子对的产生被单光子探测器和时间-数字转换器探测，并生成量子随机数。和以前的直接测量光子到达时间的方法不同，该方法中每一路量子随机数都来自相同的光源，因此利用上了激光的相干性。这一相干性也反映在两列随机数的光子关联性中。采用的实验设置和随机数产生的原理如图1所示。![]()
通过对单个超透镜和多个超透镜产生的光子进行收集和统计，可以得到高维量子随机数阵列。结果显示，产生的随机数阵列可以通过NIST标准的随机数检验。其他信息科学领域的检测方法，如最小熵，自相关/互相关和汉明距离等也都指示了数据的随机性，如图2，3所示。![]()
图2：单个超透镜产生的量子随机数的随机性
图源：Appl. Phys. Rev.
![]()
机器学习可以用来从数据中学习统计分布规律，并应用于特定场景。真正的随机数应具有均匀概率分布的特征。该团队的研究表明，超透镜阵列生成的量子随机数具有抵御生成对抗网络攻击和预测的能力，如图4所示。这起源于其产生过程的量子随机性。与常见的代码生成的伪随机数不同，这种量子随机数不遵循任何产生规律，因此机器学习模型无法从中进行学习和预测。![]()
生成对抗网络（GAN）可以检测随机数的随机性，主要是因为其独特的对抗性训练机制。GAN由两个主要部分组成：生成器（Generator）和判别器（Discriminator）。生成器试图生成看似真实的数据，而判别器则试图区分这些生成的数据和真实数据。
在检测随机数的随机性时，生成器会生成一系列随机数序列，而判别器则会尝试区分这些序列是否是真正随机的。通过不断的对抗训练，生成器会逐渐改进其生成的随机数序列，使其越来越难以被判别器识别为非随机。
这种对抗性训练的过程可以有效地检测和改进随机数的随机性，因为判别器会不断寻找生成器生成的随机数序列中的任何模式或偏差，而生成器则会不断调整以消除这些模式和偏差。最终，生成器生成的随机数序列将具有高度的随机性和不可预测性。本研究通过实验实现了使用超透镜阵列生成高密度高维量子随机数阵列。该团队的方法利用超透镜阵列，实现了每平方毫米 100 个通道的高密度输出，产生了无需后随机性提取的小型化量子随机源。与其他的光学方法相比，这种紧凑设计不仅节省空间，还能实现更高密度的输出。随着片上光源和探测器技术的进一步发展，未来有望实现更小尺寸的量子随机数生成器。该团队的研究展示了超表面和超透镜光学平台在量子技术领域的巨大潜力。其紧凑外形、灵活设计和易集成特性，为构建高性能量子计算、量子通信和量子传感等系统提供了新的技术路线，对推动量子技术的实用化发展和产业化具有重要意义。
Fan， Yubin， Shufan Chen， Xiaoyuan Liu， Xiaoyu Che， Xiaodong Qiu， Mu Ku Chen， and Din Ping Tsai. "Metalens array for quantum random number." Applied Physics Reviews 11(3)，031418 (2024).
