Brücke zwischen Unordnung und Ordnung in zufälligen Lasern für kryptografische Anwendungen mittels Deep Learning

Licht, Chaos und verborgene Muster

Tagtäglich werden unsere privaten Nachrichten, Bankdaten und Gesundheitsakten durch digitale Schlüssel geschützt—lange Bitfolgen, die unmöglich zu erraten sein sollten. Doch mit der wachsenden Leistungsfähigkeit von Rechnern, insbesondere Quantencomputern, könnten heutige mathematische Verfahren zur Erzeugung und Verteilung dieser Schlüssel unsicher werden. Diese Studie untersucht einen völlig anderen Ansatz: die Nutzung einer speziellen Form von „zufälligem“ Laser und künstlicher Intelligenz, um Schlüssel zu erzeugen und zu übertragen, basierend auf physikalischen Gesetzmäßigkeiten statt auf schwierigen mathematischen Problemen.

Ein ruheloser Laser, geboren aus Unordnung

Anstelle der sorgfältig polierten Spiegel in gewöhnlichen Lasern beruht ein zufälliger Laser auf Unordnung. Die Autoren verwenden hier ein kurzes Stück Kunststofflichtleiter, gefüllt mit Farbstoffmolekülen und winzigen Nanopartikeln. Wenn ein grüner Laserpuls in diesen trüben Kern eintritt, wird das Licht unvorhersehbar hin- und hergeworfen und gewinnt durch Streuung Energie. Über einer bestimmten Pumpenergie erzeugt dieses Zusammenspiel aus Verstärkung und Streuung einen Laser, dessen Spektrum wie ein Wald schmaler, gezackter Spitzen aussieht. Die Positionen dieser Spitzen in der Farbe bleiben fest, doch ihre Höhen flackern von Puls zu Puls heftig. Dieses ruhelose Verhalten macht das Gerät zu einer attraktiven physikalischen Quelle von Zufälligkeit—ein essentieller Baustein für sichere Kryptographie.

Zufällig in der Zeit, aber nicht in jeder Hinsicht

Das Team fragt zunächst, ob sich diese Intensitätsfluktuationen über die Zeit vorhersagen lassen. Sie behandeln das Spektrum bei jeder Farbe als eine eigene Zeitreihe und füttern lange Verlaufsdaten dieser Signale in mehrere fortgeschrittene neuronale Netzmodelle, die gewöhnlich sehr gut darin sind, Muster in Daten zu erkennen. Zum Vergleich erzeugen sie auch eine konventionelle pseudozufällige Sequenz, die technisch vorhersagbar ist, weil sie einer verborgenen Formel folgt. Die Netze lernen die künstliche Sequenz mühelos und erreichen nahezu perfekte Vorhersagegenauigkeit. Im krassen Gegensatz dazu schneiden dieselben Modelle bei den Laserdaten selbst mit mehr Trainingsbeispielen oder längeren Verläufen extrem schlecht ab. Das zeigt, dass die Helligkeit in einem gegebenen Farbkanal von Puls zu Puls im Wesentlichen unvorhersagbar ist und unterstreicht damit den Wert des Lasers als hochwertige Zufallsquelle.

Ordnung, die im Spektrum verborgen liegt

Doch die Geschichte endet nicht beim Chaos. Betrachtet man das gesamte Spektrum zu einem einzelnen Zeitpunkt, zeigen sich Hinweise auf Struktur: Einige Wellenlängen steigen und fallen tendenziell gemeinsam, andere verhalten sich gegensätzlich. Um diese subtile Ordnung zu untersuchen, komprimieren die Autoren jedes Spektrum, indem sie nur die stabilen Spitzen und Täler abtasten, und stellen einem tiefen neuronalen Netzwerk eine neue Aufgabe: Vorhersage der Höhe einer oder mehrerer fehlender Spitzen aus den verbleibenden Werten zum selben Zeitpunkt. Nun brilliert das Machine Learning. Allein anhand der Intensitäten anderer Farben kann das Netzwerk eine einzelne fehlende Spitze mit etwa 99,99 % Genauigkeit rekonstruieren und mehrere Spitzen mit weiterhin hoher Genauigkeit. Anders gesagt: Obwohl der Laser zeitlich zufällig ist, sind seine spektralen Komponenten in einem gegebenen Moment durch eine verborgene, deterministische Beziehung verknüpft, die ein neuronales Netzwerk erlernen und ausnutzen kann.

Flackern in digitale Geheimnisse verwandeln

Aufbauend auf dieser doppelten Natur—zeitlich zufällig, über Farben hinweg geordnet—entwerfen die Forschenden ein physikalisches Schema zur sicheren Schlüsselerzeugung und -verteilung. Eine Partei, Alice, misst die Helligkeit einer gewählten spektralen Spitze über viele Pulse und wandelt diese unvorhersagbare Folge in Zufallsbits um, wobei sie die Daten so verarbeitet, dass Nullen und Einsen gleichwahrscheinlich auftreten und strenge statistische Tests bestehen. Dann entfernt sie diese Spitze aus dem Spektrum und sendet nur das verbleibende Licht frei an Bob. Bob misst das unvollständige Spektrum und speist dessen Spitzen- und Talintensitäten in ein zuvor trainiertes neuronales Netzwerk ein. Das Netzwerk rekonstruiert die Intensität der fehlenden Spitze für jeden Puls, sodass Bob exakt dieselbe Bitfolge generiert wie Alice—ohne jemals die kritische Spitze direkt empfangen zu haben.

Lauschern die Dunkelheit bewahren

Die Autoren betrachten außerdem zwei Arten von Abhörern. Der eine lauscht ohne Zugriff auf das spezialisierte Netzwerk und kann nur einen benachbarten Spektralkanals abtasten; der andere verfügt zwar über das richtige Netzwerk, erhält jedoch ein verzerrtes, verrauschtes Signal, das die Abtastposition leicht verschiebt. In Simulationen erhalten beide Angreifer Schlüssel, die im Wesentlichen unkorreliert zu Alices sind, während Bobs rekonstruierter Schlüssel selbst bei Rauschen und Schwankungen in der Laserleistung nahezu perfekt übereinstimmt. Fehlerkorrekturcodes können Bobs Bits weiter bereinigen, ohne den Angreifern zu helfen. Für den Laien lautet die Hauptbotschaft: Diese Kombination aus unordentlichem Licht und cleveren Algorithmen kann gemeinsame digitale Geheimnisse erzeugen, die extrem schwer zu stehlen sind, und weist den Weg zu neuen hardwarebasierten Methoden, unsere Informationen in einer Zukunft zu sichern, in der traditionelle Kryptographie möglicherweise nicht mehr ausreicht.

Zitation: Hu, Z., Qi, L., He, S. et al. Bridging disorder and order in random lasers for cryptographic applications via deep learning. Commun Phys 9, 132 (2026). https://doi.org/10.1038/s42005-026-02600-z

Schlüsselwörter: zufällige Laser, physikalische Kryptographie, Deep Learning, sichere Schlüsselausteilung, optische Fasern