Decriptare cifrari visivi caotici tramite reti neurali quasi quantistiche (Q²NN)

Decifrare immagini nascoste

Ogni giorno i nostri telefoni e computer mescolano silenziosamente foto e messaggi per proteggerli da occhi indiscreti. Ma man mano che gli aggressori ottengono strumenti sempre più potenti, inclusi i futuri computer quantistici, le protezioni odierne potrebbero non essere più sufficienti. Questo articolo esplora un nuovo modo di “leggere” immagini estremamente rimescolate usando una combinazione di intelligenza artificiale classica e idee tratte dalla fisica quantistica, indicando la strada verso sistemi di sicurezza più intelligenti — e attacchi più efficaci — del domani.

Dalle cifre semplici alle immagini fortemente rimescolate

I ricercatori partono da un banco di prova familiare: piccole immagini in scala di grigi da 28 × 28 pixel di cifre scritte a mano, simili a quelle usate per addestrare riconoscitori di grafia di base. Invece di classificare queste cifre, le sottopongono prima a un processo di rimescolamento volutamente brutale pensato per imitare un forte cifrario visivo. I pixel vengono spostati nell’immagine seguendo una mappa dal comportamento caotico, i valori di luminosità sono alterati tramite una sequenza matematica sensibile e infine i pixel risultanti vengono riorganizzati ancora lungo un percorso a zigzag. Il risultato è un quadrato rumoroso che sembra statico casuale, senza quasi nessuna traccia del “1”, “5” o “8” originale a occhio nudo.

Un cervello a due binari: classico e quantistico insieme

Per recuperare l’immagine originale da questo caos, il gruppo non cerca di “invertire” matematicamente il cifrario. Tratta invece la decriptazione come un problema di apprendimento. Costruiscono un modello ibrido che chiamano rete neurale quasi-quantistica, o Q²NN. Le immagini cifrate sono immesse in due percorsi in parallelo. Un ramo è un convenzionale autoencoder convoluzionale, un tipo di rete profonda adatta a individuare forme e texture locali. L’altro ramo imita il comportamento di un piccolo circuito quantistico: l’immagine è compressa in un vettore numerico breve, codificata come rotazioni di qubit virtuali, intanglata attraverso un circuito addestrabile e poi misurata per tornare a un nuovo insieme di caratteristiche. Queste due ricostruzioni sono quindi fuse da un’unità di “fusione” apprendibile che decide, durante l’addestramento, quanto fidarsi di ciascun ramo per ogni pixel.

Imparare a vedere attraverso il caos

Il modello è addestrato con molte coppie di immagini rimescolate e originali, regolando lentamente i suoi parametri interni affinché l’output corrisponda il più possibile alla cifra pulita. Per valutare il successo, gli autori non guardano solo l’errore sui pixel grezzi ma anche una misura della struttura percepita, chiedendosi: la ricostruzione preserva forme e contrasti rilevanti per l’occhio umano? In tutte e tre le classi di cifre testate, la rete ibrida supera nettamente sia una rete puramente classica sia una puramente ispirata al quantistico. Ottiene errori di ricostruzione molto bassi e elevati punteggi di similarità strutturale, il che significa che le cifre decriptate appaiono quasi indistinguibili dagli originali, nonostante gli input somiglino a rumore puro.

Mettere alla prova la robustezza del cifrario

Naturalmente, un modello di decriptazione ingegnoso è impressionante solo se il cifrario stesso è davvero difficile da rompere. Gli autori quindi sottopongono la loro pipeline di cifratura caotica a stress-test usando statistiche crittografiche standard. Le immagini rimescolate presentano entropia quasi massima secondo Shannon, i pixel adiacenti sono essenzialmente non correlati e piccole modifiche nell’immagine originale causano grandi cambiamenti diffusi nella versione cifrata. Questi numeri sono alla pari o migliori rispetto ad altri cifrari per immagini basati sul caos all’avanguardia, confermando che il compito posto alla rete neurale è tutt’altro che banale.

Perché questo conta per la sicurezza futura

Guardato ad alto livello, lo studio mostra che una miscela accuratamente progettata di deep learning classico e processamento in stile quantistico può imparare a invertire rimescolamenti visivi molto complessi senza mai ricevere la chiave esatta o la formula del cifrario. Oggi questo viene dimostrato su piccole cifre in scala di grigi e circuiti quantistici simulati, ma le stesse idee potrebbero estendersi a immagini mediche, foto satellitari o link ottici sicuri — ovunque immagini cifrate debbano essere ricostruite in modo affidabile. Con il progresso dell’hardware quantistico, design ibridi simili potrebbero sostenere sia difese più robuste sia strumenti analitici più potenti nell’era post-quantistica, dove comprendere e controllare ciò che si può apprendere dai dati crittografati sarà cruciale.

Citazione: Manavalan, G., Arnon, S. Decrypting chaotic visual ciphers via quasi quantum neural networks (Q²NNs). Sci Rep 16, 9937 (2026). https://doi.org/10.1038/s41598-026-41513-3

Parole chiave: cifratura delle immagini, reti neurali quantistiche, IA ibrida, crittografia caotica, sicurezza post-quantistica