Ontcijferen van chaotische visuele cijfers via quasi-quantum neurale netwerken (Q²NNs)

Verborgen beelden kraken

Elke dag schudden onze telefoons en computers stilletjes foto’s en berichten door elkaar om ze te beschermen tegen nieuwsgierige blikken. Maar nu aanvallers toegang krijgen tot krachtigere middelen, waaronder toekomstige quantumcomputers, zijn de huidige beschermingen mogelijk niet meer voldoende. Dit artikel onderzoekt een nieuwe manier om extreem door elkaar gehusselde afbeeldingen te "lezen" met een mix van klassieke artificiële intelligentie en ideeën uit de kwantumfysica, en wijst daarmee op zowel slimmere beveiligingssystemen als slimmere aanvallen van morgen.

Van simpele cijfers naar wild gehusselde beelden

De onderzoekers beginnen met een bekend testmateriaal: kleine, 28 bij 28 pixels grote afbeeldingen van handgeschreven cijfers, vergelijkbaar met wat gebruikt wordt om basisherkenners voor handschrift te trainen. In plaats van deze cijfers te classificeren, sturen ze ze eerst door een opzettelijk brute vercijferingsprocedure die een sterke visuele cijfering moet nabootsen. Pixels worden door het beeld geschud met een kaart die chaotisch gedrag vertoont, hun helderheidswaarden worden veranderd met een gevoelige wiskundige reeks, en tenslotte worden de resulterende pixels opnieuw gerangschikt langs een zigzagpad. Het resultaat is een ruisachtige vierkant die op willekeurige statische lijkt, met bijna geen spoor van het oorspronkelijke "1", "5" of "8" voor het blote oog.

Een tweesporig brein: klassiek en kwantum samen

Om het oorspronkelijke beeld uit deze chaos te herstellen, probeert het team de cijfering niet wiskundig te "ongedaan" te maken. In plaats daarvan behandelen ze ontsleuteling als een leerprobleem. Ze bouwen een hybride model dat ze een quasi-quantum neurale netwerk noemen, of Q²NN. Versleutelde afbeeldingen worden parallel in twee paden gevoed. Het ene pad is een conventionele convolutionele auto-encoder, een type diep netwerk dat goed is in het vinden van lokale vormen en texturen. Het andere pad bootst het gedrag van een kleine kwantumcircuit na: het beeld wordt gecomprimeerd tot een korte numerieke vector, gecodeerd als rotaties van virtuele qubits, verstrengeld via een trainbaar circuit en vervolgens gemeten terug naar een nieuwe set kenmerken. Deze twee reconstructies worden daarna gemengd door een leerbare "fusie"-eenheid die tijdens training beslist hoeveel vertrouwen elk tak in elke pixel krijgt.

Leren kijken door chaos heen

Het model wordt getraind met veel paren van gehusselde en originele afbeeldingen, waarbij het langzaam zijn interne knoppen afstelt zodat de uitvoer zo goed mogelijk overeenkomt met het schone cijfer. Om succes te beoordelen kijken de auteurs niet alleen naar rauwe pixelafwijking, maar ook naar een maat voor waargenomen structuur: behoudt de reconstructie vormen en contrasten die belangrijk zijn voor het menselijk oog? Op alle drie de geteste cijferklassen verslaat het hybride netwerk zowel een puur klassiek netwerk als een puur kwantum-geïnspireerd netwerk overtuigend. Het bereikt extreem lage reconstructiefouten en hoge scores voor structurele gelijkenis, wat betekent dat de ontsleutelde cijfers bijna niet te onderscheiden zijn van hun originelen, hoewel de ingangen op pure ruis leken.

De sterkte van de cijfering testen

Natuurlijk is een slim ontsleutelingsmodel alleen indrukwekkend als de cijfering zelf echt moeilijk te kraken is. De auteurs onderwerpen hun chaotische versleutelingspipeline daarom aan stress-tests met behulp van standaard cryptografische statistieken. De gehusselde afbeeldingen hebben vrijwel maximale willekeurigheid volgens Shannon-entropie, naburige pixels zijn in wezen ongecorreleerd, en kleine veranderingen in het originele beeld veroorzaken grote, wijdverspreide veranderingen in de versleutelde versie. Deze cijfers zijn vergelijkbaar met, of beter dan, andere state-of-the-art op chaos gebaseerde beeldcijfers, wat bevestigt dat de taak voor het neurale netwerk verre van eenvoudig is.

Waarom dit er toe doet voor toekomstige beveiliging

In grote lijnen toont de studie aan dat een zorgvuldig ontworpen mix van klassieke deep learning en kwantum-achtige verwerking kan leren zeer gecompliceerde visuele verwarring om te keren zonder ooit de exacte sleutel of formule van de cijfering te krijgen. Vandaag wordt dit aangetoond op kleine grijswaardencijfers en gesimuleerde kwantumcircuits, maar dezelfde ideeën zouden zich kunnen uitbreiden naar medische beelden, satellietfoto’s of beveiligde optische verbindingen—overal waar gehusselde afbeeldingen betrouwbaar moeten worden hersteld. Naarmate kwantumhardware volwassen wordt, zouden vergelijkbare hybride ontwerpen zowel sterkere verdedigingen als meer capabele analysetools in het post-quantum tijdperk kunnen ondersteunen, waarin het begrijpen en beheersen van wat uit versleutelde data geleerd kan worden cruciaal zal zijn.

Bronvermelding: 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

Trefwoorden: beeldversleuteling, quantum neurale netwerken, hybride AI, chaotische cryptografie, post-quantum beveiliging