Odszyfrowywanie chaotycznych wizualnych szyfrów za pomocą quasi-kwantowych sieci neuronowych (Q²NN)

Łamanie ukrytych obrazów

Każdego dnia nasze telefony i komputery cicho zamieniają zdjęcia i wiadomości w nieczytelne ciągi danych, by chronić je przed wścibskimi oczami. Jednak w miarę jak atakujący otrzymują dostęp do coraz potężniejszych narzędzi, w tym przyszłych komputerów kwantowych, dzisiejsze zabezpieczenia mogą okazać się niewystarczające. W artykule opisano nowy sposób „odczytywania” silnie zaszyfrowanych obrazów, łączący klasyczną sztuczną inteligencję z pomysłami zaczerpniętymi z fizyki kwantowej, wskazując na kierunki rozwoju inteligentniejszych systemów bezpieczeństwa — i sprawniejszych ataków — przyszłości.

Od prostych cyfr do skrajnie zaszumionych obrazów

Badacze zaczynają od dobrze znanego poligonu doświadczalnego: małych, 28 na 28 pikseli obrazów ręcznie pisanych cyfr, podobnych do tych używanych do trenowania podstawowych rozpoznawaczy pisma. Zamiast klasyfikować te cyfry, najpierw przepuszczają je przez celowo brutalny proces zamazywania, mający naśladować silny wizualny szyfr. Piksele są tasowane po obrazie według mapy o chaotycznym zachowaniu, ich jasność jest modyfikowana wrażliwym ciągiem matematycznym, a na koniec piksele są ponownie uporządkowane wzdłuż ścieżki cyk-cak. Efektem jest zaszumiony kwadrat przypominający losowy szum, z niemal żadnym śladem oryginalnej „1”, „5” czy „8” widocznym gołym okiem.

Dwutorowy mózg: klasyczny i kwantowy razem

Aby odzyskać oryginalny obraz z tego chaosu, zespół nie próbuje matematycznie „cofnąć” szyfru. Traktuje odszyfrowanie jako problem uczenia. Budują model hybrydowy, który nazywają quasi-kwantową siecią neuronową, czyli Q²NN. Zaszyfrowane obrazy są wprowadzane równolegle do dwóch ścieżek. Jedna ścieżka to konwencjonalny splotowy autoenkoder, rodzaj głębokiej sieci dobrze wychwytującej lokalne kształty i faktury. Druga ścieżka naśladuje zachowanie małego obwodu kwantowego: obraz jest skompresowany do krótkiego wektora numerycznego, zakodowany jako rotacje wirtualnych kubitów, splątany za pomocą uczącego się obwodu, a następnie mierzony z powrotem do nowego zestawu cech. Obie rekonstrukcje są następnie łączone przez uczącą się jednostkę „fuzji”, która podczas treningu decyduje, ile zaufać każdej gałęzi dla każdego piksela.

Nauka widzenia przez chaos

Model jest trenowany na wielu parach zaszyfrowanych i oryginalnych obrazów, stopniowo dopasowując swoje wewnętrzne parametry tak, by jego wyjście jak najwierniej odpowiadało czystej cyfrze. Do oceny sukcesu autorzy biorą pod uwagę nie tylko suży błąd piksela, lecz także miarę postrzeganej struktury, pytając: czy rekonstrukcja zachowuje kształty i kontrasty ważne dla ludzkiego oka? We wszystkich trzech testowanych klasach cyfr sieć hybrydowa wyraźnie przewyższa czysto klasyczną sieć oraz czysto kwantowo-inspirowaną. Osiąga bardzo niskie błędy rekonstrukcji i wysokie wskaźniki podobieństwa strukturalnego, co oznacza, że odszyfrowane cyfry wyglądają niemal nieodróżnialnie od oryginałów, mimo że wejścia przypominają czysty szum.

Testowanie siły szyfru

Oczywiście sprytne narzędzie do odszyfrowywania robi wrażenie tylko wtedy, gdy sam szyfr jest rzeczywiście trudny do złamania. Autorzy dlatego poddają swój chaotyczny pipeline szyfrujący testom za pomocą standardowych statystyk kryptograficznych. Zaszyfrowane obrazy wykazują niemal maksymalny stopień losowości według entropii Shannona, sąsiednie piksele są praktycznie nieskorelowane, a drobne zmiany w obrazie źródłowym powodują duże, rozległe zmiany w wersji zaszyfrowanej. Te wskaźniki dorównują lub przewyższają inne nowoczesne szyfry obrazowe oparte na chaosie, potwierdzając, że zadanie postawione przed siecią neuronową jest dalekie od trywialnego.

Dlaczego ma to znaczenie dla przyszłego bezpieczeństwa

Z perspektywy ogólnej badanie pokazuje, że starannie zaprojektowane połączenie klasycznego deep learningu i przetwarzania w stylu kwantowym może nauczyć się odwracać bardzo skomplikowane wizualne zamazania, nie znając nigdy dokładnego klucza ani formuły szyfru. Dziś zademonstrowano to na małych, skali odcieni szarości cyfrach i symulowanych obwodach kwantowych, lecz te same pomysły można rozszerzyć na obrazy medyczne, zdjęcia satelitarne czy bezpieczne łącza optyczne — wszędzie tam, gdzie zaszyfrowane obrazy muszą być niezawodnie odtwarzane. W miarę dojrzewania sprzętu kwantowego podobne hybrydowe konstrukcje mogą być podstawą zarówno silniejszych zabezpieczeń, jak i bardziej zaawansowanych narzędzi analitycznych w erze postkwantowej, gdy zrozumienie i kontrola tego, co można wyczytać z zaszyfrowanych danych, będą kluczowe.

Cytowanie: 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

Słowa kluczowe: szyfrowanie obrazu, kwantowe sieci neuronowe, hybrydowa SI, chaotyczna kryptografia, bezpieczeństwo postkwantowe