Расшифровка хаотических визуальных шифров с помощью квази-квантовых нейронных сетей (Q²NN)

Взлом скрытых изображений

Каждый день наши телефоны и компьютеры тихо перемешивают фотографии и сообщения, чтобы уберечь их от посторонних глаз. Но по мере того как у злоумышленников появляются более мощные инструменты, включая будущие квантовые компьютеры, сегодняшние меры защиты могут перестать быть надёжными. В этой работе исследуется новый способ «прочитать» крайне замаскированные изображения с помощью сочетания классического искусственного интеллекта и приёмов, заимствованных из квантовой физики, что указывает на развитие как более умных систем безопасности, так и более совершенных атак будущего.

От простых цифр до сильно перемешанных изображений

Исследователи начинают с привычной тестовой среды: крошечных изображений рукописных цифр размером 28×28 пикселей, подобных тем, что используют для обучения простых распознавателей почерка. Вместо классификации эти цифры сначала подвергают намеренно жёсткой процедуре перемешивания, призванной имитировать мощный визуальный шифр. Пиксели перемещаются по изображению по карте, которая ведёт себя хаотически, их яркость изменяется с помощью чувствительной математической последовательности, а затем полученные значения пикселей снова перестраиваются по зигзагообразной траектории. В результате получается шумный квадрат, похожий на случайную помеху, без видимых признаков исходной «1», «5» или «8» невооружённым глазом.

Двухканальный «мозг»: классика и квант вместе

Чтобы восстановить исходное изображение из этого хаоса, команда не пытается аналитически «отменить» шифр. Вместо этого они рассматривают расшифровку как задачу обучения. Они создают гибридную модель, которую называют квази-квантовой нейронной сетью, или Q²NN. Зашифрованные изображения подаются параллельно по двум ветвям. Одна ветвь — это обычный сверточный автокодировщик, тип глубокой сети, умеющей находить локальные формы и текстуры. Другая ветвь имитирует поведение небольшого квантового каскада: изображение сжимается в короткий числовой вектор, кодируется как вращения виртуальных кубитов, запутывается через настраиваемую схему, а затем измеряется вновь, формируя набор признаков. Эти две реконструкции затем смешиваются обучаемым блоком «слияния», который решает в ходе обучения, насколько доверять каждой ветви для каждого пикселя.

Обучение видеть сквозь хаос

Модель обучают на множестве пар: перемешанное изображение — исходное изображение, постепенно подстраивая внутренние параметры так, чтобы её выход как можно точнее совпадал с чистой цифрой. Для оценки успеха авторы смотрят не только на сырую ошибку по пикселям, но и на меру воспринимаемой структуры, задаваясь вопросом: сохраняет ли реконструкция формы и контрасты, важные для человеческого глаза? По всем трём протестированным классам цифр гибридная сеть значительно превосходит как чисто классическую сеть, так и чисто квантово-ориентированную. Она достигает крайне низких ошибок реконструкции и высоких показателей структурного сходства, что означает: расшифрованные цифры выглядят почти неотличимо от оригиналов, хотя входы напоминают чистый шум.

Проверка стойкости шифра

Разумеется, впечатляющей можно считать только ту модель расшифровки, если сам шифр действительно сложно взломать. Поэтому авторы подвергают их хаотическую цепочку шифрования стресс-тестам с использованием стандартной криптографической статистики. Перемешанные изображения демонстрируют почти максимум случайности по энтропии Шеннона, соседние пиксели практически некоррелированы, а небольшие изменения в исходном изображении вызывают крупные, широко распространённые изменения в зашифрованной версии. Эти показатели сопоставимы с, а иногда и лучше, чем у других современных шифров на основе хаоса, подтверждая, что задача, поставленная перед нейронной сетью, далека от тривиальной.

Почему это важно для будущей безопасности

В широком смысле исследование показывает: тщательно спроектированное сочетание классического глубокого обучения и квантоподобной обработки может научиться обращать очень сложное визуальное перемешивание, не имея точного ключа или формулы шифра. Сегодня это продемонстрировано на маленьких градационных цифрах и имитируемых квантовых схемах, но те же идеи можно распространить на медицинские изображения, спутниковые снимки или защищённые оптические каналы — везде, где необходимо надёжно восстанавливать замаскированные изображения. По мере созревания квантового оборудования подобные гибридные архитектуры могут лечь в основу как более надёжных средств защиты, так и более мощных аналитических инструментов в постквантовую эпоху, где понимание и управление тем, что можно извлечь из зашифрованных данных, будет критически важным.

Цитирование: 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

Ключевые слова: шифрование изображений, квантовые нейронные сети, гибридный ИИ, хаотическая криптография, постквантовая безопасность