Avkoda kaotiska visuella chiffer med hjälp av kvasi‑kvantneuronätverk (Q²NNs)

Bryta dolda bilder

Varje dag förvränger våra telefoner och datorer tyst fotografier och meddelanden för att skydda dem från nyfikna ögon. Men när angripare får tillgång till kraftfullare verktyg, inklusive framtida kvantdatorer, kanske dagens skydd inte längre räcker. Denna artikel undersöker ett nytt sätt att ”läsa” extremt förvrängda bilder med en blandning av klassisk artificiell intelligens och idéer hämtade från kvantfysik, vilket pekar mot både smartare säkerhetssystem — och smartare attacker — i morgon.

Från enkla siffror till vilt förvrängda bilder

Forskarna börjar med en välkänd testbänk: små 28×28 pixlar stora bilder av handskrivna siffror, liknande dem som används för att träna grundläggande handskriftsigenkänning. Istället för att klassificera dessa siffror körs de först genom en medvetet brutal förvrängningsprocess som ska efterlikna ett starkt visuellt chiffer. Pixlar blandas om över bilden med en karta som beter sig kaotiskt, deras ljushetsvärden ändras med hjälp av en känslig matematisk sekvens, och slutligen ordnas de resulterande pixlarna om igen längs en zigzag‑stig. Resultatet blir en brusig kvadrat som ser ut som slumpmässigt statiskt, där nästan inga spår av den ursprungliga ”1”, ”5” eller ”8” syns för blotta ögat.

En tvåspårig hjärna: klassiskt och kvant tillsammans

För att återställa den ursprungliga bilden från detta kaos försöker teamet inte att matematiskt ”återställa” chiffret. Istället betraktar de avkryptering som ett inlärningsproblem. De bygger en hybridmodell som de kallar ett kvasi‑kvantneuronätverk, eller Q²NN. Krypterade bilder matas in i två parallella banor. Den ena banan är en konventionell konvolutionsautoencoder, en typ av djupt nätverk som är bra på att hitta lokala former och texturer. Den andra banan imiterar beteendet hos en liten kvantkrets: bilden komprimeras till en kort numerisk vektor, kodas som rotationer av virtuella qubits, sammanflätas genom en träningsbar krets och mäts sedan tillbaka till en ny uppsättning funktioner. Dessa två rekonstruktioner blandas sedan av en inlärningsbar ”fusions”enhet som under träningen beslutar hur mycket den ska lita på varje gren för varje pixel.

Lära sig se genom kaoset

Modellen tränas med många par av förvrängda och ursprungliga bilder och justerar långsamt sina interna reglage så att dess utdata matchar den rena siffran så nära som möjligt. För att bedöma framgång tittar författarna inte bara på rå pixelfel utan även på ett mått på uppfattad struktur, och frågar: bevarar rekonstruktionen former och kontraster som är viktiga för mänskliga ögon? På alla tre testade sifferslagen slår det hybrida nätverket med tydlig marginal ett rent klassiskt nätverk och ett rent kvantinspirerat sådant. Det uppnår extremt låga rekonstruktionsfel och höga strukturella likhetspoäng, vilket innebär att de avkrypterade siffrorna ser nästan omöjliga att skilja från sina original, trots att ingångarna liknar rent brus.

Testa chiffrets styrka

Naturligtvis är en skicklig avkrypteringsmodell imponerande bara om chiffret i sig verkligen är svårt att knäcka. Författarna utsätter därför sin kaotiska krypteringskedja för hårda tester med standardiserade kryptografiska statistiker. De förvrängda bilderna har nästan maximal slumpmässighet enligt Shannons entropi, intilliggande pixlar är i princip okorrelerade, och små förändringar i den ursprungliga bilden orsakar stora, omfattande förändringar i den krypterade versionen. Dessa värden står sig väl mot, eller överträffar, andra toppmoderna bildchiffer baserade på kaos, vilket bekräftar att uppgiften som ställs för neuronnätet långt ifrån är trivial.

Varför detta spelar roll för framtida säkerhet

På hög nivå visar studien att en väl avvägd blandning av klassisk djupinlärning och kvantliknande bearbetning kan lära sig att vända mycket komplicerad visuell förvrängning utan att någonsin få den exakta nyckeln eller formeln för chiffret. I dag demonstreras detta på små gråskaliga siffror och simulerade kvantkretsar, men samma idéer skulle kunna utvidgas till medicinska bilder, satellitfoton eller säkra optiska länkar — varhelst förvrängda bilder måste rekonstrueras pålitligt. När kvantmaskinvaran mognar kan liknande hybriddesigner ligga till grund för både starkare försvar och mer kapabla analysverktyg i den postkvantala eran, där det blir avgörande att förstå och kontrollera vad som kan läras från krypterad data.

Citering: 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

Nyckelord: bildkryptering, kvantneuronätverk, hybrid AI, kaotisk kryptografi, postkvantum­säkerhet