通过准量子神经网络 (Q²NNs) 破解混沌视觉密码

破解隐藏的图像

我们的手机和电脑每天都在悄悄地对照片和消息进行加扰，以防止被窥视。但随着攻击者获得越来越强大的工具——包括未来的量子计算机——现有的保护措施可能不再充足。本文探讨了一种新方法，使用经典人工智能与借鉴自量子物理的思想相结合，“读取”极度混淆的图片，从而为未来更智能的安全系统——以及更高明的攻击手段——提供启示。

从简单数字到被严重扰乱的图像

研究人员从一个熟悉的试验集开始：微小的 28×28 像素手写数字图像，类似于训练基础手写识别器时使用的样本。他们并不对这些数字进行分类，而是先把它们通过一个故意残酷的扰乱过程，以模拟强视觉密码。像素在图像中按一个表现出混沌行为的映射被打乱，亮度值通过一个对初始条件高度敏感的数列被改变，最后结果像素沿锯齿路径再次重新排序。最终的输出是一个看起来像随机噪点的方块，肉眼几乎无法分辨原来的 “1”、“5” 或 “8”。

双轨“大脑”：经典与量子并行

为了从这种混乱中恢复原始图像，团队没有尝试数学上“逆转”密码。相反，他们把解密当作一个学习问题。他们构建了一个称为准量子神经网络（Q²NN）的混合模型。加密图像并行输入到两条路径。一条是传统的卷积自编码器，这类深度网络擅长发现局部形状和纹理；另一条模拟小型量子电路的行为：图像被压缩为短向量，编码为虚拟量子比特的旋转，通过可训练电路实现纠缠，然后测量回一组新的特征。这两种重建结果由一个可学习的“融合”单元混合，该单元在训练过程中决定在每个像素上应多大程度地信任每个分支。

学会透过混沌看见

模型通过大量被扰乱图像与原图对进行训练，逐步调整内部参数，使输出尽可能接近干净的数字。为了评判成功，作者不仅查看原始像素误差，还采用感知结构的度量：重建是否保留了对人眼重要的形状和对比？在所测试的三个数字类别上，混合网络明显优于纯经典网络和纯量子启发式网络。它取得了极低的重建误差和高的结构相似性得分，意味着解密后的数字几乎与原图无法区分，尽管输入看起来像纯噪声。

测试密码的强度

当然，只有当密码本身确实很难被破解时，一个聪明的解密模型才算令人印象深刻。因此，作者使用标准的密码学统计对他们的混沌加密流程进行了强度测试。扰乱后的图像在香农熵意义上接近最大随机性，相邻像素基本不相关，对原始图像的微小改动会在加密版本中引起巨大且广泛的变化。这些数值与其他最先进的基于混沌的图像密码相当或更优，证明施加给神经网络的任务远非简单。

为何这对未来安全至关重要

从高层次看，这项研究表明，经过精心设计的经典深度学习与类量子处理的混合方法，可以在不掌握确切密钥或密码公式的情况下学会逆转非常复杂的视觉扰乱。当前该方法在小型灰度数字与模拟量子电路上得到验证，但相同思路可以扩展到医学图像、卫星照片或安全光学链路——任何需要可靠重建被扰乱图像的场景。随着量子硬件的发展，类似的混合设计可能既能支撑更强的防御，也能推动后量子时代更强大的分析工具，在那个时代，理解并控制从加密数据中能学到什么将至关重要。

引用: 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

关键词: 图像加密, 量子神经网络, 混合人工智能, 混沌密码学, 后量子安全