通过深度学习在随机激光中架起无序与有序之间的桥梁以用于密码学应用

光、混沌与隐藏的模式

我们的私信、银行信息和病历每天都依赖数字密钥保护——这些密钥是长串比特，理论上不应被猜出。但随着计算能力，尤其是量子计算的发展，今天用于生成和分发这些密钥的数学手段可能不再安全。本文探讨一种完全不同的方法：利用一种特殊的“随机”激光与人工智能，基于物理定律而非困难的数学问题来创建并传输密钥。

源于无序的躁动激光

与普通激光中精磨的镜面不同，随机激光依赖无序。在这里，作者使用一小段充满染料分子和微小纳米粒子的塑料光纤。当一束绿光脉冲进入这朦胧的纤芯时，光在其中不可预测地散射并获得能量。超过某一泵浦能量阈值后，增益与散射的组合产生一种其光谱看起来像由狭窄、参差不齐峰值构成的“森林”的激光。这些峰的位置在波长上保持固定，但峰值强度在脉冲之间剧烈波动。这种躁动行为使该装置成为一个有吸引力的物理随机源——而高质量的随机性是安全密码学的关键成分。

时间上随机，但并非无所作为

团队首先问：这些随时间变化的强度闪烁能否被预测？他们把每个波长处的光谱视为独立的时间序列，并将这些信号的长历史输入多种通常擅长捕捉数据模式的先进神经网络模型中。作为对照，他们还生成了传统的伪随机序列，这种序列在技术上是可预测的，因为它遵循隐藏的公式。网络很容易学会人工序列，几乎达到完美的预测精度。而形成鲜明对比的是，相同的模型在激光数据上的表现极差，即便给予更多的训练样本或更长的历史也无济于事。这表明，从脉冲到脉冲，某一波长通道的亮度本质上不可预测，强化了该激光作为高质量随机源的价值。

光谱中隐匿的有序

然而，故事并不止于混沌。当作者在某一时刻跨光谱观察时，他们看到结构的迹象：某些波长往往一起增减，而另一些则相互对立。为探测这种微妙的有序性，他们通过仅采样稳定的峰与谷来压缩每个光谱，然后让一个深度神经网络完成一个新挑战：在同一时刻从剩余峰值预测一个或多个缺失峰的高度。此时机器学习表现出色。仅凭其他波长的强度，网络就能以约99.99%的准确率恢复单个缺失峰，并且在恢复多个峰时仍保持较高的准确率。换言之，尽管激光在时间上是随机的，但其在某一时刻的光谱分量之间存在一种隐藏的、确定性的关系，神经网络可以学会并加以利用。

将闪烁转化为数字秘密

基于这种双重特性——随时间随机、跨波长有序——研究者设计了一种用于安全密钥生成与分发的物理方案。通信一方爱丽丝测量所选光谱峰在多次脉冲中的亮度，并将这段不可预测的序列转换为随机比特，谨慎处理以确保零与一出现概率均等并通过严格的统计检验。随后她从光谱中移去该峰，仅将剩余的光通过自由空间发送给鲍勃。鲍勃测量不完整的光谱并将其峰谷强度输入预先训练好的神经网络。网络在每次脉冲上重建缺失峰的强度，使鲍勃能够生成与爱丽丝完全相同的比特序列——而他从未直接接收到关键的峰值。

让窃听者一无所获

作者还考虑了两类窃听者。一类不能使用专用神经网络，只能采样邻近的光谱通道；另一类拥有正确的网络，但收到的是被扭曲、带噪声的信号，导致采样位置略有偏移。在模拟中，这两类攻击者最终得到的密钥与爱丽丝的密钥基本无相关，而鲍勃即便在噪声和激光功率变化下仍能保持几乎完美的一致。差错纠正码可以进一步清理鲍勃的比特而不会帮助攻击者。对普通读者来说，主要结论是：这种将无序光学与巧妙算法结合的混合方案能够创建极难被窃取的共享数字秘密，指向一种在传统密码学可能不足以应对的未来中的新硬件级安全途径。

引用: Hu, Z., Qi, L., He, S. et al. Bridging disorder and order in random lasers for cryptographic applications via deep learning. Commun Phys 9, 132 (2026). https://doi.org/10.1038/s42005-026-02600-z

关键词: 随机激光, 物理密码学, 深度学习, 安全密钥分发, 光纤