【技术实现步骤摘要】
本专利技术涉及深度学习领域以及量子随机数领域，特别涉及量子信息技术中量子随机数随机性检验领域。
技术介绍
1、经典随机数算法由计算机生成，通过使用确定性算法对设定好的随机种子进行拓展得到，具有较长的周期性，由于算法的确定性导致其可以被预测。量子随机数产生器基于物理现象生成，具有真正的随机性，不存在周期且无法被预测。由于目前没有对随机性的严格定义，人们使用的随机性测试仍然是由确定性算法构成的，如diehard和nist-sts。它们可以非常有效地评估算法的随机性，而其目的是估计伪随机算法生成的随机性是否满足一定的统计分布和应用。然而，受限于模式识别与数据分析能力，这些传统随机性测试在伪随机数评估中表现出了不足，例如一些伪随机算法中存在微弱且固有的模式，但由于其具有良好的统计特性，却能够通过多项统计测试标准。因此，传统的测试方法不足以客观地理解理想随机性并优化随机序列的生成，尤其是对于基于量子力学原理生成的随机序列。即使设备独立(di)方法可以量化“量子”，仍然没有有效的方法来区分量子物理过程和其他过程产生的随机数。基于普遍逼近定理，通过训...
【技术保护点】
1.一种利用基于神经网络的深度学习检验随机性的方法，其特征在于：
2.根据权力1所述的利用基于神经网络的深度学习检验随机性的方法，其特征在于，所述的系统中，主干网络是由编码层、LSTM神经网络模型和Attention机制组成的。
3.根据权力2所述的用基于神经网络的深度学习检验随机性的方法，其特征在于，所述的系统中，编码层用于将多位随机序列合并作为输入，提高单次输入的信息量，LSTM神经网络模型用于提取随机数序列的时间特征信息，Attention机制用于解决LSTM存在的长时间依赖丢失信息的问题。
4.根据权力3所述的用基于神经网络...
【技术特征摘要】
1.一种利用基于神经网络的深度学习检验随机性的方法，其特征在于：
2.根据权力1所述的利用基于神经网络的深度学习检验随机性的方法，其特征在于，所述的系统中，主干网络是由编码层、lstm神经网络模型和attention机制组成的。
3.根据权力2所述的用基于神经网络的深度学习检验随机性的方法，其特征在于，所述的系统中，编码层用于将多位随机序列合并作为输入，提高单次输入的信息量，lstm神经网络模型用于提取随机数序列的时间特征信息，attention机制用于解决lstm存在的长时间依赖丢失信息的问题。
4.根据权力3所述的用基于神经网络的深度学习检验随机...
【专利技术属性】
技术研发人员：王翔宇，游梓欣，陈子扬，徐兵杰，喻松，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。