Criptografía para problemas QUBO

  1. Caruso, Mariano 1
  2. Escánez Expósito, Daniel 2
  3. Caballero Gil, Pino 2
  4. Kuchkovsky, Carlos
  1. 1 Universidad Internacional de La Rioja
    info

    Universidad Internacional de La Rioja

    Logroño, España

    ROR https://ror.org/029gnnp81

  2. 2 Universidad de La Laguna
    info

    Universidad de La Laguna

    San Cristobal de La Laguna, España

    ROR https://ror.org/01r9z8p25

Actas:
Jornadas Nacionales de Investigación en Ciberseguridad (JNIC) (9ª.2024. Sevilla)
  1. Varela Vaca, Ángel Jesús (coord.)
  2. Ceballos Guerrero, Rafael (coord.)
  3. Reina Quintero, Antonia María (coord.)

Editorial: Universidad de Sevilla. Escuela Técnica Superior de Ingeniería Informática

ISBN: 978-84-09-62140-8

Ano de publicación: 2024

Tipo: Achega congreso

GOOGLE SCHOLAR lock_openIdus editor

Resumo

Los problemas cuadráticos sin restricciones de optimización binaria (QUBO) son ubicuos y pueden ser resueltos vía computación clásica o cuántica. Su resolución vía internet conlleva una posible exposición de la información codificada en dicho problema de optimización. Este artículo propone la resolución de problemas QUBO de forma segura mediante dos métodos criptográficos agnósticos al hardware utilizado.

Referencias bibliográficas

  • Or´us, R., Mugel, S., Lizaso, E.: “Quantum computing for finance: Overview and prospects”, Reviews in Physics, vol. 4, pp. 100028, 2019.
  • Hong, S. W., et al.: “Market graph clustering via qubo and digital annealing”, Journal of Risk and Financial Management, vol. 14, n. 1, pp. 34, 2021.
  • Neukart, F., et al.: “Traffic flow optimization using a quantum annealer”, Frontiers in ICT, vol. 4, pp. 29, 2017
  • Li, R. Y., et al.: “Quantum annealing versus classical machine learning applied to a simplified computational biology problem”, NPJ quantum information, vol. 4, n. 1, pp. 14, 2018.
  • Novak, R.: “Quantum Algorithms in Electromagnetic Propagation Modelling for Telecommunications”, IEEE Access, 2023.
  • Streif, M., Neukart, F., Leib, M.: “Solving quantum chemistry problems with a d-wave quantum annealer”, Quantum Technology and Optimization Problems: First International Workshop, Springer International Publishing, vol, 11413, pp. 111-122, 2019.
  • Rehfeldt, D., Koch, T., Shinano, Y.: “Faster exact solution of sparse MaxCut and QUBO problems”, Mathematical Programming Computation, vol. 15, n. 3, pp. 445-470, 2023.
  • Tabi, Z., et al.: “Quantum optimization for the graph coloring problem with space-efficient embedding”, 2020 IEEE international conference on quantum computing and engineering (QCE), pp. 56-62, 2020.
  • Mniszewski, S. M.: “Graph partitioning as quadratic unconstrained binary optimization (QUBO) on spiking neuromorphic hardware”, Proceedings of the International Conference on Neuromorphic Systems, pp. 1-5, 2019.
  • Date, P., Potok, T.:“Adiabatic quantum linear regression”, Scientific reports, vol. 11, n. 1, pp. 21905, 2021.
  • Date, P., Arthur, D., Pusey-Nazzaro, L.: “QUBO formulations for training machine learning models”, Scientific reports, vol. 11, n. 1, pp. 10029, 2021.
  • Brush, S. G.: “History of the Lenz-Ising model”, Reviews of modern physics, vol. 39, n. 4, pp. 883, 1967.
  • Albash, T., Lidar, D. A.: “Adiabatic quantum computation”, Reviews of Modern Physics, vol. 90, n. 1, pp. 015002, 2018.
  • Hauke, P., et al: “Perspectives of quantum annealing: Methods and implementations”, Reports on Progress in Physics, vol. 83, n. 5, pp. 054401, 2020.
  • Horn, R. A., Johnson, C. R. “Matrix Analysis”, Cambridge University Press, ISBN: 0521386322, (1990).
  • Birkhoff, G. “Three observations on linear algebra”, Univ. Nac. Tacuman, Rev. Ser. A, 5, 147-151 (1946).