近期，我院/原子亚原子结构与量子调控教育部重点实验室/广东省高等学校物质结构与相互作用基础研究卓越中心/广东省量子调控工程与材料重点实验室/粤港量子物质联合实验室/粤港澳大湾区量子科学中心顾敏副教授课题组与电子科技大学张晓玲教授课题组的樊矾博士合作，通过格拉米角场(GAF)和离散傅里叶变换(DFT)相结合，实现了一维序列到二维图像的转换；通过二维卷积神经网络与多头自注意力机制相结合，充分提取了图像的特征信息和原始序列间的关系权重；最终设计了“MA-DG”神经网络模型(图1)，实现了更加精确的评估随机数发生器中熵源的最小熵。该相关研究成果于9月4日以“MA-DG: Learning Features of Sequences in Different Dimensions for Min-Entropy Evaluation via 2D-CNN and Multi-Head Self-Attention”为题在信息安全领域国际顶级学术期刊《IEEE Transactions on Information Forensics and Security》上在线发表。论文链接：https://url.scnu.edu.cn/record/view/index.html?key=69caf3026120da8eab6a008e1b2b6788。

最小熵是评估随机数发生器中熵源质量的重要指标。因为熵源的质量直接决定了所生成的随机数的质量，而随机数的质量又直接影响密码系统的安全，所以精确评估熵源的最小熵具有十分重要的实际应用价值和科学研究价值。

研究团队客观分析了现有熵估计方法精度低、性能容易达到瓶颈的不足，并受到了计算机视觉领域常用的骨干网络的启发，提出了将一维随机数序列通过GAF转换为二维图像并使用DFT丰富图像的信息，然后设计了二维卷积神经网络以及“E-Inception”模块提取和学习图像中的特征，同时使用Multi-Head Self-Attention多头自注意力机制保留了原始一维序列的相关信息。最后使用“Information Fusion”信息融合模块进行了特征融合并获得图像分类的精确度，进一步计算了待测熵源的最小熵。实验验证了所提出的模型的熵估计精确度要高于现有方法，表明了所提出的“MA-DG”模型不仅可以弥补现有熵估计方法的缺陷和不足，而且可以为设计性能更好、精度更高的熵估计方法提供一定的思路。

华南师范大学为论文第一完成单位，我院22级新一代电子信息技术专业硕士研究生黄仪龙为该工作的第一作者，顾敏副教授和电子科技大学樊矾博士为该工作的共同通讯作者，23级硕士研究生黄潮锋和电子科技大学杨浩淼教授参与了部分工作。该项工作得到了量子科学与技术创新计划、国家自然科学基金、广东省量子科学战略专项、广东省自然科学基金等项目的资助。

“MA-DG”神经网络模型结构