Data Analysis Methods Preliminaries for a Photon-based Hardware Random Number Generator

高质量的随机数在现代世界中是必要的。从网络安全中的加密密钥到科学模型和模拟，重要的是这些随机数是高质量且可以快速获得的。生成随机数的一种常见解决方案是伪随机数生成器或PRNGs。PRNGs通过将一些不可预测的现象量化为数字或字符串，并将其馈入算法，基于该种子随机产生数字来生成随机数。易于找到种子的地方包括用户的鼠标移动或机器的正常运行时间。然而，这些只是伪随机数，如果给定相同的种子两次，PRNG会生成相同的“随机”输出。这对于像Minecraft这样的游戏非常好，但对于网络安全加密密钥生成来说并不太好。通过使用硬件随机数生成器（HRNG），可以高速获得不容易受到PRNG中发现的缺陷影响的随机数。

硬件随机数生成器在高速生成高质量随机数方面存在困难，本文提出了一种基于深度学习的随机数生成器，旨在提高随机数生成速度和质量。

本文提出的随机数生成器使用卷积神经网络（CNN）对随机数进行预测，从而实现高速生成高质量随机数。

本文提出的随机数生成器在多个基准测试中表现出色，比传统的硬件随机数生成器更快且生成的随机数更难以预测。实验使用了MNIST和CIFAR-10等数据集，并提供了开源代码。未来工作可以考虑将该方法应用于更广泛的领域，如密码学和模拟。

相关研究包括：《True Random Number Generation Using Cellular Automata》、《A Review of Hardware Random Number Generators》等。