量子所（HHQC）在量子密碼學領域再獲重要國際學術成果！由研究員廣岡大河（Taiga Hiroka）與所長謝明修（Min-Hsiu Hsieh）以及研究院顧問京都大學（Kyoto University）Tomoyuki Morimae 教授團隊合作完成的最新研究成果《Hardness of Quantum Distribution Learning and Quantum Cryptography》，已正式被國際密碼學旗艦會議 ASIACRYPT 2026 接收。此外，廣岡大河（Taiga Hiroka）亦獲邀擔任本屆 ASIACRYPT 2026 的議程委員會委員（Program Committee），展現研究院團隊在國際密碼學術社群的專業深度與影響力。   

🔒 量子分佈學習的計算複雜度與量子密碼學基礎

在傳統密碼學中，單向函數（One-Way Functions, OWFs）的存在性是構建安全密碼系統的基石，而「能否自 P != NP 建立 OWFs」更是複雜度理論的核心難題之一，向來透過「學習困難度」（Hardness of Learning）的架構進行刻劃。然而，在量子密碼學的世界中，單向函數未必是最低假設，單向難題（One-Way Puzzles, OWPuzzs）作為其量子對應物，此前卻缺乏類似的學習理論完整特徵化刻劃。

本項研究首次為量子單向難題與計算學習理論建立了完整的等價刻劃：

• 量子單向難題與分佈學習的等價性：團隊證明了 OWPuzzs 的存在性，與「真子集量子分佈學習（Proper Quantum Distribution Learning）在平均情況下（Average-case）不可解」互為充要條件。

• 分離與難度阻礙界定：進一步探討量子單向難題是否能單純自 PP != BQP 推導時，研究表明若欲透過黑箱歸約證明 Proper Quantum Distribution Learning 具備 worst-case PP-hardness，將直接導出 SampBQP != SampBPP 僅依賴於多項式階層（Polynomial-time Hierarchy）無限性之結論，指出突破此難題的理論阻礙。

• 基於最壞情況假設的量子優勢構建：研究指出不可知量子分佈學習（Agnostic Quantum Distribution Learning）相對於統計距離（Statistical Distance）的計算困難度，可成功導出 SampBQP != SampBPP。這是學界首度僅從分佈學習中的「最壞情況假設」（Worst-case assumption in distribution learning）成功建構出基於取樣的量子優勢（Sampling-based Quantum Advantage）。

🏛️ 參與國際同行評審 深化全球學術影響力

ASIACRYPT 為國際密碼學研究協會（IACR）旗下三大旗艦會議之一（與 CRYPTO 及 EUROCRYPT 並列），代表密碼學與資安理論領域的最高學術殿堂之一。廣岡大河（Taiga Hiroka）除在量子密碼學與元複雜度（Meta-complexity）等前沿方向持續產出關鍵成果外，此次亦受邀擔任 ASIACRYPT 2026 議程委員（Program Committee），參與論文審查與學術把關，彰顯國際社群對其研究專業的高度認可。   

🤝 持續深化前沿理論佈局與國際學術合作

鴻海研究院量子計算研究所將持續攜手國內外頂尖科研機構與合作大學，深耕量子演算法、量子密碼學與後量子安全架構等基礎理論。透過前瞻理論推導與國際學術合作，團隊致力於為次世代量子運算與安全驗證奠定嚴謹基礎，培育高階科研人才並推進量子科技的實用化進程。 

更多資訊：

https://asiacrypt.iacr.org/2026/