DeepMind 论文:扩散模型分解 68 位半素数,但 RSA 无需担心
weballergy · x · 2026-11-10
DeepMind 研究团队(Brendan O'Donoghue、Raia Hadsell、Demis Hassabis 等署名)发布新预印本《Semiprime Factorization with Discrete Diffusion and Beam Search: Scaling Laws》。
- 方法:用离散去噪扩散训练 transformer,解码时通过引导式测试时 beam search,纯从数据学习恢复半素数的素因子,无需数论先验。
- 成绩:成功分解 68 位整数,大幅超越此前 56 位的机器学习最佳纪录。
- 分工:扩散模型充当生成先验,筛出有希望的候选因子,再由精确验证或基于格的后处理完成分解。
- scaling law:与语言不同,这里问题规模(位长)是 scaling 行为的主导因素——要在测试集上达到固定精度,所需算力随位长指数增长。
- 安全性结论:据此推算,分解密码学相关规模整数的算力成本仍不可行,对现有加密体系不构成威胁。
所属事件:DeepMind 论文用扩散模型分解 68 位半素数(3 条相关)→
「研究」频道最新
- 微软颁专利奖：可删除用户代理实现 LLM 隐私保护个性化 — SchoeneggerPhil · 2026-11-10
- 算法史的历史:程序员写的「深史」如何垄断了算法叙事 — fkasummer · 2026-11-10
- 大鼠海马体用同一张地图表征自己与同伴的位置 — AnnaCiaunica · 2026-11-10
- Ripple 65B 逐层分析:value residual 不是摆设,第 6 层只靠它 — DZhang50 · 2026-11-10
- 论文实证：on-policy distillation 可容忍量化推理与异步 rollout 的训练-推理失配 — Cong Yu · 2026-11-10
- Fraunhofer 发布 SD-ViT:人脸识别任意深度早退,无需重建底库 — FraunhoferIGD · 2026-11-10