WPNet: rede neural com grafos aprende o "problema da palavra" e quebra criptossistema baseado em grupos não abelianos

O Problema da Palavra pergunta se duas sequências de geradores de um grupo representam o mesmo elemento algébrico. É indecidível em geral, e essa dureza computacional é a base de esquemas criptográficos pós-quânticos baseados em teoria combinatória de grupos, como o Wagner-Magyarik, que codifica segredos em palavras equivalentes difíceis de relacionar sem a chave.

O artigo introduz o WPNet, uma Graph Neural Network que mapeia palavras não reduzidas para estruturas de grafos dinâmicos e aprende, em um espaço de embedding contínuo, a agrupar elementos algebricamente equivalentes. Em vez de executar passos discretos de redução simbólica, o modelo identifica heuristicamente o representante geodésico de uma palavra por proximidade no espaço aprendido, e uma variante prediz diretamente o comprimento geodésico de palavras não reduzidas.

Na prática, isso demonstra IA como ferramenta ofensiva de criptoanálise: em vez de atacar a matemática subjacente com métodos simbólicos exatos, os autores usam aprendizado de máquina para extrair estatisticamente informação estrutural que deveria estar oculta. O ataque bem-sucedido contra o Wagner-Magyarik mostra que o esquema vaza informação suficiente para que um modelo treinado infira relações entre palavras cifradas sem resolver o problema subjacente de forma exata.

Isso é relevante para curadoria de segurança porque ilustra uma tendência mais ampla: esquemas pós-quânticos baseados em grupos não abelianos podem ter superfícies de ataque não capturadas por provas de segurança clássicas, mas exploráveis por aprendizado estatístico. O artigo é uma prova de conceito acadêmica, sem indicação de exploração contra sistemas em produção, mas reforça que auditorias de criptossistemas baseados em grupos devem considerar ataques assistidos por IA como categoria de risco.