基于量子密钥分布的神经网络预测密钥速率

例如，由于使用相干光通信中常见的组件，CV-QKD 在大都市距离使用时具有明显的优势 36、37。 CV-QKD 中使用的零差 38 和外差 39 测量技术的特点还在于高水平的光谱过滤，这对于抑制波分复用通道上的串扰至关重要。 因此，数百个 QKD 通道可以组合成一根光纤，并与经典数据通道一起传输。 QKD 通道可以更有效地集成到现有的通信网络中。 在 CV-QKD 中，离散调制技术因其能够降低对调制设备的要求而备受关注 31,40,41,42,43,44,45,46,47,48,49,50。 然而，由于缺乏对称性，离散调制 CV-QKD 的安全性证明也主要依赖于数值方法 43,44,45,46,47,48,51。

不幸的是，要使用数值方法计算安全密钥速率，有必要最小化与实验数据相关的所有窃听攻击的凸函数 52, 53。 这种优化取决于 QKD 协议的参数数量。 例如，在离散调制 QKD 中，数量参数通常为（1000-3000），具体取决于不同的截止光子数。 相应的优化可能需要几分钟或几小时51。 因此，重要的是创建比数值方法更有效地计算关键利率的工具。

我们在本研究中使用零差检测器离散调制 QKD44 来构建能够预测安全密钥速率的神经网络。 这将节省时间和资源。 我们的神经网络应用于通过不同程度的过量噪声和距离获得的一组测试数据。 调整超参数后，我们观察到出色的准确性和显着的时间节省。 预测的密钥速率很可能是安全的。 我们的方法非常灵活，可用于计算各种非结构化量子密钥分发协议的复杂安全密钥率。 我们的模型可以轻松部署在移动设备、嵌入式 Linux、微控制器和其他边缘设备上。

来源和详细信息：
https://www.nature.com/articles/s41598-022-12647-x