机器学习辅助的连续变量量子密钥分发载波恢复
量子物理
2021-05-13 v1
摘要
连续变量量子密钥分发（CV-QKD）系统的安全密钥速率受限于过量噪声。在所有采用参考或导频信号以及独立本振的现代CV-QKD系统中，一个典型的关键问题是控制由发射端与接收端累积的频率与相位噪声所产生的过量噪声。因此，精确的相位估计与补偿，即所谓的载波恢复，是CV-QKD的关键子系统。在此，我们探索基于贝叶斯推断的机器学习框架，即无迹卡尔曼滤波器（UKF），用于相位噪声估计，并将其与标准参考方法进行比较。在20 km光纤链路上获得的实验结果表明，即使在低导频功率下，UKF也能确保极低的过量噪声。测量结果显示，在宽范围的导频信噪比下，过量噪声具有低方差和高稳定性。这可能使CV-QKD系统具有低实现复杂度，并能在多种传输线路上无缝工作。
引用
@article{arxiv.2002.09321,
title = {Machine learning aided carrier recovery in continuous-variable quantum key distribution},
author = {Hou-Man Chin and Nitin Jain and Darko Zibar and Ulrik L. Andersen and Tobias Gehring},
journal= {arXiv preprint arXiv:2002.09321},
year = {2021}
}
备注
7 pages, 10 figures