中文

实际约束下基于机器学习的 CV-QKD 优化

量子物理 2026-06-30 v1
作者: Svitlana Matsenko , Amirhossein Ghazisaeidi , Marcin Jarzyna , Mateusz Kucharczyk , Mikkel Schmidt , Konrad Banaszek , Darko Zibar
在 arXiv 上查看 ↗ PDF ↗

摘要

实际硬件限制，包括有限的发射机和接收机滤波器长度以及数模和模数转换器的有限分辨率，会导致模式失配并降低连续变量量子密钥分发系统的性能。为解决这一问题，我们开发了一个基于机器学习的端到端优化框架，联合优化发射机脉冲整形和接收机匹配滤波。该方法在现实硬件约束下采用强化学习，包括有限数量的滤波器抽头、有限的数模和模数转换器分辨率、模拟低通滤波以及最优平均光子数。通过缓解模式失配并考虑实现约束，所提出的方法提高了整体系统性能。仿真结果表明，与传统方法相比，安全密钥率得到提升，证明了所提出框架的有效性。

关键词

连续变量量子密钥分发 机器学习 强化学习 脉冲整形 匹配滤波 硬件约束

引用

@article{arxiv.2606.31534,
  title  = {Machine Learning based Optimization of CV-QKD Under Practical Constraints},
  author = {Svitlana Matsenko and Amirhossein Ghazisaeidi and Marcin Jarzyna and Mateusz Kucharczyk and Mikkel Schmidt and Konrad Banaszek and Darko Zibar},
  journal= {arXiv preprint arXiv:2606.31534},
  year   = {2026}
}