基于机器学习的星地连续变量量子密钥分发量子波前校正
量子物理
2026-02-10 v1 信号处理
光学
摘要
最先进的自由空间连续变量量子密钥分发（CV-QKD）协议使用相位参考脉冲在接收端调制实本振的波前，从而补偿由大气湍流引起的波前畸变。通常假设这些相位参考脉冲中的波前畸变与在传输中复用的量子信号中的波前畸变相同。然而，在许多实际部署中，参考脉冲与量子信号之间可能存在相对波前误差（WFE），这种误差以及其他有害效应会严重限制星地 CV-QKD 的安全密钥传输。在这项工作中，我们引入了基于机器学习的新型波前校正算法，该算法利用多平面光转换将参考脉冲和量子信号分解到厄米-高斯（HG）基上，然后估计 HG 模式相位测量的差异，从而有效消除这一问题。通过对地-卫星信道的详细模拟，我们证明我们的新算法能够快速识别并补偿任何可能存在的相对 WFE，同时在参考脉冲和量子信号的 WFE 相似时不会造成任何损害。我们根据 CV-QKD 安全密钥率量化了算法可获得的增益。我们展示了使用我们的算法可获得正安全密钥率的信道，而未进行波前校正时的信息损失将导致零密钥率。
引用
@article{arxiv.2508.10326,
title = {Quantum Wavefront Correction via Machine Learning for Satellite-to-Earth CV-QKD},
author = {Nathan K. Long and Ziqing Wang and Benjamin P. Dix-Matthews and Alex Frost and John Wallis and Kenneth J. Grant and Robert Malaney},
journal= {arXiv preprint arXiv:2508.10326},
year = {2026}
}