Методы машинного обучения для оценки квантового состояния
Аннотации
Аннотация
Системы квантового распределения ключей (QKD) представляют собой краеугольный камень безопасной квантовой коммуникации, они во многом полагаются на процедуры постобработки для генерации ключей. В этих процедурах исправление ошибок (EC) является критично важным и вычислительно затратным этапом, где оценка квантового уровня ошибки (QBER) играет ключевую роль в оптимизации скорости передачи кода для протоколов на базе LDPC. Традиционные методы оценки QBER, основанные на физических моделях и статистике, часто сталкиваются с изменчивостью экспериментальных условий и выбросами в данных, что приводит к неоптимальной производительности.
В этом исследовании предлагается новый метод на основе машинного обучения для прогнозирования QBER и переформулируется проблема как задача прогнозирования временных рядов. С использованием реальных данных от квантовых передатчиков рассмотрены и оценены качество множества алгоритмов, включая градиентный бустинг с авторегрессионными компонентами, экспоненциальное сглаживание и глубокие нейронные сети, для прогнозирования QBER с большей точностью. Благодаря обширным экспериментам авторский подход демонстрирует значительное повышение эффективности коррекции ошибок по сравнению с традиционными методами, особенно в сложных условиях, таких как раскалибровка системы и нестационарный характер уровня ошибки.
Полученные результаты подчеркивают потенциал вычислительно легких классических алгоритмов машинного обучения, таких как экспоненциальное сглаживание с градиентным бустингом, которые превосходят сложные нейросети в реальных экспериментах. Это исследование поспособствует развитию квантовой криптографии, обеспечивая более быструю и надежную генерацию ключей при меньшем раскрытии информации во время сверки. Открываются новые возможности для интеграции машинного обучения в системы QKD для адаптивной и масштабируемой квантовой коммуникации.
