.png){kind=icon}
返回
Parameter optimization for mode-pairing quantum key distribution based on LightGBM
.png){kind=icon}
PRE
AI
DOI：10.1364/OPTCON.581743.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于模配对量子密钥分发（MP-QKD）技术，在高距离、低损耗光纤中实现高密钥生成速率和高安全性。在实际应用中，当考虑有限数据集时，MP-QKD需要对通道光比特误码率（eopt）、探测器暗计数（Pd）、信号总数（N）和相位切片数（M）等参数进行优化。然而，传统的穷举遍历或局部搜索算法无法满足实时通信系统的时间与资源需求。结合机器学习，量子密钥分发中的参数优化预测已成为主流方法。XGBoost（梯度提升决策树算法）、代表经典袋装集成学习方法的随机森林（RF）以及反向传播神经网络（BPNN）是神经网络中的重要算法。本研究采用LightGBM（轻量级梯度提升机）算法预测MP-QKD的优化参数。结果表明，LightGBM能够高效准确地预测最优参数，在参数预测上略优于XGBoost、RF和BPNN，可为未来实时QKD网络提供参考。© 2026 Optica Publishing Group，依据Optica开放获取出版协议。
Keyword:
LightGBM
mode-pairing quantum key distribution
parameter optimization
machine learning
quantum key distribution
期刊
O
IF:
1.4
论文数:
182
被引数:
0
机构
引用论文
.png){kind=icon}
Reference-frame-independent quantum key distribution based on machine-learning-enhanced qubit-based synchronization基于机器学习增强的基于量子比特同步的参考系无关量子密钥分发
PREAI
分享收藏
查看更多内容