.png){kind=icon}
返回
Polarization Drift Compensation for Quantum Key Distribution Using Machine Learning
.png){kind=icon}
PRE
AI
DOI：10.1134/S1063779625700765.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在各种光通信应用中，例如量子密钥分发（QKD）系统，光纤中的偏振控制任务随之产生。接收端使用偏振控制器（PC）来解决这个问题。在我们的工作中，我们研究了两种用于偏振控制的机器学习方法：监督学习（SL）和强化学习（RL）。我们使用SL方法推导出偏振控制问题的通用解析解。监督学习算法在仿真中训练后，在实验装置中进行了验证。我们比较了监督方法与解析解。RL方法的优势在于其能够近似与检测过程不完美相关的非线性效应。为了使偏振控制算法有效运行，需要了解PC的参数。强化学习代理还可以消除控制硬件的校准程序，因为代理基于与环境交互的经验来识别必要的系统参数。RL代理首先在仿真中进行预训练，然后在实际的QKD系统中进行微调。我们证明了RL代理的调优可使我们的装置的量子比特误码率（QBER）达到10%，并在10步内收敛。
Keyword:
FIBERS
期刊
P
IF:
0.5
论文数:
112
被引数:
0
机构
引用论文
Analytical solution to the problem of polarization drift compensation in all-fiber QKD system.png)
IF0
PREAI
分享收藏Polarization variations in installed fibers and their influence on quantum key distribution systemsOPTICS EXPRESS
OAAI
OPTICS EXPRESSIF3.3
OAAI分享收藏Single-photon detectors for optical quantum information applications用于光量子信息应用的单光子探测器NATURE PHOTONICS
NATURE PHOTONICSIF32.9
PREAI
分享收藏分享收藏Active polarization stabilization in optical fibers suitable for quantum key distributionOPTICS EXPRESS
OAAI
OPTICS EXPRESSIF3.3
OAAI分享收藏分享收藏
查看更多内容