如需要完整文档点击下方 "点击下载文档" 按钮
量子密钥分发(quantum key distribution, QKD)结合一次一密的加密方式, 可以实现无条件安全的量子通信. 双场(twin-field, TF) QKD和测量设备无关(measurement-device-independent, MDI) QKD具有较高的安全性, 同时适合构建以测量端为中心的网络, 具有广阔的应用前景. 但在实际应用过程中, 参数配置对QKD性能有着极大影响, 而实际场景中存在着用户数量大、位置距离中心站点非对称、并且用户大部分处在实时移动中的特点. 面对上述实时的参数配置需求, 传统的参数优化方式将无法满足. 本文提出将监督机器学习算法应用于QKD参数优化配置中, 通过机器学习模型预测不同场景下TF和MDI两种常用协议的最优参数. 将神经网络、最近邻、随机森林、梯度提升决策树和分类回归决策树(classification and regression tree, CART)等监督学习模型进行对比, 结果显示CART模型在\begin{document}$ {R^2} $\end{document}等回归评估指标上均有最优表现. 在随机划分训练组、验证组情况下, 预测参数的密钥率与最优密钥率比值的均值在0.995以上; 在“超精度”和“超范围”两种极限情况下, 该均值仍能维持在0.988左右, 且在残差分析中具有较好的环境鲁棒性, 展现出较好的性能. 此外, 基于CART的新方案相较于传统方案在计算实时性表现上有很大提升, 将单次预测时间缩短至微秒量级, 很好地满足了通信方在移动状态下的实时通信需求.