CN114511070A - 一种适用于双场量子密钥分发系统的零相位电压估计方法 - Google Patents

一种适用于双场量子密钥分发系统的零相位电压估计方法 Download PDF

Info

Publication number
CN114511070A
CN114511070A CN202210413501.7A CN202210413501A CN114511070A CN 114511070 A CN114511070 A CN 114511070A CN 202210413501 A CN202210413501 A CN 202210413501A CN 114511070 A CN114511070 A CN 114511070A
Authority
CN
China
Prior art keywords
phase
neural network
layer
network model
phase voltage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210413501.7A
Other languages
English (en)
Other versions
CN114511070B (zh
Inventor
徐佳歆
刘靖阳
陈颖豪
王琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210413501.7A priority Critical patent/CN114511070B/zh
Publication of CN114511070A publication Critical patent/CN114511070A/zh
Application granted granted Critical
Publication of CN114511070B publication Critical patent/CN114511070B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Neurology (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)

Abstract

本发明公开了一种适用于双场量子密钥分发系统的零相位电压估计方法，通过使用二相扫描方法获取初始数据，然后通过构建噪声过滤矩阵的方法对初始数据进行过滤，最后精确估算出零相位电压大小，从而解决了严重的统计起伏所导致的零相位电压估计不准确的问题，提升了双场系统零相位电压估计的准确性率。本发明通过神经网络来构建过滤矩阵，利用已预先训练完成的神经网络，根据二相扫描中实时的探测器D0、D1的0相位计数和
Figure 876797DEST_PATH_IMAGE001
相位计数来削弱统计起伏的影响，从而保证量子密钥分发系统长时间低误码稳定运行。

Description

一种适用于双场量子密钥分发系统的零相位电压估计方法
技术领域
本发明属于量子信息技术领域，具体涉及一种适用于双场量子密钥分发系统的零相位电压估计方法。
背景技术
量子密钥分发QKD是量子通信的核心，当前新兴的双场Twin-Field量子密钥分发系统可以在无量子中继的条件下打破线性界，实现远距离的密钥传输。作为一种三方通信的系统，双场系统要求两位发送端Alice和Bob制备出波长与相位完全一致的双光场，以实现完美的单光子干涉。其类似等臂马赫-曾德尔（MZ）干涉仪的结构使得其相位极易受到信道以及外界环境的扰动。因此，系统需要对Alice和Bob的相位差及零相位电压做出准确的估计以保证密钥传输。目前已有的相位估计方法包括时分复用扫描校准、双频带扫描，这些方案均需要消耗有效的传输占空比，传输效率目前的方案都在50%左右，其次，如果长距离部署的话，由于传播时间较长，用户双方的光脉冲经过同一段光纤所累计的相位也存在差异。因此，整体来说，虽然目前部分方案能够实现相位的快速校准，但是以牺牲系统传输效率为前提的。TF相位漂移的最大特点是快，它的控制周期是微秒级的。正是如此，在一个周期内的计数时间很短，且探测器计数的统计起伏非常大，若直接用探测计数进行零相位电压估计，则会得到不准确的估计结果。
发明内容
本发明目的在于针对上述现有技术的不足，提出了一种基于机器学习的针对相位估计的改进方法，该方法应用于量子密钥分发系统之中。在QKD系统的稳定调相阶段，在通过二相扫描获得的初始数据基础之上，通过神经网络来构建过滤矩阵，利用已预先训练完成的神经网络，根据二相扫描中实时的探测器D0、D1的0相位计数和
Figure 663621DEST_PATH_IMAGE001
相位计数来削弱统计起伏的影响，解决了严重的统计起伏所导致的特征不准确的问题，提升了特征数据的准确性，对相位估计进行了改进。本发明方案在不提高系统硬件复杂度的前提下极大的提高了量子密钥分发系统的传输效率。
本发明的一种适用于双场量子密钥分发系统的零相位电压估计方法，所述方法将机器学习模型应用于量子通信系统之中，并且以相位编码的双场量子密钥分发QKD作为其中一个应用场景，但不仅限于TF-QKD系统或相位编码系统；该QKD系统包括三个用户端Alice端、Bob端和Charlie端；Alice端和Bob端分别对每个光脉冲进行编码，编码后的脉冲沿着独立的通道传播，获得相位噪声
Figure 204324DEST_PATH_IMAGE002
，然后在Charlie端的分束器上干涉，并被单光子探测器D0和D1分别探测。
本发明的一种适用于双场量子密钥分发系统的零相位电压估计方法，具体包括如下步骤：
步骤1，获取数据集：
在Charlie端，扫描干涉曲线，去除无效数据后，获得多组任意全局原始噪声相位干涉曲线，每组包括两条干涉曲线，该两条曲线分别与接收端探测器D0和接收端探测器D1对应，从每组曲线中提取原始噪声计数，并进行降噪处理，从中提取纯净计数作为四个特征数据，分别是接收端探测器D0获取的分别在0相位和
Figure 254319DEST_PATH_IMAGE001
的相位的计数
Figure 323907DEST_PATH_IMAGE003
，接收端探测器D1获取的分别在0相位和
Figure 865877DEST_PATH_IMAGE001
的相位的计数
Figure 741430DEST_PATH_IMAGE004
;
步骤2，建立神经网络模型：
神经网络模型的输入层有四个神经元，输出层有四个神经元；
步骤3，训练和预测阶段：
将数据集分为训练集和测试集，使用训练集完成神经网络模型的训练，并将训练好的神经网络模型应用到测试集中，进行模型预测；
具体的，将接收端探测器D0获取的分别在0相位和
Figure 52456DEST_PATH_IMAGE001
的相位的计数
Figure 683158DEST_PATH_IMAGE003
，以及接收端探测器D1获取的分别在0相位和
Figure 647178DEST_PATH_IMAGE001
的相位的计数
Figure 405050DEST_PATH_IMAGE005
，作为神经网络模型的四个特征变量输入，而模型的标签则由构建的神经网络模型所预测的探测器D0和D1分别在0相位和
Figure 632900DEST_PATH_IMAGE001
的相位的计数
Figure 434503DEST_PATH_IMAGE006
组成。
步骤4，修正阶段：
在二相扫描阶段对PM的0相位电压进行进一步修正，由下式可知，
Figure 419907DEST_PATH_IMAGE007
通过两个探测器D0和D1分别在0相位和
Figure 902841DEST_PATH_IMAGE001
的相位的计数记为
Figure 109832DEST_PATH_IMAGE008
可以分别利用反三角函数求出PM的0相位电压，将求出的两个值加起来再取平均，得到训练数据修正后的零相位电压，并将该电压值输入相位调制器，以削减统计起伏造成的影响。
本发明的一种适用于双场量子密钥分发系统的零相位电压估计方法的训练阶段与预测阶段是互相分开的，本方法采用在有标签的训练集中训练网络，训练好的网络可以保存下来，在预测阶段可以随时使用，从而实现了训练阶段与预测阶段的分离。并且，本申请方法利用单向多层前馈神经网络，但不仅仅限于使用单项网络，网络层数等因素可以根据实际量子通信系统的复杂程度对网络结构做相应调整。
进一步的，步骤2中建立神经网络模型，具体为：所述神经网络模型为前馈神经网络模型，包括输入层、隐藏层和输出层；其中每一层包含若干个神经元，各神经元可以接收前一层所有神经元的信号，并产生输出信号到下一层。其中，输入层有四个神经元，输出层有四个神经元；
步骤2中建立神经网络模型，具体为：所述神经网络模型为卷积神经网络CNN，包括输入层、中间层和输出层，所述中间层包括一个卷积层和一个全连接层，在卷积层和全连接层之间，将数据进行批量归一化，并采用relu激励函数将卷积层输出结果做非线性映射。
进一步的，所述的进行降噪处理是指对提取的原始噪声计数通过平滑滤波和曲线拟合，将原始噪声相位干涉曲线转化为拟合 cos 函数。
进一步的，步骤2中，前馈神经网络模型的训练函数为Levenberg-Marquardt最小二乘优化。
进一步的，步骤3中，在训练阶段，使用前馈神经网络FFNN，学习速率0.05，训练迭代234轮，完成前馈神经网络模型训练。
本发明的有益效果为：相比常规的干涉环扫描程序以及基于FPGA的相位实时补偿方案，本发明方案采用基于机器学习的前馈神经网络的预测方法，不需要加入额外的硬件设备，不仅消除了使用额外设备所带来的系统复杂度，同时也削弱了统计起伏造成的影响。本发明能够在保证与传统方法同等误码水平的条件下，QKD系统长时间低误码稳定运行。
附图说明
图1是本发明方法的过程示意图。
图2是本发明方法的实验装置图。
图3是本发明前馈神经网络FFNN的内部结构图。
图4是本发明二相扫描示意图。
图5是使用本发明方法与传统不使用过滤矩阵处理的数据误差对比图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
本发明的一种适用于双场量子密钥分发系统的零相位估计方法，所述方法将机器学习模型应用于量子通信系统之中，如图2所示，以相位编码的双场量子密钥分发QKD作为其中一个应用场景，该QKD系统包括三个用户端Alice端、Bob端和Charlie端；Alice和Bob端的光源LS 产生脉冲，这些脉冲由强度调制器IM随机变化，以实现诱骗态技术。相位调制器PM与随机数发生器RNG结合使用相位
Figure 767822DEST_PATH_IMAGE009
对每个光脉冲进行编码。脉冲沿着独立的通道传播，获得相位噪声
Figure 286528DEST_PATH_IMAGE002
，然后在Charlie的分束器上干涉，并被单光子探测器D0和D1分别探测。
如图1所示，是本发明方法的过程示意图。使用探测器D0获取分别在0相位和
Figure 792727DEST_PATH_IMAGE001
的相位的计数分别记为
Figure 182120DEST_PATH_IMAGE003
；使用探测器D1获取分别在0相位和
Figure 13940DEST_PATH_IMAGE001
的相位的计数分别记为
Figure 19943DEST_PATH_IMAGE004
,本发明的一种适用于双场量子密钥分发系统的零相位估计方法，主要通过使用神经网络构建噪声过滤矩阵来预测探测器D0和D1的0相位和
Figure 782362DEST_PATH_IMAGE001
相位的计数
Figure 511415DEST_PATH_IMAGE010
，并通过二相扫描进一步计算修正零相位电压。
本发明的一种适用于双场量子密钥分发系统的零相位电压估计方法，具体包括如下步骤：
步骤1，获取数据集：
由于噪声分布和系统误差与光纤长度无关。训练网络的数据可以通过衰减模拟通道获得。在Charlie端，缓慢的相位漂移使得有足够的时间来扫描整个干涉曲线，将 13.78V 的全波电压量化为 107 个点，FPGA保持5 us的电平，去除无效数据后，获得 12,000 组任意全局相位干涉曲线。所有数据都经过最大最小归一化处理。每组包括两条干涉曲线，该两条曲线分别与接收端探测器D0和接收端探测器D1对应，从每组曲线中提取原始噪声计数，再通过平滑滤波和曲线拟合，将原始噪声相位干涉曲线转化为拟合 cos 函数，从中提取纯净计数作为四个特征数据，分别是接收端探测器D0获取的分别在0相位和
Figure 560142DEST_PATH_IMAGE001
的相位的计数
Figure 4506DEST_PATH_IMAGE003
，接收端探测器D1获取的分别在0相位和
Figure 305037DEST_PATH_IMAGE001
的相位的计数
Figure 403443DEST_PATH_IMAGE011
;并且对于不同的探测器总计数（1M,2M,… ,10M）,共形成10个训练数据集，每个数据集由10000数据点组成，1个数据点包括4个特征。
步骤2，建立神经网络模型：
所谓神经网络的结构指的就是不同神经元之间的连接结构。神经元有多个输入和一个输出。一个最简单的神经元的输出就是所有的输入的加权和，而不同的输入的权重就是神经元的参数。神经网络的优化过程就是优化神经元中的参数取值过程。
（1）所述建立神经网络模型是建立前馈神经网络模型；
图3是本发明前馈神经网络FFNN的内部结构图，前馈神经网络模型采用单向多层结构。包括输入层、隐藏层和输出层；其中每一层包含若干个神经元。在此种神经网络中，各神经元可以接收前一层所有神经元的信号，并产生输出到下一层。其中，输入层有四个神经元，隐藏层有二十一个神经元，训练函数为Levenberg-Marquardt(最小二乘优化)；输出层有四个神经元；
本发明的神经网络的前向传播结果需要三部分信息，神经网络的输入，为接收端两个探测器D0和D1分别在0相位和
Figure 577067DEST_PATH_IMAGE001
的相位的计数
Figure 823240DEST_PATH_IMAGE012
。这四个计数作为模型的四个特征变量的特征向量
Figure 740512DEST_PATH_IMAGE013
。
神经网络的连接结构。神经网络是由神经元构成的，神经网络结构给出不同神经元之间的输入输出的连接关系。神经网络中的神经元也可以称之为节点。
Figure 365528DEST_PATH_IMAGE014
节点有4个输入，他们分别为
Figure 959320DEST_PATH_IMAGE013
的输出，而
Figure 381206DEST_PATH_IMAGE014
的输出则为节点
Figure 413753DEST_PATH_IMAGE015
的输入,
Figure 257991DEST_PATH_IMAGE016
同理。
每个神经元中的参数，在图3中W表示神经元中的参数，W的上标表示神经网络的层数，下标表明了连接点的编号。
Figure 22685DEST_PATH_IMAGE017
同理，可以求出
Figure 853237DEST_PATH_IMAGE018
。
Figure 174628DEST_PATH_IMAGE019
通过矩阵乘法可以得到隐藏层21个节点所组成的向量取值。
Figure 446341DEST_PATH_IMAGE020
输出层可以表示为：
Figure 398248DEST_PATH_IMAGE021
通过以上方式的计算，可以得到由构建的神经网络模型所预测的探测器计数
Figure 43993DEST_PATH_IMAGE010
。
前馈神经网络FFNN模型由 Adam 优化器进行训练并且都使用均方根误差损失函数
Figure 369407DEST_PATH_IMAGE022
来衡量预测值与实际值之间的偏差。
（2）所述建立神经网络模型还是可以是卷积神经网络CNN。
另一种构建噪声过滤矩阵的方法是通过卷积神经网络CNN，它的输入和输出层与FFNN类似，中间层主要由一个卷积层和一个全连接层组成。在卷积层和全连接层之间，将数据进行批量归一化，并采用relu激励函数将卷积层输出结果做非线性映射。卷积层拥有20个高1宽2的过滤器。最大 epoch 为 30，初始学习率为 0.01。卷积神经网络CNN由 Adam 优化器进行训练并且都使用均方根误差损失函数
Figure 416998DEST_PATH_IMAGE023
用来衡量预测值与实际值之间的偏差。
步骤3，训练和预测阶段：
将数据集分为训练集和测试集，使用训练集完成模型的训练，并将此模型网络应用到测试集中，进行模型预测；
具体的，将接收端探测器D0获取的分别在0相位和
Figure 274226DEST_PATH_IMAGE001
的相位的计数
Figure 79371DEST_PATH_IMAGE003
，以及接收端探测器D1获取的分别在0相位和
Figure 726253DEST_PATH_IMAGE001
的相位的计数
Figure 113503DEST_PATH_IMAGE011
，作为神经网络模型的四个特征变量输入，而模型的标签则由构建的神经网络模型所预测的探测器计数
Figure 63005DEST_PATH_IMAGE010
组成。在训练阶段，使用前反馈神经网络FFNN，采用 Sigmoid 作为激活函数。最大 epoch 为 400，学习速率0.05，训练迭代234轮，完成前馈神经网络模型训练。
然后将训练好的前馈神经网络模型应用到测试集中，在测试集中，每个数据集由2000个数据点组成，进行模型预测。
步骤4，修正阶段：
在二相扫描的基础上引入了噪声过滤矩阵，用以提升特征数据的准确性。图4是本发明二相扫描示意图，在二相扫描阶段对PM的0相位电压进行进一步修正，由下式可知，
Figure 761971DEST_PATH_IMAGE024
通过两个探测器D0和D1分别在0相位和
Figure 353489DEST_PATH_IMAGE001
的相位的计数记为
Figure 844513DEST_PATH_IMAGE025
可以分别利用反三角函数求出PM的0相位电压，将求出的两个值加起来再取平均，得到训练数据修正后的零相位电压，并将该电压值输入相位调制器，以削减统计起伏造成的影响。
图5为使用本发明提出的过滤矩阵方法处理后的结果与传统不使用过滤矩阵处理的原始估算结果对比。其中横轴代表探测器计数大小，即所用光强度大小，纵轴代表误差（MSE）大小。其中圆点线代表只使用二相扫描获得的初始数据估算的结果，矩形点线代表使用CNN方法构建过滤矩阵处理后的结果，三角形点线代表使用FFNN方法构建过滤矩阵处理后的结果。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (6)

1.一种适用于双场量子密钥分发系统的零相位电压估计方法，其特征在于，所述双场量子密钥分发系统包括三个用户端，Alice端、Bob端和Charlie端；Alice端和Bob端分别对每个光脉冲进行编码，编码后的脉冲沿着独立的通道传播，然后在Charlie端的分束器上干涉，并被单光子探测器D0和D1分别探测；
所述方法，具体包括如下步骤：
步骤1，获取数据集：
在Charlie端，扫描干涉曲线，去除无效数据后，获得多组任意全局原始噪声相位干涉曲线，每组包括两条干涉曲线，该两条曲线分别与接收端探测器D0和接收端探测器D1对应，从每组曲线中提取原始噪声计数，并进行降噪处理，从中提取纯净计数作为四个特征数据，分别是接收端探测器D0获取的分别在0相位和
Figure 847755DEST_PATH_IMAGE001
的相位的计数
Figure 440542DEST_PATH_IMAGE002
，以及接收端探测器D1获取的分别在0相位和
Figure 976696DEST_PATH_IMAGE001
的相位的计数
Figure 853385DEST_PATH_IMAGE003
；
步骤2，建立神经网络模型：
神经网络模型的输入层有四个神经元，输出层有四个神经元；
步骤3，训练和预测阶段：
将数据集分为训练集和测试集，使用训练集完成神经网络模型的训练，并将训练好的神经网络模型应用到测试集中，进行模型预测；
具体的，将接收端探测器D0获取的分别在0相位和
Figure 485968DEST_PATH_IMAGE001
的相位的计数
Figure 18580DEST_PATH_IMAGE004
，以及接收端探测器D1获取的分别在0相位和
Figure 296109DEST_PATH_IMAGE001
的相位的计数
Figure 496146DEST_PATH_IMAGE005
，作为神经网络模型的四个特征变量输入，而模型的标签则由构建的神经网络模型所预测的探测器D0和D1分别在0相位和
Figure 551827DEST_PATH_IMAGE001
的相位的计数
Figure 588047DEST_PATH_IMAGE006
组成；
步骤4，修正阶段：
在二相扫描阶段对PM的0相位电压进行进一步修正，由下式可知，
Figure 590638DEST_PATH_IMAGE007
通过两个探测器D0和D1分别在0相位和
Figure 441919DEST_PATH_IMAGE001
相位的计数记为
Figure 888075DEST_PATH_IMAGE008
可以分别利用反三角函数求出PM的0相位电压，将求出的两个值加起来再取平均，得到训练数据修正后的0相位电压。
2.根据权利要求1所述一种适用于双场量子密钥分发系统的零相位电压估计方法，其特征在于，步骤2中建立神经网络模型，具体为：
所述神经网络模型为前馈神经网络模型FFNN，包括输入层、隐藏层和输出层；其中每一层包含若干个神经元，各神经元可以接收前一层所有神经元的信号，并产生输出信号到下一层；其中，输入层有四个神经元，输出层有四个神经元。
3.根据权利要求1所述一种适用于双场量子密钥分发系统的零相位电压估计方法，其特征在于，步骤2中建立神经网络模型，具体为：
所述神经网络模型为卷积神经网络CNN，包括输入层、中间层和输出层，所述中间层包括一个卷积层和一个全连接层，在卷积层和全连接层之间，将数据进行批量归一化，并采用relu激励函数将卷积层输出结果做非线性映射。
4.根据权利要求1所述一种适用于双场量子密钥分发系统的零相位电压估计方法，其特征在于，所述的进行降噪处理是指对提取的原始噪声计数通过平滑滤波和曲线拟合，将原始噪声相位干涉曲线转化为拟合 cos 函数。
5.根据权利要求2所述一种适用于双场量子密钥分发系统的零相位电压估计方法，其特征在于，步骤2中，前馈神经网络模型的训练函数为Levenberg-Marquardt最小二乘优化。
6.根据权利要求2所述一种适用于双场量子密钥分发系统的零相位电压估计方法，其特征在于，步骤3中，在训练阶段，使用前馈神经网络FFNN，学习速率0.05，训练迭代234轮，完成前馈神经网络模型训练。
CN202210413501.7A 2022-04-20 2022-04-20 一种适用于双场量子密钥分发系统的零相位电压估计方法 Active CN114511070B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210413501.7A CN114511070B (zh) 2022-04-20 2022-04-20 一种适用于双场量子密钥分发系统的零相位电压估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210413501.7A CN114511070B (zh) 2022-04-20 2022-04-20 一种适用于双场量子密钥分发系统的零相位电压估计方法

Publications (2)

Publication Number Publication Date
CN114511070A true CN114511070A (zh) 2022-05-17
CN114511070B CN114511070B (zh) 2022-07-01

Family

ID=81554995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210413501.7A Active CN114511070B (zh) 2022-04-20 2022-04-20 一种适用于双场量子密钥分发系统的零相位电压估计方法

Country Status (1)

Country Link
CN (1) CN114511070B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110365473A (zh) * 2019-05-31 2019-10-22 南京邮电大学 一种基于机器学习的量子通信系统的主动反馈控制方法
CN111614584A (zh) * 2020-05-20 2020-09-01 西安电子科技大学 基于神经网络的变换域自适应滤波信道估计方法
CN111970279A (zh) * 2020-08-18 2020-11-20 中南大学 连续变量量子密钥分发攻击检测方法及其检测系统
CN111970287A (zh) * 2020-08-24 2020-11-20 中南大学 往返式连续变量量子密钥分配噪声补偿方法及其系统
CN112448814A (zh) * 2020-10-30 2021-03-05 南京南瑞信息通信科技有限公司 面向电网广域协调控制的非对称双场量子密钥分发方法
US20220014362A1 (en) * 2020-07-13 2022-01-13 The University Of Arizona, Tech Launch Arizona Joint twin-field quantum key distribution cryptosystem

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110365473A (zh) * 2019-05-31 2019-10-22 南京邮电大学 一种基于机器学习的量子通信系统的主动反馈控制方法
WO2020238224A1 (zh) * 2019-05-31 2020-12-03 南京邮电大学 一种基于机器学习的量子通信系统的主动反馈控制方法
CN111614584A (zh) * 2020-05-20 2020-09-01 西安电子科技大学 基于神经网络的变换域自适应滤波信道估计方法
US20220014362A1 (en) * 2020-07-13 2022-01-13 The University Of Arizona, Tech Launch Arizona Joint twin-field quantum key distribution cryptosystem
CN111970279A (zh) * 2020-08-18 2020-11-20 中南大学 连续变量量子密钥分发攻击检测方法及其检测系统
CN111970287A (zh) * 2020-08-24 2020-11-20 中南大学 往返式连续变量量子密钥分配噪声补偿方法及其系统
CN112448814A (zh) * 2020-10-30 2021-03-05 南京南瑞信息通信科技有限公司 面向电网广域协调控制的非对称双场量子密钥分发方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SIHAO ZHANG 等: "Machine Learning-", 《ENTROPY 23》 *
Y. YU 等: "Free-Space Phase-Matching Quantum Key Distribution", 《2021 13TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS AND SIGNAL PROCESSING (WCSP)》 *
Z.-A. REN: "Implementation of Machine Learning in Quantum", 《IEEE COMMUNICATIONS LETTERS》 *
张子健: "参考系和测量设备无关即插即用型量子密钥分发系统优化研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 *
范宇腾 等: "基于线性光学元件的被动式诱骗态量子数字签名方案", 《量子电子学报》 *

Also Published As

Publication number Publication date
CN114511070B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN110365473B (zh) 一种基于机器学习的量子通信系统的主动反馈控制方法
Wang et al. Data-driven optical fiber channel modeling: A deep learning approach
Hentschel et al. Machine learning for precise quantum measurement
CN109859147A (zh) 一种基于生成对抗网络噪声建模的真实图像去噪方法
Walshe et al. Robust fault tolerance for continuous-variable cluster states with excess antisqueezing
Liu et al. Practical phase-modulation stabilization in quantum key distribution via machine learning
Hastrup et al. Protocol for generating optical gottesman-kitaev-preskill states with cavity qed
WO2021036414A1 (zh) 一种低轨移动卫星星座下星地下行链路同频干扰预测方法
DE112019004944B4 (de) Demodulieren modulierter signale mit künstlichen neuronalen netzwerken
WO2023221382A1 (zh) 一种适用于双场量子密钥分发系统的全局相位跟踪预测方法
CN105490805A (zh) 一种基于扩展卡尔曼滤波降低qkd系统误码率的系统及方法
Pesic et al. Transfer learning from unbiased training data sets for QoT estimation in WDM networks
Liu et al. Secure communication via chaotic synchronization based on reservoir computing
CN114511070B (zh) 一种适用于双场量子密钥分发系统的零相位电压估计方法
Fang et al. Data-driven prediction of soliton solutions of the higher-order NLSE via the strongly-constrained PINN method
CA3174177A1 (en) Composite quantum gate calibration
CN114124223B (zh) 一种卷积神经网络光纤均衡器生成方法及系统
CN114422027B (zh) 基于Gerchberg-Saxton算法的涡旋光束波前相位校正方法
Kruse et al. Experimental investigation of spectral data enhanced QoT estimation
Lasota et al. Linear optics schemes for entanglement distribution with realistic single-photon sources
CN114268433A (zh) 高速连续变量量子密钥分发系统的非线性补偿方法
Luo et al. Deep Learning Based Compressive Sensing for UWB Signal Reconstruction
Gu et al. Sample-distribution-matching-based transfer learning for QoT estimation in optical networks
Zhao et al. Auxiliary Fault Location on Commercial Equipment Based on Supervised Machine Learning
Jiang et al. Physical layer-aware digital-analog co-design for photonic convolution neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant