Репортаж от Wedoany，Компания WiMi Hologram Cloud Inc. (NASDAQ: WiMi) изучает возможность использования нейронных сетей для оптимизации конфигурации параметров в системах двупольного квантового распределения ключей (TF-QKD) с помощью машинного обучения. Компания заявляет, что данный метод направлен на использование мощных возможностей нейронных сетей по аппроксимации и обобщению для прямого прогнозирования оптимальных параметров системы, что позволяет значительно сократить время вычислений и потребление ресурсов.
В ходе исследования WiMi обучила и оценила три различных типа моделей нейронных сетей: нейронную сеть с обратным распространением ошибки (BPNN), нейронную сеть на основе радиальных базисных функций (RBFNN) и обобщенную регрессионную нейронную сеть (GRNN). BPNN основана на алгоритме обратного распространения ошибки, который минимизирует ошибку прогнозирования путем постоянной корректировки весов и смещений; RBFNN использует радиальные базисные функции в качестве функций активации скрытого слоя, что подходит для обработки многомерных данных и нелинейных задач с высокими требованиями к точности; GRNN, основанная на оценке плотности вероятности, использует метод ядерных функций для реализации нелинейной регрессии и показывает хорошие результаты при работе с малыми выборками данных и задачами с неопределенностью.
Результаты тестирования показали, что все три модели способны с определенной степенью точности прогнозировать оптимальные параметры системы TF-QKD. При этом RBFNN и GRNN показали лучшие результаты в многомерном пространстве параметров, обеспечивая более высокую точность прогнозирования. По сравнению с методом LSA, методы прогнозирования на основе нейронных сетей позволяют сократить время вычислений на несколько порядков. BPNN, благодаря относительно простой структуре, обладает самой высокой скоростью вычислений; вычислительные затраты RBFNN и GRNN несколько выше, но все еще находятся в приемлемом диапазоне, а их более высокая точность прогнозирования обычно обеспечивает большую практическую ценность.
Учитывая различные требования систем TF-QKD к оперативности и точности, WiMi также провела сравнение точности прогнозирования и временных затрат. Результаты показывают, что в сценариях, требующих быстрого реагирования и предъявляющих низкие требования к точности, BPNN является более подходящим выбором; в то время как в приложениях, где важна высокая точность и допустимо определенное время вычислений, более предпочтительны RBFNN или GRNN.
Основные технические преимущества данного метода заключаются в значительном снижении вычислительной сложности оптимизации параметров, ускорении скорости генерации ключей и повышении оперативности реагирования системы. Нейронные сети способны автоматически обучаться и адаптироваться к изменениям в среде квантовой связи, что открывает возможность для динамической настройки параметров системы. С развитием технологий квантовой связи данная модель может быть дополнительно модернизирована для работы с более сложными протоколами квантового распределения ключей и более высокими требованиями безопасности.
WiMi заявляет, что в будущем продолжит углублять исследования по оптимизации параметров TF-QKD с помощью нейронных сетей, изучая более совершенные архитектуры и стратегии обучения, такие как глубокое обучение и обучение с подкреплением, для создания более эффективных и интеллектуальных систем квантового распределения ключей. Одновременно компания усилит интеграцию с аппаратными платформами квантовой связи, способствуя практическому применению и коммерциализации данной технологии.
