基于机器学习的测量设备无关量子密钥分发的参考系校准数据

主要面向量子信息应用问题开展研究，受到国家重点研发计划项目2017YFA0304103支持，在大多数实际的测量设备无关量子密钥分配（MDI-QKD）系统中，当面临外部环境或不完善的内部组件的干扰时，需要有效的实时反馈控制来保持系统的稳定性。传统上，人们要么使用“扫描和传输”程序，要么插入额外的设备进行相位参考帧校准，以获得稳定的高可见度干扰，从而导致更高的系统复杂性和更低的传输效率。机器学习是一种优秀的数据分析、处理手段，并且可以挖掘数据之间的关联性。因此，我们利用LSTM网络，开发了一个机器学习辅助系统应用于 MDI-QKD 系统的参考系校准，我们通过运行目前的 MDI-QKD 系统，在 100 公里和 250 公里的传 输距离上进行了实验演示，证明了该模式可以显著提高 MDI-QKD 系统的传输效率并维持长时间的稳定性。这个工作可以可以为在不久的将来实现大规模量子通信 提供有价值的参考。数据量为149KB。