[发明专利]一种基于机器学习的量子通信系统的主动反馈控制方法

说明书

一种基于机器学习的量子通信系统的主动反馈控制方法，在量子密钥分发系统的传输过程中，本发明利用已预先训练完成的双层LSTM网络，根据外界环境中实时温度、湿度、激光器光强起伏，以及过去时刻的电压变化预测下一时刻接收端的相位调制器的零相位电压值，并通过固定时间间隔对网络进行更新，使该LSTM网络能够长时间准确预测，从而保证量子密钥分发系统长时间高效稳定运行。本发明通过主动预测、反馈控制的方法，极大地提高了量子密钥分发系统的传输效率。本发明不仅限于应用在量子密钥分发系统或相位编码系统之中，也同样适用于基于其他编码方式的量子密钥分发系统或量子通信网络之中。

技术领域

本发明属于量子信息技术领域，具体涉及一种基于机器学习的量 子通信系统的主动反馈控制方法。

背景技术

量子密码是量子通信的核心，它的安全与否直接决定着量子通信 系统的安全性。量子密码的安全性建立在量子力学的基本原理之上， 同时通过结合香农提出的“一次一密”(OTP)定理，原则上可以为 合法用户(Alice、Bob)提供无条件安全性的量子通信。自从第一个 量子密码协议——BB84协议提出以来，量子密码无论是在理论上还 是在实验上均取得了巨大的进步。现有实用化的量子密码系统可以使 用不同的编码方式，比如相位、偏振、时间-能量编码等，其中基于 相位编码的系统应用最为广泛。但是由于该类系统中存在着相位漂移 问题，因而需要不断对发送端和接收端的相位进行实时校准。目前使 用最广泛的是干涉环扫描-传输的方法，该方法每隔一段时间实现对 系统相位的补偿。然而，在干涉环扫描程序工作期间，量子密码系统 无法传输信号，导致系统整体效率较低。为了提高量子密码系统的传 输效率，可以使用基于FPGA的相位实时补偿技术，但这种方法需要 比较高昂的硬件开销，同时也增加了整个量子密码系统的复杂度。

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 学习的量子通信系统主动反馈控制方法，该方法可以应用于量子密钥 分发(QKD)系统中。在QKD系统的稳定调相阶段，利用已预先训 练完成的双层LSTM网络根据实时环境温度、湿度、激光器光强及过 去时刻的电压变化预测下一时刻Bob端的相位调制器的零相位电压 值，并通过固定时间间隔的对网络进行更新，使LSTM网络能够长时 间准确预测，从而使得量子密钥分发系统始终保持稳定的高效率运行 状态。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。

一种基于机器学习的量子通信系统的主动反馈控制方法，所述方 法将长短期记忆神经网络(LSTM)的机器学习模型应用于量子通信 系统之中，并且以相位编码的量子密钥分发(QKD)作为其中一个 应用场景，但不仅限于QKD系统或相位编码系统；该QKD系统至少 包括两个用户端Alice端和Bob端；

所述方法依次包括训练阶段、预测阶段和更新阶段；

训练阶段：

根据时间前后将训练数据分为很多序列，序列的长度代表该段数 据的时间跨度，序列中每一个时间点的数据由相应的特征和标签组成； 其中，所述特征可以由环境温度、湿度、激光器的强度、当前时间点 的电压以及前四个时间点的电压组成；所述标签则可以由下一个时间 点的电压组成；在训练网络时，使用Adam优化算法，整个训练过程 至少需270轮，所有数据在输入进网络前需经过Z-score的标准化；

预测阶段：

训练完成后的LSTM网络可以接入Bob端的相位调制器的相位电 压调控系统，LSTM网络在该阶段需要从温湿度探测器实时读取当前 时间的温度、湿度，从光功率计实时读取当前激光光强，从移位寄存 器实时读取五个时间点的位移电压，这五个时间点的电压分别为当前 时间点的电压值以及前四个时刻的电压值；网络根据输入数据预测出 下一个时间点的零相位电压，并将该电压值输入Bob端的相位调制器， 以此实现系统的相位稳定控制；

更新阶段：