Machine learning for optimal parameter prediction in quantum key distribution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
For a practical quantum key distribution (QKD) system, parameter optimization, the choice of intensities and the probabilities of sending them, is a crucial step in gaining optimal performance, especially when one realistically considers a finite communication time. With the increasing interest in the field to implement QKD over free space on moving platforms, such as drones, handheld systems, and even satellites, one needs to perform parameter optimization with low latency and with very limited computing power. Moreover, with the advent of the internet of things, a highly attractive direction of QKD could be a quantum network with multiple devices and numerous connections, which provides a huge computational challenge for the controller that optimizes parameters for a large-scale network. Traditionally, such an optimization relies on brute-force search or local search algorithms, which are computationally intensive, and will be slow on low-power platforms (which increases latency in the system) or infeasible for even moderately large networks. In this work we present a method that uses a neural network to directly predict the optimal parameters for QKD systems. We test our machine learning algorithm on hardware devices including a Raspberry Pi 3 single-board computer (similar devices are commonly used on drones) and a mobile phone, both of which have a power consumption of less than 5 W, and we find a speedup of up to two to four orders of magnitude when compared to standard local search algorithms. The predicted parameters are highly accurate and can preserve, e.g., over 95%--99% of the optimal secure key rate for a given protocol. Moreover, our approach is highly general and can be applied effectively to various kinds of common QKD protocols.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle