Optimization parameter prediction-based XGBoost of TF-QKD

Dieser Artikel befasst sich mit der Optimierung von TF-QKD-Systemparametern mithilfe von maschinellen Lernalgorithmen, mit besonderem Schwerpunkt auf XGBoost. Es beginnt mit der Einführung der theoretischen Grundlagen von TF-QKD und XGBoost, gefolgt von einer detaillierten Simulation der Auswirkungen verschiedener Systemparameter auf Schlüsselraten und Übertragungsdistanzen. Die Studie vergleicht die Leistung von XGBoost mit BPNN und RF bei der Vorhersage von Optimierungsparametern und zeigt die Effizienz und Genauigkeit von XGBoost. Die Forschungsergebnisse heben den signifikanten Einfluss von Systemparametern wie der optischen Fehlerrate des Kanals, der Dunkelziffer der Detektoren, der Gesamtzahl der Signale und der Anzahl der Phasenteile auf die Schlüsselraten hervor. Darüber hinaus demonstriert es das Potenzial von XGBoost, die Optimierungszeit zu reduzieren und gleichzeitig eine hohe Vorhersagegenauigkeit beizubehalten, was es zu einem wertvollen Werkzeug für zukünftige Echtzeit-Quantenkommunikationssysteme macht. Der Artikel schließt mit der Betonung der Bedeutung dieser Erkenntnisse für die Etablierung der Echtzeit-Netzwerkkommunikation des QKD.