[发明专利]一种适用于双场量子密钥分发系统的零相位电压估计方法

说明书

本发明公开了一种适用于双场量子密钥分发系统的零相位电压估计方法，通过使用二相扫描方法获取初始数据，然后通过构建噪声过滤矩阵的方法对初始数据进行过滤，最后精确估算出零相位电压大小，从而解决了严重的统计起伏所导致的零相位电压估计不准确的问题，提升了双场系统零相位电压估计的准确性率。本发明通过神经网络来构建过滤矩阵，利用已预先训练完成的神经网络，根据二相扫描中实时的探测器D0、D1的0相位计数和相位计数来削弱统计起伏的影响，从而保证量子密钥分发系统长时间低误码稳定运行。

技术领域

本发明属于量子信息技术领域，具体涉及一种适用于双场量子密钥分发系统的零相位电压估计方法。

背景技术

量子密钥分发QKD是量子通信的核心，当前新兴的双场Twin-Field量子密钥分发系统可以在无量子中继的条件下打破线性界，实现远距离的密钥传输。作为一种三方通信的系统，双场系统要求两位发送端Alice和Bob制备出波长与相位完全一致的双光场，以实现完美的单光子干涉。其类似等臂马赫-曾德尔（MZ）干涉仪的结构使得其相位极易受到信道以及外界环境的扰动。因此，系统需要对Alice和Bob的相位差及零相位电压做出准确的估计以保证密钥传输。目前已有的相位估计方法包括时分复用扫描校准、双频带扫描，这些方案均需要消耗有效的传输占空比，传输效率目前的方案都在50%左右，其次，如果长距离部署的话，由于传播时间较长，用户双方的光脉冲经过同一段光纤所累计的相位也存在差异。因此，整体来说，虽然目前部分方案能够实现相位的快速校准，但是以牺牲系统传输效率为前提的。TF相位漂移的最大特点是快，它的控制周期是微秒级的。正是如此，在一个周期内的计数时间很短，且探测器计数的统计起伏非常大，若直接用探测计数进行零相位电压估计，则会得到不准确的估计结果。

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针对相位估计的改进方法，该方法应用于量子密钥分发系统之中。在QKD系统的稳定调相阶段，在通过二相扫描获得的初始数据基础之上，通过神经网络来构建过滤矩阵，利用已预先训练完成的神经网络，根据二相扫描中实时的探测器D0、D1的0相位计数和相位计数来削弱统计起伏的影响，解决了严重的统计起伏所导致的特征不准确的问题，提升了特征数据的准确性，对相位估计进行了改进。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。

本发明的一种适用于双场量子密钥分发系统的零相位电压估计方法，所述方法将机器学习模型应用于量子通信系统之中，并且以相位编码的双场量子密钥分发QKD作为其中一个应用场景，但不仅限于TF-QKD系统或相位编码系统；该QKD系统包括三个用户端Alice端、Bob端和Charlie端；Alice端和Bob端分别对每个光脉冲进行编码，编码后的脉冲沿着独立的通道传播，获得相位噪声，然后在Charlie端的分束器上干涉，并被单光子探测器D0和D1分别探测。

本发明的一种适用于双场量子密钥分发系统的零相位电压估计方法，具体包括如下步骤：

步骤1，获取数据集：

在Charlie端，扫描干涉曲线，去除无效数据后，获得多组任意全局原始噪声相位干涉曲线，每组包括两条干涉曲线，该两条曲线分别与接收端探测器D0和接收端探测器D1对应，从每组曲线中提取原始噪声计数，并进行降噪处理，从中提取纯净计数作为四个特征数据，分别是接收端探测器D0获取的分别在0相位和的相位的计数，接收端探测器D1获取的分别在0相位和的相位的计数;

步骤2，建立神经网络模型：

神经网络模型的输入层有四个神经元，输出层有四个神经元；

步骤3，训练和预测阶段：

将数据集分为训练集和测试集，使用训练集完成神经网络模型的训练，并将训练好的神经网络模型应用到测试集中，进行模型预测；