Optimization of CV-QKD Under Practical Constraints

本文证明，通过在现实硬件约束（如有限FIR滤波器抽头数、平均光子数以及有限DAC/ADC分辨率）下对连续变量量子密钥分发（CV-QKD）系统进行优化，强化学习可显著提升其性能。

要点

想象一下，你正试图用手电筒通过一条漫长且嘈杂的走廊发送一条秘密信息。在量子通信的世界里，这个“手电筒”就是激光器，而“秘密信息”则是用于加密数据的量子密钥。本文探讨的是，即使你不得不使用的设备并不完美，如何也能让手电筒发出的信号尽可能清晰且安全。

以下是他们研究的简要概述，分解为几个简单概念：

问题：“廉价”设备的困境

在理想世界中，发送和接收这些光信号的设备将是完美的。它将拥有无限的内存、完美的精度，并且没有数据处理量的限制。但在现实世界中，硬件是受限的。

• 滤波器：可以将发射机和接收机想象成拥有“滤波器”来塑造光信号。在理想世界中，这些滤波器将是无限长且平滑的。而在现实中，它们却是短促且断续的（就像低分辨率的数字图像）。这会导致信号变得模糊，将一条信息与下一条信息混淆（这被称为“码间干扰”）。
• 数字转换器：系统必须将数字转换为光（DAC），并将光转换回数字（ADC）。如果这些转换器的“位”分辨率不足，就像试图只用几个块状像素来绘制一条平滑曲线。这会引入“量化噪声”，使信号变得更加模糊。

这些缺陷会产生“额外噪声”。在量子安全领域，噪声是危险的，因为它看起来像是有人在窃听。如果噪声过高，系统就必须停止发送密钥以确保安全，这意味着连接会失败。

解决方案：一位“智能教练”（强化学习）

与其试图用复杂的数学公式计算出完美设置（当设备不完美时这很难做到），作者使用了一种称为**强化学习（RL）**的方法。

可以将这个 RL 系统想象成一支运动队的智能教练：

1. 团队：发射机滤波器、接收机滤波器以及激光器的亮度（平均光子数）。
2. 目标：获得尽可能高的“分数”（安全密钥率，即 SKR）。
3. 训练：教练事先并不知道比赛的确切规则。相反，团队会尝试不同的设置。
   • 如果信号变得更清晰且分数上升，教练会说：“干得好，继续保持！”
   • 如果信号变得模糊且分数下降，教练会说：“试试别的。”
4. 结果：随着时间的推移，教练学会了在廉价且受限的硬件条件下，滤波器形状和激光亮度的最佳组合。

他们的发现

研究人员在一个模拟真实光纤网络的测试中检验了这位“智能教练”。以下是发生的情况：

• 超越“标准”方法：通常，工程师会使用标准的预制滤波器（例如根升余弦滤波器）。作者发现，他们的“智能教练”能够找到更擅长清理信号的定制滤波器形状。
• 少即是多：他们发现，你不需要昂贵的高端设备也能获得出色的结果。
  • 即使使用有限的滤波器长度（比通常的短）和较低的分辨率（约 10-11 位，虽不错但非顶级），该系统仍能表现得几乎与拥有完美无限设备时一样好。
  • “智能教练”成功将“足够好”与“完美”之间的差距缩小到了 1% 以内。
• 走得更远：当他们测试信号能传输多远时，优化后的系统比未优化的系统能多传输约60 公里的密钥。虽然标准系统在 60 公里后可能就会停止工作，但优化后的系统却能坚持运行到近 100 公里。

核心启示

本文的主要观点是，你不必等待完美且昂贵的硬件来构建安全的量子网络。通过使用“智能教练”（强化学习）来调整现有的不完美硬件，你可以显著延长连接的距离和可靠性。

这就像拿着一台标准的、略微模糊的相机，然后利用智能 AI 完美地调整对焦和光线。你不需要一台全新的、价值百万美元的相机就能拍出清晰的照片；你只需要为你手中已有的相机找到正确的设置。这种方法使得在现实世界中构建安全的量子网络变得更加实用且更具成本效益。

技术摘要

技术摘要：实际约束下的连续变量量子密钥分发优化

问题陈述
连续变量量子密钥分发（CV-QKD）通过利用标准电信组件和相干检测，为光纤维网络上的量子安全通信提供了一条有前景的途径。然而，具有成本效益的 CV-QKD 系统的实际实现需要在真实的硬件约束下进行优化。具体而言，当前的实现面临以下限制：发射端（脉冲整形）和接收端（匹配滤波）可用的有限脉冲响应（FIR）滤波器抽头数量有限，以及数模转换器（DAC）和模数转换器（ADC）的分辨率有限。

这些约束导致了显著的性能下降。有限的滤波器抽头会引起模式失配，从而导致码间干扰（ISI）和过量噪声增加，直接降低安全密钥率（SKR）。同样，有限的 DAC/ADC 分辨率会引入量化误差，从而增加系统过量噪声。虽然先前的工作单独解决了发射端滤波器优化问题，但为了在实际场景中最大化 SKR，需要一种在这些组合约束下对整个系统进行综合优化的方法。

方法论
作者提出了一个完整的系统优化框架，利用强化学习（RL）联合优化三个关键参数：

1. 有限长度发射端 FIR 脉冲整形滤波器的系数。
2. 有限长度接收端匹配 FIR 滤波器的系数。
3. 传输信号的平均光子数。

该系统被建模为基于策略梯度的 RL 框架，使用 REINFORCE 算法。智能体的策略 $\pi_\theta$ 由滤波器系数（$h_{Tx}, h_{Rx}$）和平均光子数（$\bar{n}$）参数化。环境模拟物理信道，包括光纤衰减、信道过量噪声以及硬件损伤（有限带宽、DAC/ADC 量化噪声）。

优化目标是最大化安全密钥率（SKR），该速率基于有效系统透射率（$\tau$）和有效系统过量噪声（$n_{ex}$）进行解析计算。SKR 是平均光子数、信道透射率以及信道噪声、ISI（由滤波器失配引起）和 DAC 与 ADC 量化误差产生的噪声贡献总和的函数。RL 智能体的奖励信号是计算得出的 SKR。至关重要的是，这种方法不依赖于物理信道模型的梯度计算，因此适用于显式解析模型可能无法获得的时变损伤的实验实施。

主要贡献

• 联合端到端优化：与仅优化发射端滤波器的先前研究不同，本工作提出了对发射端和接收端滤波器以及平均光子数的整体优化。
• 基于 RL 的框架：应用无梯度 RL 算法（REINFORCE）在现实噪声条件下导航滤波器抽头和光子数的复杂参数空间。
• 硬件约束建模：研究明确将有限的 FIR 抽头数量和有限的 DAC/ADC 位分辨率的影响纳入系统模型，量化了它们对 ISI 和量化噪声的影响。

结果
数值模拟表明，与通常使用根升余弦滤波器的未优化系统相比，所提出的 RL 优化方法带来了显著的性能提升：

• 性能恢复：RL 优化系统在使用约 20–40 个抽头的滤波器长度和 10–11 位 DAC/ADC 分辨率时，实现了接近最优的性能（与理论最大值的差距小于 1%）。这在 10、50 和 100 公里的传输距离下均成立。
• 收益递减：超过这些阈值增加滤波器长度或分辨率仅能带来边际改进，表明 RL 方法有效地找到了硬件复杂度与性能之间的最佳权衡。
• 扩展传输距离：对于 $10^{-3}$ 的信道过量噪声，优化系统将最大传输距离从非优化情况下的约 60 公里扩展至近 100 公里，非常接近理论极限。
• 自适应平均光子数：该框架成功调整了平均光子数（例如，将 100 公里传输优化为 $\bar{n}=6$），以补偿信道失真和过量噪声。

意义
该论文声称，在系统约束下进行联合端到端优化对于在保持接近最优性能的同时放宽硬件要求非常有效。通过证明使用中等长度的滤波器和分辨率即可实现显著的 SKR 提升，所提出的方法为实际 CV-QKD 系统中的滤波器设计提供了工程准则。结果强调，这种优化在长距离区域尤为关键，因为在这些区域系统中对过量噪声和滤波缺陷的敏感性日益增加，从而增强了具有成本效益的量子安全通信网络的稳健性和可行性。