es.wedoany.com Noticia: WiMi Hologram Cloud Inc. (Nasdaq: WiMi) está investigando el uso de redes neuronales para optimizar la configuración de parámetros en sistemas de distribución cuántica de claves de doble campo (TF-QKD) mediante aprendizaje automático. La empresa indica que este método busca aprovechar la sólida capacidad de ajuste y generalización de las redes neuronales para predecir directamente los parámetros óptimos del sistema, reduciendo así significativamente el tiempo de cálculo y el consumo de recursos.
En la investigación, WiMi entrenó y evaluó tres tipos diferentes de modelos de redes neuronales: la red neuronal de retropropagación (BPNN), la red neuronal de función de base radial (RBFNN) y la red neuronal de regresión generalizada (GRNN). La BPNN se basa en el algoritmo de retropropagación de errores, ajustando continuamente los pesos y sesgos para minimizar el error de predicción; la RBFNN utiliza funciones de base radial como funciones de activación en la capa oculta, siendo adecuada para procesar datos de alta dimensión y problemas no lineales con alta precisión; la GRNN se basa en la estimación de densidad de probabilidad, empleando métodos de funciones kernel para lograr regresión no lineal, mostrando un buen rendimiento en problemas con muestras pequeñas e incertidumbre.
Los resultados de las pruebas muestran que los tres modelos pueden predecir con cierta precisión los parámetros óptimos del sistema TF-QKD. Entre ellos, la RBFNN y la GRNN presentan un mejor rendimiento en espacios de parámetros de alta dimensión, con mayor precisión de predicción. En comparación con el método LSA, los métodos de predicción basados en redes neuronales pueden reducir el tiempo de cálculo en varios órdenes de magnitud. La BPNN, debido a su estructura relativamente simple, tiene la velocidad de cálculo más rápida; el costo computacional de la RBFNN y la GRNN es ligeramente mayor, pero aún dentro de un rango aceptable, y su mayor precisión de predicción suele aportar un valor práctico más significativo.
Ante las diferentes demandas de tiempo real y precisión de varios sistemas TF-QKD, WiMi también comparó la precisión de predicción con el consumo de tiempo. Los resultados indican que, en escenarios que requieren una respuesta rápida y una precisión baja, la BPNN es una opción más adecuada; mientras que en aplicaciones que priorizan una alta precisión y pueden tolerar cierto tiempo de cálculo, la RBFNN o la GRNN son más apropiadas.
La principal ventaja técnica de este método radica en reducir significativamente la complejidad computacional de la optimización de parámetros, acelerar la tasa de generación de claves y mejorar la capacidad de respuesta en tiempo real del sistema. Las redes neuronales pueden aprender y adaptarse automáticamente a los cambios en el entorno de comunicación cuántica, ofreciendo la posibilidad de ajustar dinámicamente los parámetros del sistema. Con el desarrollo de la tecnología de comunicación cuántica, este modelo puede actualizarse aún más para enfrentar protocolos de distribución cuántica de claves más complejos y mayores requisitos de seguridad.
WiMi indicó que continuará profundizando en la investigación sobre la optimización de parámetros TF-QKD mediante redes neuronales, explorando arquitecturas y estrategias de entrenamiento más avanzadas, como el aprendizaje profundo y el aprendizaje por refuerzo, para construir sistemas de distribución cuántica de claves más eficientes e inteligentes. Al mismo tiempo, la empresa fortalecerá la integración con plataformas de hardware de comunicación cuántica para impulsar la aplicación práctica y el proceso de comercialización de esta tecnología.
