de.wedoany.com-Bericht: Die WiMi Hologram Cloud Inc. (Nasdaq: WiMi) erforscht den Einsatz neuronaler Netze zur Optimierung der Parameterkonfiguration in Zwei-Feld-Quantenschlüsselverteilungssystemen (TF-QKD) mittels maschinellen Lernens. Das Unternehmen gibt an, dass dieser Ansatz die leistungsstarke Anpassungs- und Generalisierungsfähigkeit neuronaler Netze nutzt, um die optimalen Systemparameter direkt vorherzusagen und so Rechenzeit und Ressourcenverbrauch erheblich zu reduzieren.
In der Studie trainierte und bewertete WiMi drei verschiedene Typen neuronaler Netzmodelle: das Backpropagation-Neuronale Netz (BPNN), das Radiale-Basisfunktionen-Neuronale Netz (RBFNN) und das Generalisierte Regressions-Neuronale Netz (GRNN). BPNN basiert auf dem Fehlerrückpropagationsalgorithmus und minimiert den Vorhersagefehler durch kontinuierliche Anpassung von Gewichten und Bias. RBFNN verwendet radiale Basisfunktionen als Aktivierungsfunktionen der verborgenen Schicht und eignet sich für die Verarbeitung hochdimensionaler Daten und nichtlinearer Probleme mit hohen Genauigkeitsanforderungen. GRNN basiert auf der Wahrscheinlichkeitsdichteschätzung und realisiert nichtlineare Regression mittels Kernelfunktionen, wobei es bei kleinen Stichproben und Unsicherheitsproblemen gute Leistungen zeigt.
Die Testergebnisse zeigen, dass alle drei Modelle die optimalen Parameter des TF-QKD-Systems bis zu einem gewissen Grad genau vorhersagen können. Dabei schnitten RBFNN und GRNN im hochdimensionalen Parameterraum besser ab und erzielten eine höhere Vorhersagegenauigkeit. Im Vergleich zur LSA-Methode können die auf neuronalen Netzen basierenden Vorhersagemethoden die Rechenzeit um mehrere Größenordnungen reduzieren. BPNN weist aufgrund seiner relativ einfachen Struktur die schnellste Rechengeschwindigkeit auf; die Rechenkosten von RBFNN und GRNN sind etwas höher, liegen aber noch im akzeptablen Bereich, und ihre höhere Vorhersagegenauigkeit bringt in der Regel einen größeren praktischen Nutzen.
Angesichts der unterschiedlichen Anforderungen an Echtzeitfähigkeit und Genauigkeit verschiedener TF-QKD-Systeme verglich WiMi auch die Vorhersagegenauigkeit mit dem Zeitaufwand. Die Ergebnisse zeigen, dass BPNN in Szenarien, die eine schnelle Reaktion erfordern und geringere Genauigkeitsanforderungen stellen, die geeignetere Wahl ist; während in Anwendungen, die eine hohe Genauigkeit priorisieren und eine gewisse Rechenzeit tolerieren können, RBFNN oder GRNN besser geeignet sind.
Der Hauptvorteil dieser Methode liegt in der signifikanten Reduzierung der Rechenkomplexität der Parameteroptimierung, der Beschleunigung der Schlüsselerzeugungsrate und der Verbesserung der Echtzeit-Reaktionsfähigkeit des Systems. Neuronale Netze können Veränderungen in der Quantenkommunikationsumgebung automatisch lernen und sich anpassen, was eine dynamische Anpassung der Systemparameter ermöglicht. Mit der Entwicklung der Quantenkommunikationstechnologie kann das Modell weiter aufgerüstet werden, um komplexere Quantenschlüsselverteilungsprotokolle und höhere Sicherheitsanforderungen zu bewältigen.
WiMi erklärte, dass das Unternehmen die Forschung zur Optimierung von TF-QKD-Parametern mittels neuronaler Netze weiter vertiefen und fortschrittlichere Architekturen und Trainingsstrategien wie Deep Learning und Reinforcement Learning erforschen wird, um effizientere und intelligentere Quantenschlüsselverteilungssysteme aufzubauen. Gleichzeitig wird das Unternehmen die Integration mit Hardwareplattformen für die Quantenkommunikation verstärken, um die praktische Anwendung und Kommerzialisierung dieser Technologie voranzutreiben.
