De acordo com pt.wedoany.com-A WiMi Hologram Cloud Inc. (Nasdaq: WiMi) está pesquisando o uso de redes neurais para otimizar a configuração de parâmetros em sistemas de distribuição quântica de chaves de campo duplo (TF-QKD) por meio de aprendizado de máquina. A empresa afirma que essa abordagem visa aproveitar a forte capacidade de ajuste e generalização das redes neurais para prever diretamente os parâmetros ideais do sistema, reduzindo significativamente o tempo de computação e o consumo de recursos.
No estudo, a WiMi treinou e avaliou três tipos diferentes de modelos de redes neurais: rede neural de retropropagação (BPNN), rede neural de função de base radial (RBFNN) e rede neural de regressão generalizada (GRNN). A BPNN baseia-se no algoritmo de retropropagação de erros, ajustando continuamente pesos e vieses para minimizar o erro de previsão; a RBFNN utiliza funções de base radial como funções de ativação da camada oculta, sendo adequada para processar dados de alta dimensão e problemas não lineares com alta precisão; a GRNN, por sua vez, baseia-se na estimativa de densidade de probabilidade, empregando métodos de função kernel para realizar regressão não linear, apresentando bom desempenho em problemas com pequenas amostras de dados e incertezas.
Os resultados dos testes mostraram que os três modelos conseguem prever com certa precisão os parâmetros ideais do sistema TF-QKD. Entre eles, a RBFNN e a GRNN tiveram melhor desempenho em espaços de parâmetros de alta dimensão, com maior precisão de previsão. Em comparação com o método LSA, os métodos de previsão baseados em redes neurais reduziram o tempo de computação em várias ordens de grandeza. A BPNN, por ter uma estrutura relativamente simples, apresentou a velocidade de computação mais rápida; os custos computacionais da RBFNN e da GRNN foram ligeiramente maiores, mas ainda dentro de uma faixa aceitável, e sua maior precisão de previsão geralmente traz maior valor prático de aplicação.
Atendendo às diferentes necessidades de tempo real e precisão dos sistemas TF-QKD, a WiMi também comparou a precisão da previsão com o consumo de tempo. Os resultados indicam que, em cenários que exigem resposta rápida e baixa precisão, a BPNN é a escolha mais adequada; já em aplicações que priorizam alta precisão e podem tolerar um certo tempo de computação, a RBFNN ou a GRNN são mais apropriadas.
As principais vantagens técnicas desse método incluem a redução significativa da complexidade computacional da otimização de parâmetros, a aceleração da taxa de geração de chaves e a melhoria da capacidade de resposta em tempo real do sistema. As redes neurais podem aprender e se adaptar automaticamente às mudanças no ambiente de comunicação quântica, possibilitando o ajuste dinâmico dos parâmetros do sistema. Com o desenvolvimento da tecnologia de comunicação quântica, o modelo pode ser atualizado para lidar com protocolos de distribuição quântica de chaves mais complexos e requisitos de segurança mais elevados.
A WiMi afirma que continuará aprofundando a pesquisa sobre a otimização de parâmetros TF-QKD com redes neurais, explorando arquiteturas e estratégias de treinamento mais avançadas, como aprendizado profundo e aprendizado por reforço, para construir sistemas de distribuição quântica de chaves mais eficientes e inteligentes. Ao mesmo tempo, a empresa fortalecerá a integração com plataformas de hardware de comunicação quântica, promovendo a aplicação prática e a comercialização dessa tecnologia.
