fr.wedoany.com Rapport : WiMi Hologram Cloud Inc. (Nasdaq : WiMi) étudie l'utilisation de réseaux de neurones pour optimiser, par apprentissage automatique, la configuration des paramètres dans les systèmes de distribution quantique de clés à deux champs (TF-QKD). L'entreprise indique que cette approche vise à exploiter la puissante capacité d'ajustement et de généralisation des réseaux de neurones pour prédire directement les paramètres optimaux du système, réduisant ainsi considérablement le temps de calcul et la consommation de ressources.

Dans le cadre de cette étude, WiMi a entraîné et évalué trois types de modèles de réseaux de neurones : le réseau de neurones à rétropropagation (BPNN), le réseau de neurones à fonction de base radiale (RBFNN) et le réseau de neurones à régression généralisée (GRNN). Le BPNN repose sur l'algorithme de rétropropagation des erreurs, ajustant continuellement les poids et les biais pour minimiser l'erreur de prédiction. Le RBFNN utilise des fonctions de base radiale comme fonctions d'activation de la couche cachée, adapté au traitement de données de haute dimension et de problèmes non linéaires exigeant une grande précision. Le GRNN, quant à lui, est basé sur l'estimation de densité de probabilité et utilise des méthodes de fonctions noyau pour réaliser une régression non linéaire, offrant de bonnes performances sur des échantillons de données de petite taille et des problèmes d'incertitude.

Les résultats des tests montrent que les trois modèles peuvent prédire avec une certaine précision les paramètres optimaux du système TF-QKD. Parmi eux, le RBFNN et le GRNN obtiennent de meilleures performances dans les espaces de paramètres de haute dimension, avec une précision de prédiction plus élevée. Comparée à la méthode LSA, l'approche basée sur les réseaux de neurones permet de réduire le temps de calcul de plusieurs ordres de grandeur. Le BPNN, en raison de sa structure relativement simple, offre la vitesse de calcul la plus rapide. Les coûts de calcul du RBFNN et du GRNN sont légèrement plus élevés, mais restent dans une fourchette acceptable, et leur précision de prédiction supérieure apporte généralement une valeur pratique plus importante.

Face aux exigences différenciées de temps réel et de précision des différents systèmes TF-QKD, WiMi a également comparé la précision de prédiction et la consommation de temps. Les résultats montrent que dans les scénarios nécessitant une réponse rapide avec une faible exigence de précision, le BPNN est un choix plus approprié. En revanche, dans les applications où une haute précision est primordiale et où un certain temps de calcul est acceptable, le RBFNN ou le GRNN sont plus adaptés.

Le principal avantage technique de cette méthode réside dans la réduction significative de la complexité de calcul pour l'optimisation des paramètres, l'accélération du taux de génération de clés et l'amélioration de la capacité de réponse en temps réel du système. Les réseaux de neurones peuvent apprendre et s'adapter automatiquement aux changements de l'environnement de communication quantique, offrant la possibilité d'un ajustement dynamique des paramètres du système. Avec le développement des technologies de communication quantique, ce modèle peut être encore amélioré pour répondre à des protocoles de distribution quantique de clés plus complexes et à des exigences de sécurité plus élevées.

WiMi indique qu'à l'avenir, elle continuera à approfondir ses recherches sur l'utilisation des réseaux de neurones pour l'optimisation des paramètres TF-QKD, en explorant des architectures et des stratégies d'entraînement plus avancées, telles que l'apprentissage profond et l'apprentissage par renforcement, afin de construire des systèmes de distribution quantique de clés plus efficaces et plus intelligents. Parallèlement, l'entreprise renforcera l'intégration avec les plateformes matérielles de communication quantique pour favoriser l'application pratique et la commercialisation de cette technologie.