量子科技中心_量科网

量子网络高度依赖于高保真度纠缠链路的建立，然而实现目标保真度通常需要在延迟和吞吐量之间进行权衡。在本研究中，研究团队提出了一种采用深度神经网络（DNNs）的半监督自适应纯化方法，以优化量子中继网络中延迟、吞吐量、纠缠资源利用率和保真度阈值之间的平衡。通过智能预测每条链路所需的纯化轮数，该方法能够动态适应不同量子通信应用场景中的保真度需求。通过整合量子纯化、纠缠建立和网络级请求调度的仿真，研究团队将该方法与固定轮数纯化和先进先出（FIFO）方案进行了比较。结果表明，所提出的方案在调整最终纠缠保真度水平方面具有更高的灵活性，同时最小化延迟并提高了纠缠贝尔对的有效利用率。研究结果突显了深度学习技术在未来量子网络应用中实现自适应优化性能的潜力。