量子科技中心_量科网

参数估计是连续变量量子密钥分发（CV-QKD）中的关键步骤，尤其在有限码长条件下，最坏情况的置信区间会显著降低可实现的密钥生成率。该研究团队通过有限码长安全性分析证明，神经网络能以可量化的失败概率ϵPE可靠地用于CV-QKD参数估计，且具备操作化解释与组合安全性保证。基于与标准方法操作等效的协议，该工作提出的方法能产生显著更严格的置信区间，即使在集体高斯攻击下也能实现更高的密钥率。这种新方法生成的紧缩置信区间，使得集体高斯攻击下的密钥率提升可被精确量化。这些成果为现代机器学习技术与量子密码协议的融合开辟了新视角，尤其适用于实际资源受限的应用场景。