量子科技中心_量科网

该论文提出了一种基于图神经网络（GNN）框架的量子密钥分发（QKD）网络优化方案。当前，量子计算机的发展正威胁着经典密码学的安全体系。此外，虽然QKD网络专为保护机密通信而设计，但其仍面临多重运行难题：动态环境适应能力、多参数优化及资源高效利用等。为克服这些障碍，研究人员提出了一种基于GNN的框架，可将QKD网络建模为动态图结构，并从网络拓扑中提取可利用特征。该图结构不仅包含拓扑信息，还涵盖量子通信特有的关联特征（如节点间连接边数等）。实验结果表明：经GNN优化的QKD网络实现总密钥率显著提升（从27.1 Kbits/s增至470 Kbits/s）、平均量子误码率降低（从6.6%降至6.0%），同时在平均传输距离略微缩短（从7.13公里减至6.42公里）的情况下保持路径完整性。进一步分析不同规模网络（10至250个节点）的表现显示，该方案在中型网络中提升了链路预测精度与密钥生成速率。这项工作为QKD网络引入了创新运行模式，通过构建自适应、可扩展的量子通信系统来提升安全性与性能，从而实现了网络优化范式的转变。