用强化学习优化量子密钥分发，提升实际硬件下的性能

Optimization of CV-QKD Under Practical Constraints

• 用强化学习优化发射端和接收端的滤波器、光子数与数模转换精度
• 在有限硬件条件下，实现显著的系统性能提升
• 适合关注真实场景下量子通信优化的研究者

通过强化学习方法，针对实际硬件限制进行优化，包括发射端和接收端有限数量的FIR滤波器抽头、平均光子数以及有限的数模转换器（DAC/ADC）分辨率。在这些现实条件约束下，所提出的方法实现了显著的性能提升。

原文摘要 · Abstract (English)

Using reinforcement learning, we optimize for practical hardware constraints, including limited FIR filter taps at the transmitter and receiver, mean photon number and finite DAC/ADC resolution. Under these realistic conditions, the proposed approach achieves significant performance improvements.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。