维度网讯，WiMi全息云股份有限公司（纳斯达克：WiMi）正在研究利用神经网络通过机器学习来优化双场量子密钥分发（TF-QKD）系统中的参数配置。该公司表示，这一方法旨在借助神经网络强大的拟合与泛化能力，直接预测系统的最优参数，从而大幅减少计算时间与资源消耗。

研究中，WiMi训练并评估了三种不同类型的神经网络模型：反向传播神经网络（BPNN）、径向基函数神经网络（RBFNN）和广义回归神经网络（GRNN）。BPNN基于误差反向传播算法，通过不断调整权重和偏置来最小化预测误差；RBFNN以径向基函数作为隐藏层激活函数，适用于处理高维数据和高精度要求的非线性问题；GRNN则基于概率密度估计，采用核函数方法实现非线性回归，在小样本数据和不确定性问题上表现较好。

测试结果显示，三种模型均能在一定程度上准确预测TF-QKD系统的最优参数。其中，RBFNN和GRNN在高维参数空间中表现更佳，预测精度更高。与LSA方法相比，基于神经网络的预测方法能够将计算时间降低多个数量级。BPNN因结构相对简单，计算速度最快；RBFNN和GRNN的计算成本略高，但仍处于可接受范围，其更高的预测精度通常带来更实际的应用价值。

针对不同TF-QKD系统对实时性和精度的差异化需求，WiMi还对预测精度与时间消耗进行了比较。结果表明，在需要快速响应且对精度要求较低的场景中，BPNN是较为合适的选择；而在更注重高精度且能容忍一定计算时间的应用中，RBFNN或GRNN更为适用。

该方法的主要技术优势在于显著降低参数优化的计算复杂度，加快密钥生成速率，并提升系统实时响应能力。神经网络能够自动学习并适应量子通信环境的变化，为系统参数的动态调整提供可能。随着量子通信技术发展，该模型可进一步升级，以应对更复杂的量子密钥分发协议与更高的安全要求。

WiMi表示，未来将继续深化神经网络用于TF-QKD参数优化的研究，探索更先进的架构与训练策略，如深度学习和强化学习等，以构建更高效、更智能的量子密钥分发系统。同时，公司将加强与量子通信硬件平台的集成，推动该技术的实际应用与商业化进程。