WiMi Hologram Cloud Inc.(NASDAQ: WiMi)は、Twin-Field量子鍵配送(TF-QKD)アーキテクチャ内の動作パラメータを最適化するための機械学習モデルの活用に関する研究を継続していることを発表した。この技術的取り組みは、ニューラルネットワークの非線形フィッティングおよび汎化能力を活用して、最適なシステム構成を予測することを目的としている。従来の多変数局所探索アルゴリズム(LSA)を事前学習済み回帰モデルで置き換えることにより、動的ハードウェアパラメータの計算に必要な計算オーバーヘッドが桁違いに削減される。この遅延の最小化は、アクティブな秘密鍵生成速度を加速し、変動する光ファイバーチャネル上でのリアルタイム適応性を向上させるよう設計されている。
同社の研究部門は、複雑なパラメータ空間内での予測精度を評価するために、3つの異なるニューラルネットワークトポロジーを訓練し、ベンチマークを実施した。バックプロパゲーションニューラルネットワーク(BPNN)は、その構造的シンプルさにより最高の実行速度を示し、中程度の精度範囲を持つ高速応答システムに理想的な適合性を持つことが示された。一方、放射基底関数ニューラルネットワーク(RBFNN)および一般化回帰ニューラルネットワーク(GRNN)は、高次元変数および信号の不確実性を管理する際に優れた予測精度を達成した。これらの特殊化されたモデルにより、TF-QKD端末局は、許容可能な計算コストで強度および位相パラメータを動的に調整することで、環境的な偏光シフトおよび位相ドリフトに自動的に対抗することができる。
今後、北京に本社を置くこのホログラフィックおよび半導体技術プロバイダーは、ますます複雑化する多者間量子通信プロトコルに対応するため、機械学習研究を深層学習および強化学習パラダイムに拡大する計画である。これらの訓練済みソフトウェアアルゴリズムを商用量子ハードウェアプラットフォームと直接統合することにより、WiMiは最適化モデルをシミュレーションテスト環境から機能的な高速量子セキュアデータ転送ネットワークへと移行させることを意図している。
公式技術発表、アルゴリズムパラメータ、および企業業績声明は確認可能である。
2026年7月1日
