Investigadores han desarrollado un marco de optimización basado en aprendizaje automático para mejorar la distribución cuántica de clave de variable continua (CV-QKD). Este nuevo enfoque aborda las limitaciones prácticas del hardware, como la longitud finita de los filtros del transmisor y receptor y la resolución limitada de los convertidores analógico-digitales y digital-analógicos, que suelen degradar el rendimiento de los sistemas CV-QKD al provocar desajustes de modo. El sistema optimiza conjuntamente la conformación del pulso del transmisor y el filtrado adaptado del receptor.

La metodología emplea aprendizaje por refuerzo y considera restricciones realistas del hardware. Estas incluyen un número limitado de tomas de filtro, la resolución finita de los convertidores, el filtrado analógico de paso bajo y el número óptimo de fotones medios. Al mitigar el desajuste de modo y tener en cuenta las limitaciones de implementación, el método propuesto mejora el rendimiento general del sistema. La CV-QKD es una tecnología prometedora para la comunicación segura, pero su implementación práctica se ve a menudo obstaculizada por estas imperfecciones de los componentes.

Los resultados de las simulaciones demuestran que este marco de optimización consigue tasas de clave segura mejoradas en comparación con los enfoques convencionales. Esto subraya la efectividad del método propuesto para superar los retos inherentes a la implementación de sistemas CV-QKD en entornos reales. El avance podría allanar el camino para sistemas de comunicación cuántica más robustos y eficientes, acercando la criptografía cuántica a aplicaciones prácticas a gran escala.