基于Transformer与MPLC的智能波前校正技术提升卫星量子密钥分发性能

1. 项目概述：当量子密钥分发遇上大气湍流

在量子通信领域，连续变量量子密钥分发（CV-QKD）因其与经典光通信系统良好的兼容性和高密钥率潜力，被视为构建未来全球量子互联网的关键技术之一。其核心原理，简单来说，是利用光场的正交分量（如振幅和相位）来编码密钥信息。想象一下，这就像是用光的“形状”和“位置”来书写一本只有通信双方能读懂的密码本。然而，当这条量子链路从实验室的光纤延伸到数百公里外的卫星与地面站之间时，一个“看不见的敌人”——大气湍流，就成了最大的拦路虎。

大气湍流会导致光波在传播过程中发生随机的相位畸变和强度闪烁，这种波前畸变对于依赖极高测量精度的CV-QKD系统而言是致命的。它直接破坏了接收端本地振荡器与量子信号之间的相干性，导致信号测量误差剧增，最终使得安全密钥率骤降甚至归零。传统的解决方案是使用自适应光学（AO）系统进行实时波前校正，但这类系统通常依赖夏克-哈特曼波前传感器，在卫星对地链路这种存在强闪烁和非均匀照明的极端环境下，其性能会大打折扣。

我们近期的工作，正是瞄准了这一痛点。我们提出并验证了一种全新的思路：将多平面光转换器（MPLC）与Transformer神经网络相结合，构建一个“智能”的波前校正系统。这个系统的目标不是直接测量并校正大气湍流本身，而是去精准地估计并补偿参考脉冲与量子信号之间因硬件不完美和信道扰动而产生的相对波前误差（WFE）。这个微妙的差别，正是提升卫星对地CV-QKD实用化性能的关键。

2. 核心问题拆解：为什么“相对误差”比“绝对误差”更棘手？

要理解我们方案的价值，首先要厘清CV-QKD系统中的一个关键假设与现实的差距。在典型的基于实本地振荡器（RLO）的CV-QKD协议中，系统会同时发送明亮的参考脉冲和微弱的量子信号。接收端测量参考脉冲的波前畸变，并认为这个畸变与量子信号经历的畸变完全相同，进而用此信息来调制本地的RLO，以完成对量子信号的相干测量。

2.1 理想与现实的鸿沟：相对波前误差的来源

这个“两者畸变相同”的假设，在理想情况下成立。但在实际的工程系统中，多种因素会打破这个平衡，引入相对波前误差：

1. 发射端硬件不完美：参考脉冲和量子信号在卫星发射端经过的光学路径并非完全一致。它们会通过不同的光学元件，如分束器、相位调制器、衰减器等。任何元件的面形误差、热致形变或装配应力，都会对通过的波前产生独特的、互不相同的畸变。例如，相位调制器上的微小热梯度，可能对信号光束引入的像散，与参考光路中延迟线引入的离焦，在模式上完全不同。
2. 偏振复用不完美：为了在同一信道中传输，参考脉冲和量子信号通常采用偏振复用。不完美的偏振控制会导致光子从高功率的参考脉冲泄漏到微弱的量子信号中。这种泄漏不是简单的能量叠加，它会将参考脉冲的波前误差特征“污染”到量子信号上，形成一种复杂的耦合误差。
3. 接收端模式解复用串扰：我们使用的MPLC在将光场分解为厄米-高斯（HG）模式时，其内部的相位掩模板并非理想。这会引入模式间的串扰，即一个HG模式的部分能量会泄漏到其他模式中。这种串扰效应对于参考脉冲和信号的影响可能不对称，进一步加剧了二者在模式域上的差异。

这些因素共同作用，导致在接收端测量到的参考脉冲模式相位（Δφ_mn,R）与量子信号的模式相位（Δφ_mn,S）不再相等。直接使用Δφ_mn,R去近似Δφ_mn,S，就如同用一把刻度不准的尺子去测量另一个物体的长度，误差会被直接带入后续的密钥提取过程。

2.2 多平面光转换器：从“成像”到“模式分解”的范式转换

为什么选择MPLC而非传统的波前传感器？这源于其根本性的原理优势。夏克-哈特曼传感器通过透镜阵列将波前分割成多个子孔径，并通过计算每个子孔径上光斑的质心偏移来反推波前斜率。在强闪烁下，某些子孔径可能光强极弱甚至无光，导致测量失效。

MPLC则采用了一种完全不同的思路。它本质上是一个可编程的光学模式转换器，由一系列精心设计的相位掩模板和自由传播空间构成。它的核心功能是：将输入光场在任意预设的正交模式基下进行分解。在我们的系统中，我们选择HG模式基。

MPLC的工作流程可以类比为一种“光学傅里叶分析”：

1. 畸变的光场（无论是参考脉冲还是量子信号）进入MPLC。
2. 经过一系列相位掩模的变换，该光场被“解耦”成N个独立的HG模式。
3. 每个模式被分别耦合进一根单模光纤。
4. 通过光电探测器测量每根光纤的输出功率，即可得到该模式系数c_mn的幅度a_mn。若要获得相位信息Δφ_mn，则需要额外的外差探测等干涉手段。

MPLC的优势在于，它对输入光场的整体强度分布不敏感，即使光场存在严重畸变和闪烁，只要其能量能被耦合进系统，MPLC就能稳定地执行模式分解任务。这使其非常适合湍流信道下的波前传感。

3. 智能波前校正算法：用Transformer学习误差映射

既然MPLC为我们提供了参考脉冲和量子信号在HG模式域的“指纹”（即Δφ_mn,R和Δφ_mn,S），而两者之间存在由硬件和信道引入的确定性或相关性误差，那么一个很自然的想法是：能否用一个模型来学习从Δφ_mn,R到Δφ_mn,S的映射关系？这就是我们引入机器学习，特别是Transformer神经网络的核心动机。

3.1 算法架构与工作流程

我们的智能波前校正算法分为两个阶段：训练阶段和操作阶段。

训练阶段（系统校准）：

1. 数据采集：在卫星-地面链路的实际或高保真模拟环境下，发射多组偏振复用的参考脉冲和量子信号。
2. 独立测量：在接收端，将参考脉冲和信号分离后，分别送入两个MPLC（或分时复用同一个MPLC）进行HG模式分解，并测量得到每一组脉冲对应的Δφ_mn,R（参考脉冲模式WFE）和Δφ_mn,S（信号模式WFE）真值。
3. 模型训练：以Δφ_mn,R作为输入特征，Δφ_mn,S作为训练标签，训练一个Transformer神经网络。网络的目标是学习两者之间的复杂函数关系f: Δφ_mn,R -> Δφ_mn,S。

操作阶段（实时校正）：

1. 常规传输：卫星正常发射复用后的参考脉冲和量子信号。
2. 参考脉冲测量：地面站接收后，仅将参考脉冲送入MPLC进行测量，实时得到Δφ_mn,R。
3. 误差预测：将实时测得的Δφ_mn,R输入已训练好的Transformer网络，网络输出对当前量子信号模式WFE的估计值Δ̃φ_mn,S。
4. 波前重构与校正：利用估计出的Δ̃φ_mn,S和参考脉冲的幅度a_mn,R，重构出估计的信号波前Ẽ_mn,S(x,y)。将此波前信息加载到可变形镜（DM）上，对接收端本地生成的实本地振荡器（RLO）进行调制。
5. 相干探测：用调制后的RLO与接收到的量子信号进行平衡零差探测，从而高精度地解调出编码在信号正交分量上的密钥信息。

关键设计思路：我们选择Transformer网络，是因为其核心的“自注意力机制”能够高效地捕捉输入序列（即各个HG模式的相位Δφ_mn,R）内部元��之间的长程依赖和空间关系。波前误差在不同HG模式间的分布并非独立，高阶像差会影响多个低阶模式。Transformer的这种全局建模能力，使其非常适合学习这种复杂的空间模式映射。

3.2 网络设计与超参数选择

针对不同的模式数量（N=10, 30, 50），我们设计了不同复杂度的Transformer网络架构，主要超参数如下表所示：

训练细节：我们使用均方根误差（RMSE）作为损失函数，采用Adam优化器，在24,000组模拟数据（19,200组训练，4,800组测试）上进行了3,000个周期的训练。模拟数据基于相位屏法生成，充分考虑了从低地球轨道（500公里）卫星到地面站（海拔2公里）之间的大气湍流垂直分布模型。

4. 性能验证：从误差估计到密钥率提升

我们通过模拟，系统评估了算法在四种典型误差场景下的性能：

• Case 0 (理想情况)：无硬件误差，Δφ_mn,R ≈ Δφ_mn,S。此时算法被训练成恒等映射，校正后方差趋近于零，证明其不会对完美系统引入额外性能损失。
• Case 1 (仅发射端硬件误差)：只有发射端光学器件引入的Zernike像差。此时Δφ_mn,R与Δφ_mn,S的差异主要源于随机的大气扰动，相关性较弱。算法性能与直接使用参考脉冲近似的结果互有高低，但总体未显显著优势。这表明对于完全随机的相对误差，学习映射关系比较困难。
• Case 2 (发射端误差+串扰泄漏误差)：同时包含发射端硬件误差和偏振泄漏/MPLC串扰引入的耦合误差。这是最接近真实情况的场景。串扰误差使得Δφ_mn,S成为Δφ_mn,R的确定性函数（我们使用正弦谐波函数模拟这种耦合关系）。在此情况下，我们的算法大放异彩。
• Case 3 (仅串扰泄漏误差)：只有串扰泄漏误差。这是Case 2的特例，算法同样表现出优异的校正能力。

4.1 误差估计精度对比

我们定义了两个关键指标：

• 默认方差：Var(Δφ_mn,R - Δφ_mn,S)，即直接使用参考脉冲近似所带来的误差。
• 校正方差：Var(Δ̃φ_mn,S - Δφ_mn,S)，即我们算法估计的误差。

在Case 2下，对于N=30和N=50的模式，我们的算法在绝大多数HG模式上都实现了校正方差显著低于默认方差。例如，在某些模式上，默认方差超过了0.50 rad²，而校正方差将其降低了一个数量级以上。这直观地证明，Transformer网络成功学习到了由硬件串扰引入的、隐藏在随机大气扰动下的确定性误差关系。

4.2 波前重构与相干效率

光有相位估计的精度还不够，最终要落实到波前重构的质量上。我们比较了三种重构方式与真实信号波前E_S(x,y)的相干效率γ：

1. 理想重构：使用真实的Δφ_mn,S和a_mn,S重构E_mn,S(x,y)。这代表了MPLC在理想情况下能获取的最佳信息。
2. 参考脉冲近似重构：使用Δφ_mn,R和a_mn,R重构E_mn,R(x,y)。这是传统方法的做法。
3. 智能校正重构：使用算法估计的Δ̃φ_mn,S和a_mn,R重构Ẽ_mn,S(x,y)。这是我们提出的方法。

模拟结果（N=50模式）显示：

• 理想重构的相干效率 γ ≈ 0.553。
• 参考脉冲近似重构的相干效率骤降至 γ ≈ 0.349。
• 我们的智能校正重构将相干效率提升至 γ ≈ 0.523，非常接近理想情况。这意味着经过校正的RLO与真实量子信号之间的波前匹配度大幅提升，为后续的高精度零差探测奠定了基础。

4.3 安全密钥率：从“归零”到“可用”

一切改进的最终目标是提升安全密钥率（SKR）。我们基于GG02协议（反向协调）进行了渐进极限下的安全密钥率分析。关键参数包括：探测器效率95%，电子噪声0.01 SNU，信道噪声0.0172 SNU。

核心结论令人振奋： 在Case 2（最现实的误差场景）下，如果直接使用参考脉冲近似（Δφ_mn,R）来重构RLO，由于相干效率过低（0.349），探测器噪声会急剧增大，导致在所有调制方差下，安全密钥率始终为0。这意味着链路实际上无法生成任何安全密钥。

然而，在启用我们的智能波前校正算法后，情况发生了根本性转变：

• 对于N=30模式，算法将相干效率提升至0.484，使得安全密钥率曲线从“归零”变为一条正的、非零的曲线。
• 对于N=50模式，相干效率提升至0.523，获得了更高的安全密钥率。

实操心得：这个结果揭示了工程中一个容易被忽视的“隐形杀手”。硬件不完美和串扰引入的相对波前误差，其危害可能比单纯的大气湍流更甚，因为它直接破坏了CV-QKD赖以生存的相干测量假设。我们的算法相当于为系统增加了一层“误差免疫”能力，使其在非理想硬件条件下仍能保持工作。

5. 工程实现考量与挑战

将这套算法从仿真推向实际部署，还需要解决一系列工程挑战：

5.1 训练数据的获取与系统标定

算法的有效性依赖于高质量的训练数据。在实际系统中，如何获取Δφ_mn,S的真值用于训练？我们设想了几种标定方案：

1. 定期注入已知信号：在系统初始化或定期维护时，发射已知调制状态的强“校准信号”，与参考脉冲一同传输并独立测量，以此获得成对的(Δφ_mn,R, Δφ_mn,S)数据对。这种方法会暂时中断密钥分发业务。
2. 基于部分信号的在线学习：在常规通信中，以极低概率随机选择一些量子脉冲，将其强度临时提升至可被MPLC直接高精度测量的水平，作为“样本信号”用于在线更新神经网络模型。这需要对协议进行微小改动。
3. 联合信道估计与波前校正：探索将信道参数估计与波前误差校正结合在一个统一的机器学习框架内，或许能减少对大量标定数据的依赖。

5.2 实时性与计算复杂度

Transformer网络的前向推理速度必须跟上系统的脉冲重复频率（通常为MHz量级）。这对于地面站的处理单元提出了要求。所幸的是，我们网络的参数量（最大约34万）对于现代FPGA或专用AI处理器而言是可管理的。关键在于优化推理流水线，将测量Δφ_mn,R、网络推理、波前重构和可变形镜控制这几个步骤的延迟控制在纳秒到微秒级。

5.3 环境适应性与模型泛化

训练好的模型是在特定的大气条件（如特定的C_n^2剖面、风速模型）和硬件状态下获得的。如果卫星轨道、季节、昼夜导致信道特性变化，或者硬件性能随时间漂移，模型��准确性可能会下降。

• 解决方案一：多条件训练：在仿真阶段，使用涵盖各种典型大气条件和硬件误差范围的超大规模数据集进行训练，构建一个鲁棒性更强的“通用模型”。
• 解决方案二：在线微调：结合上述在线学习策略，让模型具备在运行中利用少量新数据自我微调的能力。
• 解决方案三：模型集成与切换：为不同链路条件（如天顶角、天气）预训练多个模型，根据实时的链路诊断信息动态切换。

5.4 与现有系统的集成

我们的方案需要在地面站增加MPLC和实时处理单元。MPLC需要与现有的望远镜接收系统、可变形镜（如果已有自适应光学系统）以及零差探测器精密耦合。光路的对准、模式的稳定匹配、以及整个控制闭环的延迟补偿，都是实际集成中需要精细调试的环节。

6. 未来展望与扩展应用

这项工作的意义远不止于提升CV-QKD的性能。它代表了一种**“感知-学习-校正”** 的智能光学处理新范式。

1. 扩展到其他QKD协议：该框架同样适用于离散变量QKD系统，或其他任何依赖自由空间相干光通信的领域，只要其性能受限于波前畸变。
2. 与其他校正技术融合：我们的算法可以与传统自适应光学系统协同工作。AO负责校正大尺度、低阶的湍流像差，而我们的ML-MPLC系统则专注于校正硬件引入的、特别是参考脉冲与信号间的差分高阶像差，形成“粗调”+“精调”的双层校正架构。
3. 迈向“认知光学”：系统可以持续收集数据，模型可以不断进化。未来或许能实现一个能够预测特定卫星轨道、特定时间下链路误差特征的“认知光学终端”，提前进行预补偿，将量子链路的可用性和稳定性提升到新的高度。

我个人在实际研究和仿真调试中的体会是，将机器学习引入物理层信号处理，最大的价值在于它能够处理那些难以用精确解析模型描述的、复杂的、非线性的系统误差。它不取代物理原理，而是弥补了从原理到工程实现之间那一段“不完美”的鸿沟。对于卫星量子通信这种极端复杂且昂贵的系统，任何能提升其鲁棒性和效率的技术，都意味着更低的部署成本和更高的实用化可能性。这项工作只是第一步，如何让这个“智能光学大脑”更轻量化、更自适应、更安全，将是接下来更有趣的挑战。