本文提出了一种使用量子机器学习技术的高速离散调制连续变量量子密钥分发（DM CVQKD）方案，该方案将整个 CVQKD 系统分为三个部分，分别是用于训练和估计量子分类器的初始化部分，用于生成高度相关原始密钥的预测部分以及生成 Alice 和 Bob 之间最终秘密密钥字符串的数据后处理部分。为此，设计了一种低复杂度的量子 k 最近邻（QkNN）分类器，用于预测 Bob 端的丢失性离散调制相干态（DMCSs）。分析了所提出的基于 QkNN 的 CVQKD 在机器学习指标和复杂性方面的性能，并用半定规划（SDP）方法证明了其理论安全性。数值模拟表明，我们提出的方案的秘密密钥速率明显优于现有的 DM CVQKD 协议，并且可以通过增加调制方差进一步增强。

Aug, 2023

通过使用角反射器，我们演示了从空间到地面的量子比特的传输，适用于量子密钥分发。我们还提出了一种利用调制角反射器的双向 QKD 协议，有助于扩大空间量子通信。

Jun, 2014

本文研究了光学卫星通信（OSGC）中的自适应光学系统问题，并提出了使用强化学习（RL）来减小系统的延迟、大小和成本，通过与低成本四分之一光电二极管进行交互来学习控制策略的方案，并开发了一个 AO RL 环境来评估 RL 的性能。实证分析表明，PPO 优于 Soft-Actor-Critic 和 Deep Deterministic Policy Gradient，并且在 250 次训练之后，PPO 收敛到理想 Shack-Hartmann 传感器所能获得的最大奖励的 86％，表明强化学习在无波阵面传感器的 OSGC 中具有潜在的优势。

Mar, 2023

成功使用生成对抗网络和相位失真展开误差减小方法对使用 LPIQE 编码的图像进行整体误差降低。

Nov, 2023

本文提出了一种新的数据驱动方法，通过机器学习技术和物理学知识相结合，优化了 LED 阵列显微镜的编码照明模式，并将其应用于稀疏性相位重建算法，证明了该方法可以显著提高实验结果的准确性，且只需较少的训练数据。

Aug, 2018

相位恢复是从光强度测量中计算光波相位的基础，近年来，深度学习已被证明在解决相位恢复问题方面非常有效，本文综合比较了数据驱动和物理驱动的两种深度学习相位恢复策略，并提出了结合数据集和物理的混合策略以平衡高频和低频信息。

Apr, 2024

本文探讨利用神经网络进行相位恢复及全息图像重建，可以消除双幅像和自干涉产生的空间伪影，相较于现有的方法更快、准确。通过计算血液、宫颈涂片、组织切片等样本，验证了该方法的可行性，表明机器学习可以克服成像科学中的挑战性问题，为设计强大的计算成像系统提供了新的思路。

May, 2017

本文讨论了从仅具有密度测量信息的实验数据中，利用凸规划技术计算物体相位的问题，通过对一定数量的随机扰动信号进行传播和测量，所得到的衍射图案的凸规划技术 PhaseLift 可以准确还原相位信息。

Oct, 2013

使用卷积神经网络直接从两到三个相位多样性光学图像中预测泽尼克系数，对光学像差进行表征，以实现快速准确的相位多样性方法，为真实数据集的评估铺平了道路。

Apr, 2024

本研究通过使用分离理论、混沌过程的最大值以及随机循环矩阵的受限等距特性，结合交替最小化方法，研究了通过随机自卷积信号来恢复具有给定内核的未知信号。通过谱初始化和广义梯度下降等方法，我们解决了测量算子中可能存在的依赖问题，并证明当观测次数足够大时，可以高概率地实现全局相移下的有效恢复。

Dec, 2017