위성‑지상 연속변수 QKD를 위한 머신러닝 기반 파면 보정 기술

초록

본 논문은 위성‑지상 자유공간 CV‑QKD에서 레퍼런스 펄스와 양자 신호 사이에 발생할 수 있는 상대 파면오차(WFE)를 머신러닝과 다중면 광변환(MPLC)으로 추정·보정하는 방법을 제시한다. HG 모드 기반 파면 분해와 트랜스포머 신경망을 이용해 신호 파면을 정확히 복원하고, 이를 변형 가능한 거울에 적용해 실시간 보정함으로써 기존 방식에서는 키가 생성되지 않던 채널에서도 양호한 보안키율을 확보한다.

상세 분석

이 연구는 위성‑지상 CV‑QKD 시스템에서 흔히 가정되는 “레퍼런스 펄스와 양자 신호가 동일한 파면 왜곡을 경험한다”는 전제를 깨고, 실제 운용 시 두 파형 사이에 존재할 수 있는 상대 파면오차(relative WFE)를 정량화한다. 저자는 다중면 광변환(MPLC)을 활용해 입사 광을 Hermite‑Gaussian(HG) 모드 집합으로 분해하고, 각 모드의 위상 차이를 Δϕ_mn,R(레퍼런스)와 Δϕ_mn,S(신호)로 측정한다. 여기서 핵심은 레퍼런스 파면 정보만을 이용해 신호 파면을 예측하는 머신러닝 모델이다. 저자는 트랜스포머 기반 신경망을 설계하여 Δϕ_mn,R를 입력으로 Δϕ_mn,S를 출력하도록 학습시켰으며, 이는 물리적 모델에 의존하지 않는 데이터‑드리븐 접근법이다. 학습 단계에서는 시뮬레이션된 대기 난류와 Zernike 위상 왜곡을 포함한 다양한 채널 조건에서 레퍼런스·신호 쌍을 수집하고, 테스트 단계에서는 레퍼런스만을 측정해 신호 파면을 실시간으로 복원한다. 복원된 파면은 변형 가능한 거울에 매핑되어 실제 로컬 오실레이터(RLO)의 파면을 보정하고, 보정된 RLO와 양자 신호를 동시 검출함으로써 측정 노이즈와 위상 불일치를 최소화한다. 시뮬레이션 결과, 상대 모드 WFE의 분산을 기존 대비 70 % 이상 감소시켰으며, 이는 보안키율에 직접적인 이득으로 이어졌다. 특히 N=30, 50 모드까지 확장했을 때도 키율이 유지되는 것을 확인했으며, 보정 없이 동일 조건에서는 키율이 0에 수렴했다. 이 연구는 파면 센서로서 Shack‑Hartmann보다 MPLC가 비균일 조명에 강인함을 보이며, 적은 광학 부품으로 고차 모드까지 처리할 수 있음을 시사한다. 다만, 실제 하드웨어 구현 시 MPLC의 손실, 변형 거울의 응답 속도, 그리고 신경망의 추론 지연이 시스템 전체 레이턴시에 미치는 영향을 추가 실험으로 검증해야 한다.