Quantum communication is a rapidly developing field that uses quantum mechanics to securely transmit information. It is directly superior to classical communication due to the no-cloning theorem. One unit of information in this quantum context, contrasting the ‘bit’ from classical information theory, is the qubit. Its power lies in superposition (the ability to exist in multiple states simultaneously) and entanglement (a phenomenon where two or more qubits share a linked state). Qubits sent through a photonic quantum entanglement link over optic fibre are susceptible to errors induced by the weather and mechanical impulses. In this thesis, we study the effectiveness of reinforcement learning to counteract the effects of temperature and wind on the QuBit Error Rates (QBERs) sent through an experimental quantum entanglement link. Because the current global optic fibre infrastructure was not intended for quantum standards, mitigating the effect of environmental errors is essential for successful quantum communication. Temperature, wind, and rain have complex behavioural patterns and strongly influence QBERs. Then, minimizing QBERs becomes difficult in this unpredictable environment. We try to characterize the behaviour of wind and temperature through models that use a summation of sinusoidal signals and historical weather data. Then, by using reinforcement learning methods such as deep deterministic policy gradient and Proximal Policy Optimisation (PPO), we train agents capable of mitigating the effects of the environment in various circumstances. Our results show that a PPO agent is the best approach to minimize QBERs in this setting, capable of handling complex periodic errors. However, further research is required to determine which link and model architecture provides the best balance between performance and cost.

Kvantkommunikation är ett snabbt utvecklande område som utnyttjar kvantmekanik för säker informationsöverföring. Det är överlägset klassisk kommunikation tack vare no-kloning-teoremet. En informationsenhet i detta kvantkontext, i kontrast till den klassiska biten, är qubiten. Dess styrka ligger i superposition (förmågan att existera i flera tillstånd samtidigt) och entanglement (ett fenomen där två eller flera qubitor delar ett länkat tillstånd). Qubitar som sänds genom en fotonisk kvanttrasselkanal över optisk fiber är mottagliga för fel orsakade av väder och mekaniska impulser. I denna avhandling studerar vi effektiviteten av förstärkningsinlärning för att motverka effekterna av temperatur och vind på kvantbitfelhastigheter (QBER) som skickas genom en experimentell kvanttrasselkanal. Eftersom den nuvarande globala optiska fiberinfrastrukturen inte var avsedd för kvantstandarder är det viktigt att mildra effekten av miljöfel för framgångsrik kvantkommunikation. Temperatur, vind och regn har komplexa beteendemönster och påverkar QBER kraftigt. Därför blir det svårt att minimera QBER i denna oförutsägbara miljö. Vi försöker karakterisera beteendet hos vind och temperatur genom modeller som använder en summering av sinusoidala signaler och historiska väderdata. Sedan, genom att använda förstärkningsinlärningsmetoder som djup deterministisk policygradient och Proximal Policy Optimization (PPO), tränar vi agenter som kan mildra miljöns effekter under olika omständigheter. Våra resultat visar att PPO är den bästa metoden för att minimera QBER i denna inställning, kapabel att hantera komplexa periodiska fel. Ytterligare forskning krävs dock för att bestämma vilken länk- och modellarkitektur som ger den bästa balansen mellan prestanda och kostnad.