Un truco disponible para mitigar la interferencia del ruido ambiental en las comunicaciones cuánticas es modular las señales con multiplexación de tiempo-polarización. Por el contrario, debido a los efectos de la turbulencia atmosférica en el espacio libre, la polarización de las señales fluctúa aleatoriamente, lo que resulta en una fuga de información factible cuando se lleva a cabo la demultiplexación de polarización directa en el receptor, ahogando las señales contenidas de ruido. Para mejorar la seguridad práctica de la distribución cuántica de claves de variable continua (CVQKD), proponemos un enfoque de aprendizaje automático (ML) para la optimización del control de polarización dinámica (DPC) de las señales transmitidas a través de la turbulencia atmosférica. Un esquema DPC óptimo puede ajustarse de forma adaptativa con algoritmos de ML, que se basa en las señales recibidas en el receptor para resolver el problema de la fuga de información, ya que proporciona una respuesta precisa a los cambios de polarización con respecto a las señales anamórficas. El rendimiento del sistema CVQKD puede aumentar en términos de tasas de clave secreta y distancia máxima de transmisión también. La simulación numérica muestra el efecto positivo del DPC basado en ML teniendo en cuenta la tasa de clave secreta del sistema CVQKD. El DPC basado en ML reduce efectivamente la viabilidad de la fuga de información y, por lo tanto, resulta en una mayor tasa de clave secreta del sistema CVQKD práctico.