量子科技中心_量科网

量子联邦学习（QFL）是一种新兴范式，它将量子计算与联邦学习（FL）相结合，在保持量子网络中数据隐私的同时实现分布式模型训练。然而，量子噪声仍是QFL面临的主要障碍——由于硬件质量差异和量子退相干敏感性，现代量子设备会遭受异质性噪声干扰，导致训练性能不足。为此，该研究团队提出SpoQFL创新框架，利用稀疏学习机制来缓解分布式量子系统中的噪声异质性问题。该框架能根据噪声波动动态调整训练策略，显著提升模型鲁棒性、收敛稳定性及整体学习效率。基于真实数据集的实验表明，SpoQFL在训练性能和收敛稳定性方面均显著优于传统QFL方法。