量子科技中心_量科网

量子机器学习（QML）有望解决经典计算难以处理的问题，但由于关键数据可能分散在多个私有客户端之间，因此需要以量子联邦学习（QFL）的形式实现分布式 QML。然而，不同客户端可使用的量子计算机容易出错，且具有异构的误差特性，这要求它们运行不同深度的量子线路。该团队针对这一 QFL 问题提出了一种名为 Quorus 的创新解决方案，利用分层损失函数有效训练不同深度的量子模型，使客户端能够根据自身计算能力选择可实现高保真输出的模型。Quorus 还提供了多种基于客户端需求的模型设计，可在计算资源、量子比特数、线路中测量能力和优化空间等方面实现优化。仿真和实际硬件实验结果表明，Quorus 能够增强较高深度客户端的梯度幅度，并将测试准确率平均较现有最优方法提升 12.4%。