量子科技中心_量科网

量子联邦学习（QFL）结合量子计算与联邦学习，在保障数据隐私的同时实现分布式模型训练。该技术通过利用量子叠加态和纠缠态等特性，可提升计算效率与可扩展性。然而现有QFL框架主要关注量子客户端间的同质性，未能充分考虑现实场景中量子数据分布、编码技术、硬件噪声水平及计算能力等差异。这些差异会导致训练过程不稳定、收敛速度减慢并降低整体模型性能。 该研究团队在本文中对QFL中的异质性展开深入研究，将其划分为数据异质性与系统异质性两类，并探究异质性对训练收敛性与模型聚合的影响。通过对现有解决方案的批判性评估，研究人员指出其局限性，并通过案例研究论证解决量子异质性问题的可行性。最后，该工作探讨了构建鲁棒且可扩展的异构QFL框架的未来研究方向。