量子科技中心_量科网

在量子赋能及异构经典网络上部署的联邦学习（FL）面临性能显著下降问题，这源于客户端质量不均、随机量子传态保真度、设备不稳定性以及本地模型与全局模型间的几何失配。传统聚合规则基于欧几里得拓扑假设和均匀通信可靠性，难以适配新兴量子联邦系统。本文提出A2G（双增益自适应聚合）框架，通过几何增益协调模型融合，同时利用源自传态保真度、延迟和不稳定性的服务质量（QoS）增益动态调整客户端权重。该团队构建了A2G更新规则，在平滑性和有界方差假设下证明了收敛性，并揭示A2G可退化为FedAvg、QoS加权平均及流形聚合等特例。量子-经典混合测试平台的实验表明，该方法在异构噪声环境下具有更优的稳定性和准确率提升。