量子科技中心_量科网

量子联邦学习（QFL）作为一种新兴技术，将量子计算与联邦学习相结合，能在分布式量子设备间高效处理复杂数据，同时确保量子网络中的数据隐私。尽管近期研究取得进展，现有QFL框架仍难以实现最优模型训练性能，主要归因于以下固有异质性：（i）量子噪声异质性——由于设备质量差异和量子退相干敏感性，当前量子设备存在不同程度的噪声；（ii）数据分布异质性——参与设备的量子数据天然呈现非独立同分布（non-IID）特性。为应对这些挑战，该研究团队提出名为SPQFL的新型集成式间歇-个性化方法，可在单一QFL框架中同步处理量子噪声与数据异质性。该方案具有两大核心特征：（i）针对量子噪声异质性，引入间歇学习机制以应对跨设备的量子噪声差异；（ii）针对量子数据异质性，通过模型正则化实现个性化学习，缓解非IID量子数据本地训练中的过拟合问题，从而提升全局模型收敛性。此外，研究人员对SPQFL框架进行了严格的收敛性分析，综合考虑间歇学习与个性化学习因素。理论分析表明，该算法的上界同时受量子设备数量和量子噪声测量次数的显著影响。在真实数据集上的大量仿真结果也表明，相较于现有最优方法，SPQFL在训练性能和收敛稳定性方面均实现显著提升。