量子科技中心_量科网

分布式量子机器学习面临异构客户端数据和本地模型结构差异带来的重大挑战，这些因素阻碍了全局模型聚合。为解决这些问题，该研究团队提出了一种面向异构数据的变分量子卷积神经网络知识蒸馏框架。该框架具有基于客户端数据的量子门数量估计机制，可指导构建资源自适应的VQCNN电路，并采用粒子群优化技术高效生成适应本地数据特征的个性化量子模型。在聚合阶段，通过融合软标签与硬标签监督的知识蒸馏策略，利用公共数据集整合异构客户端知识，在避免参数暴露和隐私泄露的同时形成全局模型。理论分析表明，该工作得益于量子高维表示特性，相比经典方法具有优势，且仅需交换模型索引和测试输出即可最小化通信开销。在PennyLane平台进行的广泛仿真验证了门数量估计和基于蒸馏的聚合机制的有效性。实验结果表明，聚合后的全局模型准确率接近全监督集中式训练水平。这些成果表明所提方法能有效处理异构性、降低资源消耗并保持性能，展现了可扩展且隐私保护的分布式量子学习的应用潜力。