量子科技中心_量科网

端环境下的量子机器学习需要在实现远程计算的同时保护敏感数据。该研究团队首次展示了完美安全的量子同态加密（QHE）方案在量子神经网络（QNN）中的实际应用。通过高效的Clifford+T分解，研究人员实现了两种互补场景下的量子卷积神经网络：(i) 反向委托训练——来自多个数据提供方的加密数据通过联邦聚合方式训练用户网络；(ii) 隐私推理——用户利用远程量子网络处理加密数据。此外，对服务器电路隐私的分析揭示了通过泡利门隐藏实现的概率模型保护机制。这些成果证实了完美安全QHE可作为多方量子机器学习的实用框架。