量子科技中心_量科网

在NISQ硬件上运行的量子联邦学习（QFL）对后端异构性高度敏感：部分客户端贡献具有信息量的更新，而另一些客户端则贡献噪声主导的漂移，统一平均无法区分这两者。该团队提出Q-RAIL（量子可靠性感知联邦推理与学习），这是一种面向硬件异构QFL的电路与校准感知聚合方法。Q-RAIL根据后端校准元数据以及编译后的电路统计信息，计算每个客户端特有的有效噪声预算。该预算通过温度缩放、均匀混合和最小权重下限，转化为稳定的聚合权重。Q-RAIL在多个实验设置下进行了评估，包括消融研究，并在三个数据集（MNIST、Fashion-MNIST和OrganAMNIST）上与现有最优方法进行了基准对比。在强硬件偏斜的主要MNIST基准测试中，Q-RAIL将最终测试准确率从FedAvg的0.777提升至0.877，提升了+10.0个百分点，对应约44.8%的相对错误率降低，同时也超过了最强的wpQFL基线（0.833）。同时，测试损失从0.722降至0.585，测试AUC从0.920升至0.973。在非独立同分布MNIST下，Q-RAIL达到0.813，而FedAvg为0.722。该团队的方法还在12/12的ansatz/CX折叠压力配置中优于FedAvg，并在4、10和15量子比特设置下保持优势。总体而言，实验结果支持将校准驱动、电路感知的聚合作为在异构量子硬件上实现稳健QFL的实用路径。