量子科技中心_量科网

分布式量子学习（DQL）已成为一种有前景的范式，通过互连多个量子设备来扩展量子增强型机器学习。然而，为了在现实世界中高效部署，有必要刻画DQL在实用场景下的收敛行为，同时保护多设备量子基础设施免受不断演变的安全威胁。以集成方式解决这些方面，是确保大规模DQL系统兼具性能与鲁棒性的关键。因此，本文提出一项新的DQL研究，其创新点在于：(i) 在实用设置下（即部分设备参与、非凸损失函数和异质数据分布）对DQL进行整体收敛性分析；(ii) 开发一种新颖的多层后量子密码架构，该架构配备由量子神经网络驱动的自适应机制，可监控条件、评估威胁，并在三个符合美国国家标准与技术研究院（NIST）标准的层级上调整参数。该研究的理论框架与实证验证揭示了两个关键见解：(i) 推导出的收敛界揭示了收敛速率、测量次数与参与设备子集大小之间的基本权衡；(ii) 在模拟量子控制架构的物理测试平台上进行的评估结果，暴露了静态后量子安全的性能局限性，同时证实该研究的自适应框架能有效缓解这些开销以保持系统整体效率。具体而言，硬件实验表明，相对于静态高安全基线，该研究的动态安全机制将总安全执行时间减少了约49%，同时保持了超过91%的威胁检测准确率。此外，广泛的仿真验证了该研究的理论分析。