面向AI原生6G无线网络的量子联邦学习赋能
网络与互联网体系结构
2025-09-16 v1
摘要
AI原生6G网络被设想为在无线生态系统中紧密嵌入人工智能（AI），实现边缘端的实时、个性化和隐私保护智能。该愿景的基石是联邦学习（FL），它允许在不共享原始数据的情况下跨设备进行模型训练。然而，在异构动态的无线网络中实现经典FL方法面临诸多瓶颈，包括设备计算能力有限、不可靠的连接、间歇性通信以及对模型安全和数据隐私泄露的脆弱性。本文探讨了将量子联邦学习（QFL）集成到AI原生6G网络中，形成一种能够克服上述挑战的变革性范式。通过在FL工作流程中利用计算、通信和密码学方面的量子技术，QFL在三个关键维度上提供了新的能力：（i）边缘智能、（ii）网络优化、（iii）安全与隐私。本文进一步 presented了一个案例研究，表明采用量子近似优化算法（quantum approximate optimization algorithm）的QFL框架在模型收敛方面优于经典方法。我们通过阐述QFL部署的实际挑战，如量子态脆弱性、与经典协议的不兼容性以及硬件限制，并提出面向可扩展实际应用的关键研究方向。
引用
@article{arxiv.2509.10559,
title = {Empowering AI-Native 6G Wireless Networks with Quantum Federated Learning},
author = {Shaba Shaon and Md Raihan Uddin and Dinh C. Nguyen and Seyyedali Hosseinalipour and Dusit Niyato and Octavia A. Dobre},
journal= {arXiv preprint arXiv:2509.10559},
year = {2025}
}
备注
Under revision at IEEE Wireless Communications Magazine