面向异构量子客户端的分层联邦学习：基于 Quorus 的方法
量子物理
2025-10-09 v1 分布式、并行与集群计算
新兴技术
机器学习
摘要
量子机器学习 (QML) 承诺能够解决经典计算难以处理的问题，但由于关键数据可能分散在私有客户端之中，因此需要以量子联邦学习 (QFL) 格式进行分布式 QML。然而，不同客户端可用的量子计算机可能存在误差且具有异构的误差特性，这要求它们运行不同深度的电路。我们提出了一种新的 QFL 解决方案，即 Quorus，该方案利用分层损失函数以有效训练不同深度的量子模型，允许客户端根据其个人能力选择高保真度输出的模型。Quorus 还提出了各种基于客户端需求的模型设计，以优化 shot 预算、qubit 数量、中间测量和优化空间。我们的仿真和实硬件结果表明，Quorus 的前景非常悠然：它增加了高深度客户端梯度的幅度，并在最新方法之上实现测试准确率提升 12.4%。
引用
@article{arxiv.2510.06228,
title = {Layerwise Federated Learning for Heterogeneous Quantum Clients using Quorus},
author = {Jason Han and Nicholas S. DiBrita and Daniel Leeds and Jianqiang Li and Jason Ludmir and Tirthak Patel},
journal= {arXiv preprint arXiv:2510.06228},
year = {2025}
}