Cross-Silo Federated Learning ist eine Form des föderierten maschinellen Lernens, bei der eine begrenzte Anzahl institutioneller Teilnehmer gemeinsam ein Modell trainiert, ohne ihre vollständigen Rohdaten an einer zentralen Stelle zusammenzuführen. Zu den möglichen Teilnehmern gehören Forschungszentren, Universitäten, Kliniken, Banken, Industrieunternehmen, Quantenrechenzentren und Betreiber technischer Infrastrukturen.

Jede Institution arbeitet mit ihrem eigenen Datenbestand. Sie erhält eine gemeinsame Modellversion, trainiert diese lokal und übermittelt anschließend ausgewählte Modellparameter, Gradienten oder andere Aktualisierungen an eine koordinierende Instanz. Dort werden die Beiträge zu einem neuen globalen Modell zusammengeführt. Dieses Modell wird erneut verteilt und in weiteren Trainingsrunden verbessert.

Der Kern des Verfahrens besteht nicht darin, Daten vollständig unsichtbar zu machen. Entscheidend ist vielmehr, dass die Rohdaten ihre institutionelle Umgebung grundsätzlich nicht verlassen müssen. Dadurch lassen sich Datenbestände gemeinsam nutzen, die aus rechtlichen, wirtschaftlichen, technischen oder wissenschaftlichen Gründen nicht zentral gespeichert werden können.

Bedeutung für die Quantentechnologie

In der Quantentechnologie entstehen Daten häufig verteilt. Verschiedene Labore betreiben unterschiedliche Quantenprozessoren, Quantensensoren, Photoniksysteme oder Kommunikationsstrecken. Jedes Labor sammelt eigene Messdaten, Kalibrierungswerte, Fehlerprofile und experimentelle Ergebnisse. Eine zentrale Zusammenführung ist nicht immer möglich oder sinnvoll.

Cross-Silo Federated Learning kann diese voneinander getrennten Datenräume zu einem gemeinsamen Lernprozess verbinden. Ein Forschungszentrum könnte beispielsweise Messdaten supraleitender Qubits besitzen, während ein anderes Zentrum Daten aus Ionenfallen oder photonischen Systemen beisteuert. Die lokalen Datensätze bleiben getrennt, doch die beteiligten Einrichtungen versuchen, ein gemeinsames Modell für Fehlererkennung, Kalibrierung oder Zustandsklassifikation zu trainieren.

Werden dabei quantenmechanische Lernmodelle eingesetzt, entsteht eine Verbindung zwischen Cross-Silo Federated Learning und Quantum Machine Learning. Diese Verbindung wird meist als Quantum Federated Learning bezeichnet. Der Begriff umfasst verschiedene Architekturen: klassische Daten können mit Quantenschaltkreisen verarbeitet werden, klassische und quantenmechanische Komponenten können kombiniert werden oder Quantendaten können direkt in einem föderierten Quantensystem verarbeitet werden.

Ziel der Abhandlung

Diese Abhandlung erklärt die technischen Grundlagen, die Systemarchitektur und die Einsatzmöglichkeiten des Cross-Silo Federated Learning im Umfeld der Quantentechnologie. Im Mittelpunkt stehen die tatsächlichen Fähigkeiten des Ansatzes, seine Sicherheitsgrenzen, die Probleme heterogener Quantenhardware und die Frage, unter welchen Bedingungen ein quantenmechanischer Mehrwert entstehen könnte.

Cross-Silo Federated Learning ist kein automatischer Datenschutzmechanismus und Quantum Federated Learning ist kein nachgewiesener allgemeiner Ersatz für klassische Verfahren. Beide Ansätze lösen bestimmte Strukturprobleme verteilter Datenverarbeitung. Ihre praktische Leistungsfähigkeit hängt jedoch von Datenqualität, Modellwahl, Hardware, Kommunikationsaufwand und Sicherheitsarchitektur ab.

Grundlagen des Federated Learning

Vom zentralisierten zum föderierten Lernen

Beim zentralisierten maschinellen Lernen werden die Trainingsdaten üblicherweise in einem gemeinsamen Rechenzentrum oder Datenspeicher gesammelt. Ein Lernalgorithmus verarbeitet den zusammengeführten Datensatz und optimiert die Parameter eines Modells. Dieses Vorgehen ist technisch übersichtlich, setzt aber voraus, dass alle Daten rechtmäßig, sicher und wirtschaftlich vertretbar an einen Ort übertragen werden können.

Beim Federated Learning bleibt der Datenbestand auf den Systemen der Teilnehmer. Angenommen, es existieren mehrere Institutionen mit lokalen Datensätzen. Das gemeinsame Optimierungsziel lässt sich vereinfacht als gewichtete Summe der lokalen Verlustfunktionen darstellen:

\(F(\theta) = \sum_{k=1}^{K} \frac{n_k}{N} F_k(\theta)\)

Dabei bezeichnet \(K\) die Anzahl der Teilnehmer, \(n_k\) die Zahl der Trainingsbeispiele des Teilnehmers \(k\), \(N = \sum_{k=1}^{K} n_k\) die Gesamtzahl der berücksichtigten Beispiele und \(\theta\) den Parametervektor des gemeinsamen Modells. Die lokale Verlustfunktion kann geschrieben werden als:

\(F_k(\theta) = \frac{1}{n_k} \sum_{i=1}^{n_k} \ell(f_{\theta}(x_i), y_i)\)

Die Funktion \(\ell\) misst den Fehler zwischen der Modellvorhersage \(f_{\theta}(x_i)\) und dem tatsächlichen Zielwert \(y_i\). Obwohl die lokalen Daten nicht zentral vorliegen, soll das globale Modell eine möglichst geringe gemeinsame Verlustfunktion erreichen.

Typischer Ablauf einer Trainingsrunde

Zu Beginn erzeugt ein Koordinator ein globales Ausgangsmodell. Dieses Modell wird an die teilnehmenden Institutionen verteilt. Jede Institution trainiert eine lokale Kopie mit ihren eigenen Daten. Nach einer festgelegten Anzahl lokaler Optimierungsschritte sendet sie eine Aktualisierung an den Koordinator.

Ein lokaler Gradientenabstieg kann vereinfacht folgendermaßen beschrieben werden:

\(\theta_k^{(t,e+1)} = \theta_k^{(t,e)} - \eta \nabla F_k(\theta_k^{(t,e)})\)

Dabei steht \(t\) für die föderierte Trainingsrunde, \(e\) für einen lokalen Optimierungsschritt und \(\eta\) für die Lernrate. Nach Abschluss des lokalen Trainings werden die Modelle aggregiert. Beim verbreiteten Federated Averaging lautet die globale Aktualisierung:

\(\theta^{(t+1)} = \sum_{k=1}^{K} \frac{n_k}{N} \theta_k^{(t+1)}\)

Teilnehmer mit größeren Datensätzen erhalten in dieser einfachen Form ein höheres Gewicht. Diese Gewichtung ist nicht in jedem Anwendungsfall optimal. Ein großer, aber fehlerhafter Datensatz kann das globale Modell stärker verschlechtern als ein kleiner, qualitativ hochwertiger Datensatz. Cross-Silo-Systeme benötigen deshalb häufig zusätzliche Qualitäts-, Vertrauens- oder Robustheitskriterien.

Datenlokalität ist nicht gleich Datenschutz

Federated Learning verhindert die direkte Übertragung vollständiger Rohdatensätze. Daraus folgt jedoch nicht, dass sämtliche Informationen geschützt sind. Modellparameter und Gradienten können statistische Spuren lokaler Trainingsdaten enthalten. Unter bestimmten Bedingungen lassen sich Merkmale, Trainingsbeispiele oder Zugehörigkeiten zu einem Datensatz rekonstruieren.

Ein sicheres System muss deshalb mehrere Ebenen unterscheiden. Datenlokalität beantwortet die Frage, wo die Rohdaten gespeichert und verarbeitet werden. Vertraulichkeit betrifft die Frage, welche Informationen aus den übertragenen Aktualisierungen abgeleitet werden können. Integrität stellt sicher, dass Aktualisierungen nicht unbemerkt manipuliert werden. Authentizität bestätigt, dass ein Beitrag tatsächlich von einer zugelassenen Institution stammt.

Cross-Silo Federated Learning ist daher eine Systemarchitektur und kein vollständiges Sicherheitsversprechen. Erst durch Secure Aggregation, Differential Privacy, Zugriffskontrollen, kryptografische Signaturen, sichere Ausführungsumgebungen und organisatorische Regeln entsteht ein belastbares Schutzkonzept.

Charakteristische Merkmale des Cross-Silo Federated Learning

Institutionen statt Endgeräte

Beim Cross-Device Federated Learning können sehr viele Smartphones, Sensoren oder andere Endgeräte beteiligt sein. Diese Geräte sind oft nur zeitweise erreichbar, verfügen über unterschiedliche Rechenleistung und können jederzeit ausfallen. Cross-Silo Federated Learning arbeitet dagegen typischerweise mit einer kleinen bis mittleren Zahl bekannter Organisationen.

Die Teilnehmer sind vergleichsweise stabil. Sie verfügen meist über leistungsfähige Server, professionelle Netzwerke und technisch betreute Datenbestände. Ihre Teilnahme kann vertraglich geregelt werden. Dadurch sind komplexere Trainingsprozesse, umfangreichere Sicherheitsprüfungen und höhere Anforderungen an Dokumentation und Reproduzierbarkeit möglich.

Die geringere Teilnehmerzahl löst jedoch nicht alle Probleme. Einzelne Institutionen besitzen häufig sehr große und stark unterschiedliche Datensätze. Ihre Interessen können voneinander abweichen. Eine Organisation möchte möglicherweise von einem gemeinsamen Modell profitieren, ohne Informationen über eigene Forschungsergebnisse, Produktionsverfahren oder Fehlerdaten preiszugeben.

Dauerhafte, aber nicht zwingend vertrauensvolle Zusammenarbeit

Cross-Silo-Systeme beruhen häufig auf einer längerfristigen Kooperation. Trotzdem darf nicht angenommen werden, dass alle Teilnehmer einander vollständig vertrauen. Sie können wirtschaftliche Konkurrenten sein, unterschiedlichen Rechtsordnungen unterliegen oder verschiedene Sicherheitsstandards verwenden.

Ein realistisches Vertrauensmodell muss festlegen, ob der Aggregationsserver als vertrauenswürdig gilt, ob Teilnehmer untereinander kommunizieren dürfen und wie mit kompromittierten Institutionen umgegangen wird. Ebenso muss geklärt werden, ob der Koordinator einzelne Aktualisierungen sehen darf oder nur eine verschlüsselt berechnete Gesamtsumme erhält.

Institutionelle Identitäten erleichtern zwar die Zugangskontrolle, erhöhen aber die Anforderungen an Haftung und Nachweisbarkeit. Jeder Trainingsbeitrag sollte einer autorisierten Quelle zugeordnet werden können. Gleichzeitig darf diese Nachvollziehbarkeit nicht dazu führen, dass vertrauliche lokale Eigenschaften unnötig offengelegt werden.

Heterogene Datenbestände

Die lokalen Daten sind selten identisch verteilt. Ein Quantenlabor kann vor allem Messungen bei niedrigen Fehlerraten besitzen, während ein anderes Labor mit instabileren Geräten arbeitet. Ein Hersteller sammelt Produktionsdaten, ein Forschungsinstitut dagegen experimentelle Daten unter kontrollierten Bedingungen.

Formal bedeutet dies, dass die lokalen Wahrscheinlichkeitsverteilungen voneinander abweichen:

\(P_k(X,Y) \neq P_j(X,Y)\)

Diese Nichtgleichverteilung wird häufig als Non-IID-Situation bezeichnet. Sie kann dazu führen, dass lokale Modelle in unterschiedliche Richtungen optimiert werden. Die einfache Mittelung der Parameter erzeugt dann nicht zwangsläufig das beste globale Modell.

Cross-Silo-Verfahren müssen daher Datenheterogenität ausdrücklich berücksichtigen. Geeignete Möglichkeiten sind personalisierte Modelle, gemeinsame Grundmodelle mit lokalen Erweiterungen, robuste Aggregationsverfahren und Gewichtungen, die nicht allein auf der Datenmenge beruhen.

Grundlagen des Quantum Machine Learning

Qubits und Quantenzustände

Ein klassisches Bit nimmt einen der Werte null oder eins an. Ein Qubit kann vor einer Messung in einer Überlagerung zweier Basiszustände beschrieben werden:

\(|\psi\rangle = \alpha |0\rangle + \beta |1\rangle\)

Die komplexen Amplituden erfüllen die Normalisierungsbedingung:

\(|\alpha|^2 + |\beta|^2 = 1\)

Bei einer Messung in der Standardbasis wird der Zustand null mit der Wahrscheinlichkeit \(|\alpha|^2\) und der Zustand eins mit der Wahrscheinlichkeit \(|\beta|^2\) beobachtet. Ein Quantenschaltkreis verändert Quantenzustände durch unitäre Operationen und abschließende Messungen.

Mehrere Qubits werden durch einen gemeinsamen Zustandsraum beschrieben. Dieser Raum wächst exponentiell mit der Qubitanzahl. Daraus entsteht ein theoretisch großer Darstellungsraum, doch seine Existenz allein beweist keinen praktischen Rechenvorteil. Die benötigten Informationen müssen effizient kodiert, verarbeitet und durch Messungen zugänglich gemacht werden können.

Parametrisierte Quantenschaltkreise

Viele aktuelle Quantum-Machine-Learning-Verfahren verwenden parametrisierte Quantenschaltkreise. Ein solcher Schaltkreis enthält Gatter, deren Rotationswinkel trainierbare Parameter sind. Für Eingabedaten \(x\) und Parameter \(\theta\) kann der erzeugte Zustand vereinfacht geschrieben werden als:

\(|\psi(x,\theta)\rangle = U(\theta) V(x) |0\rangle^{\otimes n}\)

Dabei kodiert \(V(x)\) die Daten in einen Quantenzustand. Der Schaltkreis \(U(\theta)\) enthält die trainierbaren Operationen. Die Ausgabe entsteht häufig als Erwartungswert eines Observablenoperators \(M\):

\(f_{\theta}(x) = \langle \psi(x,\theta) | M | \psi(x,\theta) \rangle\)

Da eine einzelne Messung nur ein zufälliges Ergebnis liefert, muss der Schaltkreis mehrfach ausgeführt werden. Die Anzahl der Wiederholungen wird häufig als Shot-Zahl bezeichnet. Eine höhere Shot-Zahl verbessert die statistische Genauigkeit, erhöht aber Laufzeit und Nutzungskosten.

Hybrid-quantum-klassisches Lernen

Die meisten praktisch untersuchten Modelle kombinieren klassische und quantenmechanische Komponenten. Ein klassischer Rechner bereitet Daten vor, steuert den Quantenschaltkreis, berechnet die Verlustfunktion und aktualisiert die Parameter. Der Quantenprozessor übernimmt einen begrenzten Teil der Modellberechnung.

Der Trainingszyklus besteht aus der Datenkodierung, der Ausführung des Quantenschaltkreises, der Messung, der klassischen Fehlerberechnung und der Parameteroptimierung. Dieser Vorgang wird wiederholt, bis ein Abbruchkriterium erreicht ist.

Die Ableitung eines Erwartungswerts kann bei bestimmten parametrisierten Gattern mit der Parameter-Shift-Regel bestimmt werden:

\(\frac{\partial f(\theta)}{\partial \theta_j} = \frac{1}{2}\left[f\left(\theta_j + \frac{\pi}{2}\right) - f\left(\theta_j - \frac{\pi}{2}\right)\right]\)

Für jeden Parameter sind dadurch zusätzliche Schaltkreisausführungen erforderlich. In einem föderierten System vervielfacht sich dieser Aufwand über mehrere Teilnehmer, lokale Epochen und Kommunikationsrunden.

Grenzen heutiger Quantenmodelle

Aktuelle Quantenprozessoren sind durch begrenzte Qubitzahlen, Rauschen, Dekohärenz, Messfehler und eingeschränkte Schaltkreistiefen begrenzt. Parametrisierte Quantenschaltkreise können außerdem schwer trainierbare Verlustlandschaften entwickeln.

Ein bekanntes Problem sind Barren Plateaus. Dabei wird die Varianz der Gradienten mit wachsender Systemgröße sehr klein. Vereinfacht kann ein ungünstiger Verlauf beschrieben werden als:

\(\mathrm{Var}\left[\frac{\partial F}{\partial \theta_j}\right] = O\left(\frac{1}{2^n}\right)\)

Wenn die Gradienten exponentiell klein werden, kann ein Optimierer kaum erkennen, in welche Richtung die Parameter verändert werden sollen. Lokale Kostenfunktionen, problemangepasste Schaltkreise, geeignete Initialisierungen und begrenzte Schaltkreistiefen können das Problem reduzieren, aber nicht grundsätzlich für alle Modelle beseitigen.

Verbindung von Cross-Silo Federated Learning und Quantentechnologie

Quantum Federated Learning

Quantum Federated Learning verbindet föderierte Trainingsprozesse mit Quantum Machine Learning oder verteilter Quanteninfrastruktur. Der Begriff umfasst keine einzige festgelegte Architektur. Er beschreibt eine Familie von Verfahren, bei denen mehrere Teilnehmer gemeinsam ein Modell trainieren und dabei mindestens ein wesentlicher Teil des Lernprozesses quantentechnologisch umgesetzt wird.

In einer einfachen Variante besitzen alle Institutionen klassische Daten. Jede Institution kodiert ihre Daten lokal in Quantenzustände und trainiert einen parametrisierten Quantenschaltkreis. Anschließend werden die klassischen Schaltkreisparameter über ein föderiertes Protokoll aggregiert.

In einer zweiten Variante besteht das Modell aus klassischen und quantenmechanischen Schichten. Die Teilnehmer trainieren ein hybrides Modell, dessen klassische und quantenmechanische Parameter gemeinsam oder getrennt aggregiert werden.

Eine weitergehende Variante verwendet echte Quantendaten. Dabei können die lokalen Eingaben unbekannte Quantenzustände, Messergebnisse oder Ausgaben quantentechnischer Systeme sein. Eine direkte Übertragung solcher Zustände ist technisch schwierig. Außerdem verhindert das No-Cloning-Theorem die perfekte, beliebige Kopie eines unbekannten Quantenzustands. Die Föderation von Schaltkreisparametern kann deshalb sinnvoller sein als der Versuch, sämtliche Quantendaten zentral zusammenzuführen.

Cross-Silo als realistischer institutioneller Rahmen

Cross-Silo-Strukturen passen besser zu heutigen Quantenressourcen als Cross-Device-Strukturen. Quantenprozessoren sind keine massenhaft verfügbaren Alltagsgeräte. Sie befinden sich in Forschungslaboren, spezialisierten Rechenzentren und Cloud-Infrastrukturen. Die Zahl der beteiligten Systeme ist begrenzt, und ihr Betrieb erfordert technische Betreuung.

Ein föderiertes Netzwerk könnte mehrere Quantenlabore verbinden, die jeweils eigene Hardware und eigene Daten besitzen. Ein gemeinsames Modell könnte lernen, Fehlerzustände zu klassifizieren, Kalibrierungsparameter vorzuschlagen oder die Qualität von Schaltkreisausführungen vorherzusagen.

Der Cross-Silo-Ansatz löst dabei nicht das Problem inkompatibler Hardware. Er schafft lediglich einen organisatorischen und algorithmischen Rahmen, in dem unterschiedliche Institutionen kooperieren können. Damit ein globales Modell sinnvoll entsteht, müssen Parameter, Messgrößen und Trainingsziele institutionenübergreifend definiert werden.

Föderiertes Training statt verteilter Quantenberechnung

Quantum Federated Learning darf nicht mit Distributed Quantum Computing gleichgesetzt werden. Beim verteilten Quantencomputing bilden mehrere Quantenknoten gemeinsam einen quantenmechanischen Rechenprozess. Dafür können Verschränkung, Quantenteleportation oder direkte Quantenkommunikation erforderlich sein.

Beim Quantum Federated Learning können die lokalen Quantenschaltkreise dagegen vollständig voneinander getrennt laufen. Die Teilnehmer tauschen klassische Parameter oder Statistiken aus. Eine quantenmechanische Verbindung zwischen den Silos ist für viele QFL-Modelle nicht erforderlich.

Diese Unterscheidung ist wesentlich. Ein System kann Quantum Federated Learning durchführen, obwohl die Kommunikation ausschließlich über klassische Netzwerke erfolgt. Quantenkommunikation kann später zusätzliche Protokolle ermöglichen, ist aber keine notwendige Voraussetzung für den Grundansatz.

Systemarchitektur eines quantentechnologischen Cross-Silo-Netzwerks

Lokale Silos

Jedes Silo besteht aus einem lokalen Datenbestand, einer Trainingsumgebung und einer kontrollierten Schnittstelle zum föderierten Netzwerk. Die Daten können klassische Messreihen, Bilddaten, Spektren, Schaltkreisprotokolle, Fehlerraten oder Quantenzustände umfassen.

Die lokale Rechenumgebung kann einen eigenen Quantenprozessor, einen Quantensimulator oder einen gesicherten Zugang zu einem Cloud-Quantencomputer verwenden. Für reproduzierbare Ergebnisse müssen Hardwareversion, Kalibrierungszustand, Schaltkreisübersetzung, Shot-Zahl und Softwarekonfiguration dokumentiert werden.

Vor jeder Trainingsrunde prüft das lokale Silo, ob das globale Modell mit der verfügbaren Hardware kompatibel ist. Anschließend werden die lokalen Daten vorbereitet und das Modell trainiert. Das Silo übermittelt nur die im Protokoll vorgesehenen Aktualisierungen.

Zentraler Aggregationsserver

In einer zentral koordinierten Architektur verwaltet ein Aggregationsserver die globale Modellversion. Er wählt Teilnehmer aus, verteilt Parameter, empfängt Aktualisierungen und berechnet das neue globale Modell.

Der Server kann als vertrauenswürdige Instanz betrieben werden. In sensiblen Kooperationen ist dieses Modell jedoch problematisch, weil der Server alle Einzelaktualisierungen einsehen könnte. Secure Aggregation kann dafür sorgen, dass der Server nur die gemeinsame Summe oder den gemeinsamen Mittelwert erhält.

Ein zentraler Server vereinfacht die Orchestrierung, bildet aber einen möglichen Ausfall- und Angriffspunkt. Wird er manipuliert, kann er fehlerhafte Modellversionen verteilen, Teilnehmer unterschiedlich behandeln oder Aktualisierungen gezielt analysieren.

Dezentrale Aggregation

Alternativ können die Teilnehmer ohne dauerhaften Zentralserver arbeiten. Parameter werden über Peer-to-Peer-Verbindungen, Konsensverfahren oder wechselnde Koordinatoren zusammengeführt. Ein dezentrales Mischverfahren kann vereinfacht geschrieben werden als:

\(\theta_k^{(t+1)} = \sum_{j=1}^{K} W_{kj}\theta_j^{(t)}\)

Die Matrix \(W\) bestimmt, welchen Einfluss die Modelle benachbarter Teilnehmer besitzen. Eine solche Architektur reduziert die Abhängigkeit von einer einzigen Instanz, erhöht aber den Kommunikations- und Koordinationsaufwand.

Für institutionelle Quantenverbünde kann eine hybride Struktur sinnvoll sein. Ein technischer Koordinator steuert die Trainingsrunden, während die eigentliche Aggregation kryptografisch geschützt oder auf mehrere unabhängige Stellen verteilt wird.

Modell- und Protokollregister

Ein produktives Cross-Silo-System benötigt ein nachvollziehbares Register aller Modellversionen. Darin werden Startparameter, beteiligte Silos, Trainingszeitpunkt, lokale Konfigurationen, Aggregationsmethode und Evaluierungsergebnisse dokumentiert.

Die Protokollierung ist besonders wichtig, weil sich Quantenhardware im Zeitverlauf verändert. Ein Modell, das an einem Tag gut funktioniert, kann nach einer Neukalibrierung andere Ergebnisse liefern. Ohne genaue Metadaten lassen sich Abweichungen nicht eindeutig den Daten, dem Modell oder der Hardware zuordnen.

Föderierter Trainingsprozess

Initialisierung

Vor dem ersten Training müssen alle Institutionen ein gemeinsames Lernziel definieren. Dazu gehören Eingabeformat, Zielvariable, Verlustfunktion, Modellarchitektur, Messverfahren und Evaluierungsmetriken. Ein scheinbar gemeinsames Problem kann sonst lokal unterschiedlich interpretiert werden.

Ein globaler Parametervektor \(\theta^{(0)}\) wird initialisiert. Bei einem parametrisierten Quantenschaltkreis enthält er beispielsweise Rotationswinkel. Die Initialisierung darf nicht beliebig gewählt werden, da ungünstige Startwerte flache Gradienten oder instabile lokale Optimierungen verursachen können.

Danach verteilt der Koordinator das Modell zusammen mit einer signierten Trainingskonfiguration. Jede Institution prüft die Integrität und Kompatibilität, bevor sie das lokale Training startet.

Lokales Training

Jedes Silo verarbeitet eine lokale Stichprobe. Bei klassischen Daten wird zunächst eine Kodierungsfunktion angewendet. Die lokale Vorhersage eines quantenmechanischen Modells entsteht aus gemessenen Erwartungswerten.

Für eine binäre Klassifikation kann die Verlustfunktion beispielsweise als binäre Kreuzentropie geschrieben werden:

\(F_k(\theta) = -\frac{1}{n_k}\sum_{i=1}^{n_k}\left[y_i\log p_{\theta}(x_i) + (1-y_i)\log(1-p_{\theta}(x_i))\right]\)

Die Wahrscheinlichkeit \(p_{\theta}(x_i)\) wird aus den Messwerten des Quantenschaltkreises abgeleitet. Das lokale Silo aktualisiert seine Parameter über mehrere Schritte. Zu viele lokale Schritte können die Kommunikation reduzieren, führen bei stark unterschiedlichen Daten aber zu stärker auseinanderlaufenden Modellen.

Übertragung und Aggregation

Nach dem lokalen Training übermittelt jeder Teilnehmer entweder das vollständige lokale Modell, die Parameterdifferenz oder einen Gradienten. Eine Parameterdifferenz lautet:

\(\Delta \theta_k^{(t)} = \theta_k^{(t+1)} - \theta^{(t)}\)

Der Server kann diese Differenzen gewichtet zusammenführen:

\(\theta^{(t+1)} = \theta^{(t)} + \sum_{k=1}^{K} w_k^{(t)}\Delta\theta_k^{(t)}\)

Die Gewichte erfüllen üblicherweise:

\(\sum_{k=1}^{K} w_k^{(t)} = 1\)

Die Gewichtung kann Datenmenge, Qualität, Aktualität, Hardwarezuverlässigkeit oder Vertrauenswerte berücksichtigen. Sie muss transparent definiert werden, weil sie den Einfluss einzelner Institutionen bestimmt.

Validierung und Abbruch

Nach jeder Aggregation sollte das globale Modell auf getrennten Validierungsdaten geprüft werden. Eine einzige globale Kennzahl reicht häufig nicht aus. Ein Modell kann im Durchschnitt gut abschneiden, aber bei einzelnen Institutionen versagen.

Das Training endet, wenn die Verlustfunktion nicht mehr wesentlich sinkt, eine maximale Rundenzahl erreicht ist oder die Kosten weiterer Schaltkreisausführungen den erwarteten Nutzen übersteigen. Ein mögliches Abbruchkriterium lautet:

\(|F(\theta^{(t+1)}) - F(\theta^{(t)})| < \varepsilon\)

Dabei ist \(\varepsilon\) eine vorher festgelegte Toleranz. Zusätzlich sollten Mindestwerte für lokale Genauigkeit, Robustheit und Fairness erfüllt sein.

Datenverteilung und Datenqualität

Horizontale und vertikale Partitionierung

Bei horizontaler Partitionierung besitzen die Institutionen dieselben Merkmalsarten, aber unterschiedliche Beobachtungen. Mehrere Quantenlabore können beispielsweise dieselben Messgrößen erfassen, jedoch an unterschiedlichen Geräten.

Bei vertikaler Partitionierung beziehen sich die Daten auf dieselben Objekte oder Prozesse, enthalten aber unterschiedliche Merkmale. Ein Hardwarehersteller könnte Produktionsdaten besitzen, während ein Betreiber Betriebs- und Fehlerdaten derselben Komponenten sammelt.

Horizontales Federated Learning lässt sich vergleichsweise direkt mit lokaler Modelloptimierung umsetzen. Vertikales Federated Learning erfordert dagegen eine sichere Zuordnung gemeinsamer Datensätze und komplexere kryptografische Protokolle. In der Quantentechnologie können hybride Strukturen auftreten, bei denen sowohl Beobachtungen als auch Merkmale verteilt sind.

Nicht identisch verteilte Daten

Ein globales Modell setzt nicht voraus, dass alle lokalen Daten gleich verteilt sind. Starke Unterschiede erschweren jedoch die Optimierung. Ein Silo kann bestimmte Fehlerklassen häufig beobachten, während diese bei anderen Silos kaum vorkommen.

Ein Maß für die Abweichung lokaler Gradienten vom globalen Gradienten kann vereinfacht beschrieben werden als:

\(B^2(\theta) = \frac{1}{K}\sum_{k=1}^{K} |\nabla F_k(\theta) - \nabla F(\theta)|^2\)

Ein hoher Wert zeigt, dass die lokalen Optimierungsrichtungen stark voneinander abweichen. In diesem Fall kann Federated Averaging langsam konvergieren oder ein Modell erzeugen, das keine Institution ausreichend abbildet.

Mögliche Gegenmaßnahmen sind kürzere lokale Trainingsphasen, Regularisierung gegenüber dem globalen Modell, Clusterbildung und personalisierte Modellteile. Die geeignete Strategie hängt davon ab, ob ein einheitliches globales Modell tatsächlich das richtige Ziel ist.

Messrauschen und Metadaten

Quantentechnologische Daten enthalten neben statistischem Rauschen häufig hardwareabhängige Verzerrungen. Messwerte verschiedener Systeme sind nur vergleichbar, wenn Kalibrierungszustand, Messbasis, Temperatur, Pulssteuerung und Fehlerkorrektur dokumentiert werden.

Ohne gemeinsame Metadaten kann das Modell Unterschiede zwischen Laboren lernen, die nicht mit dem eigentlichen Zielproblem zusammenhängen. Es könnte beispielsweise den Hardwaretyp statt des physikalischen Zustands erkennen.

Vor dem Training sollten daher Datenformate, Einheiten, Qualitätskennzahlen und Ausschlussregeln standardisiert werden. Federated Learning ersetzt keine wissenschaftlich saubere Datenaufbereitung.

Geeignete Lernmodelle

Variational Quantum Classifier

Ein Variational Quantum Classifier kodiert Eingabedaten in einen Quantenzustand und verarbeitet sie mit einem parametrisierten Schaltkreis. Die gemessenen Erwartungswerte werden in Klassenwahrscheinlichkeiten übersetzt.

Dieses Modell ist für föderierte Experimente geeignet, weil die trainierbaren Parameter als klassische Zahlen übertragen und aggregiert werden können. Die Rohdaten und die während des Trainings erzeugten Quantenzustände bleiben lokal.

Die praktische Skalierbarkeit wird jedoch durch die Datenkodierung und die Zahl der Schaltkreisausführungen begrenzt. Ein Modell mit vielen Parametern benötigt zahlreiche Messungen für die Gradientenberechnung. Dadurch können lokale Trainingsrunden teuer werden.

Quantum Neural Networks

Quantum Neural Networks bezeichnen allgemein trainierbare Quantenschaltkreise, deren Struktur Funktionen neuronaler Netze nachbildet oder erweitert. Sie können reine Quantenschichten oder hybride Architekturen enthalten.

In einem Cross-Silo-Netzwerk müssen alle Teilnehmer entweder dieselbe Schaltkreisarchitektur ausführen können oder eine definierte Abbildung zwischen unterschiedlichen lokalen Modellen besitzen. Bei stark verschiedener Hardware kann ein identischer logischer Schaltkreis unterschiedliche Transpilationen und Fehlerraten erzeugen.

Eine einfache Parametermittelung ist nur sinnvoll, wenn die Parameter dieselbe semantische Funktion besitzen. Werden lokal unterschiedliche Ansätze verwendet, müssen gemeinsame Repräsentationen, Wissensdestillation oder Ensemble-Verfahren eingesetzt werden.

Quantum Kernel Methods

Quantum Kernel Methods verwenden einen Quantenschaltkreis, um Ähnlichkeiten zwischen Datenpunkten in einem quantenmechanisch erzeugten Merkmalsraum zu bestimmen. Ein Kernel kann vereinfacht geschrieben werden als:

\(K(x,x') = |\langle \phi(x) | \phi(x') \rangle|^2\)

Die Zustände \(|\phi(x)\rangle\) und \(|\phi(x')\rangle\) entstehen durch eine Datenkodierung. In einem föderierten System könnte jedes Silo lokale Kernelinformationen berechnen.

Die Zusammenführung ist jedoch schwieriger als bei einem einfachen Parametervektor. Kernelmatrizen können Informationen über lokale Datenbeziehungen enthalten und mit wachsender Datenmenge groß werden. Der Datenschutz- und Kommunikationsaufwand muss deshalb getrennt bewertet werden.

Quantum Convolutional Neural Networks

Quantum Convolutional Neural Networks verwenden wiederholte lokale Operationen und Reduktionsschritte. Sie wurden unter anderem für die Klassifikation von Quantenzuständen und quantenmechanischen Phasen vorgeschlagen.

Für echtes Quantum Federated Learning mit Quantendaten sind solche Modelle interessant, weil jeder Teilnehmer lokale Quantenzustände verarbeiten und gemeinsame Schaltkreisparameter trainieren kann. Die Zustände müssen nicht vollständig an einen zentralen Ort übertragen werden.

Die praktische Umsetzung erfordert jedoch kompatible Eingabedimensionen, reproduzierbare Zustandspräparation und ausreichend zuverlässige lokale Hardware. Ohne diese Voraussetzungen bleibt das Verfahren überwiegend ein simulationsbasiertes Forschungsmodell.

Personalisierte und hybride Modelle

Ein einheitliches globales Modell ist bei heterogenen Silos nicht immer optimal. Personalisierte Verfahren teilen das Modell in globale und lokale Komponenten. Ein gemeinsamer Quantenschaltkreis kann allgemeine Muster lernen, während lokale klassische Schichten institutionenspezifische Besonderheiten abbilden.

Eine mögliche Zerlegung lautet:

\(f_k(x) = h_{\phi_k}(q_{\theta}(x))\)

Der Teil \(q_{\theta}\) ist global und wird föderiert trainiert. Der Teil \(h_{\phi_k}\) bleibt lokal. Dadurch kann gemeinsames Wissen genutzt werden, ohne sämtliche institutionellen Unterschiede in ein einziges Modell zu zwingen.

Heterogenität der Quantenhardware

Unterschiedliche physikalische Plattformen

Quantenprozessoren können auf supraleitenden Schaltkreisen, Ionenfallen, neutralen Atomen, Photonen, Spins oder anderen physikalischen Systemen beruhen. Diese Plattformen unterscheiden sich in Gattergeschwindigkeit, Konnektivität, Kohärenzzeit, Messverfahren und Fehlermodell.

Ein logisch identischer Schaltkreis wird deshalb auf verschiedenen Geräten nicht identisch ausgeführt. Die Transpilation kann zusätzliche Gatter einfügen oder Operationen anders anordnen. Dadurch entstehen unterschiedliche Fehlerprofile.

Ein Cross-Silo-Modell darf lokale Abweichungen nicht einfach als Datenunterschiede behandeln. Es muss zwischen statistischer Heterogenität der Datensätze und technischer Heterogenität der Hardware unterscheiden.

Hardwareabhängige Modelle

Ein Ansatz besteht darin, nur solche Quantengatter zu verwenden, die auf allen beteiligten Plattformen effizient umgesetzt werden können. Das erleichtert die Aggregation, kann aber die Leistungsfähigkeit einzelner Geräte einschränken.

Eine zweite Möglichkeit sind hardwareangepasste lokale Schaltkreise mit einem gemeinsamen logischen Parameterraum. Jede Institution übersetzt globale Parameter in eine lokale Schaltkreisform. Die Rückübersetzung muss sicherstellen, dass aggregierte Parameter weiterhin dieselbe Funktion beschreiben.

Eine dritte Möglichkeit ist der Austausch von Modellausgaben statt interner Parameter. Über Wissensdestillation kann ein globales Modell aus lokalen Vorhersagen lernen. Dadurch werden unterschiedliche Architekturen möglich, allerdings sind gemeinsame Referenzdaten oder sichere Abfrageprotokolle erforderlich.

Qualitätsgewichtete Aggregation

Ein lokales Modell von stark verrauschter Hardware sollte nicht automatisch dasselbe Gewicht erhalten wie ein Modell mit stabilen Messungen. Ein Qualitätsgewicht kann aus Kalibrierungsdaten, Validierungsleistung und Unsicherheit abgeleitet werden.

Ein mögliches Gewicht lautet:

\(w_k = \frac{n_k q_k}{\sum_{j=1}^{K} n_j q_j}\)

Dabei steht \(q_k\) für einen Qualitätswert des Teilnehmers. Ein solches Verfahren ist nur dann sinnvoll, wenn der Qualitätswert objektiv, nachvollziehbar und gegen Manipulation geschützt ist.

Eine Institution könnte sonst ihre Hardwarequalität überhöht angeben, um größeren Einfluss zu erhalten. Qualitätsmetriken sollten deshalb aus signierten Kalibrierungsprotokollen und unabhängigen Validierungstests entstehen.

Rauschen und Fehler

Quellen des Quantenrauschens

Quantenhardware ist empfindlich gegenüber Störungen. Gatteroperationen sind unvollkommen, Qubits verlieren Kohärenz und Messgeräte liefern fehlerhafte Zuordnungen. Zusätzlich entstehen statistische Unsicherheiten, weil Erwartungswerte aus endlich vielen Messwiederholungen geschätzt werden.

Für einen binären Messwert mit Erwartungswert \(\mu\) sinkt der Standardfehler näherungsweise mit der Shot-Zahl \(S\):

\(\sigma_{\hat{\mu}} \propto \frac{1}{\sqrt{S}}\)

Eine Verdopplung der Genauigkeit erfordert daher ungefähr die vierfache Zahl an Messungen. In föderierten Systemen kann dieser Aufwand erheblich sein, weil jeder Teilnehmer viele Parameter über mehrere Runden optimiert.

Fehlerfortpflanzung bei der Aggregation

Lokale Messfehler beeinflussen die geschätzten Gradienten. Werden diese Aktualisierungen aggregiert, kann sich zufälliges Rauschen teilweise ausmitteln. Systematische Fehler bleiben dagegen bestehen und können das globale Modell verzerren.

Die lokale Aktualisierung lässt sich als Summe aus idealem Beitrag und Fehler schreiben:

\(\Delta\theta_k = \Delta\theta_k^{\mathrm{ideal}} + \epsilon_k\)

Die aggregierte Abweichung beträgt:

\(\epsilon_{\mathrm{global}} = \sum_{k=1}^{K} w_k \epsilon_k\)

Sind die Fehler unabhängig und mittelwertfrei, kann die Aggregation stabilisierend wirken. Sind mehrere Geräte ähnlich fehlkalibriert oder besitzt ein Teilnehmer ein hohes Gewicht, kann der globale Fehler erheblich bleiben.

Error Mitigation

Error Mitigation versucht, Ergebnisse verrauschter Schaltkreise zu korrigieren, ohne eine vollständige Quantenfehlerkorrektur vorauszusetzen. Dazu gehören Messfehlerkorrektur, Zero-Noise Extrapolation und probabilistische Fehlerunterdrückung.

Diese Verfahren verursachen zusätzlichen Rechen- und Messaufwand. In Cross-Silo-Systemen müssen alle Teilnehmer dokumentieren, welche Korrekturmethoden verwendet wurden. Andernfalls werden unterschiedlich behandelte Messergebnisse miteinander vermischt.

Eine globale Trainingsrichtlinie sollte Mindeststandards definieren, aber lokale Flexibilität zulassen. Entscheidend ist, dass die resultierenden Unsicherheiten quantifiziert und bei der Aggregation berücksichtigt werden.

Kommunikation und Skalierbarkeit

Kommunikationskosten

Federated Learning verschiebt den Aufwand von der Datenübertragung zur wiederholten Übertragung von Modellaktualisierungen. Bei großen Modellen können diese Aktualisierungen ebenfalls erheblich sein. Der gesamte Kommunikationsaufwand hängt von Parameterzahl, Zahlenformat, Teilnehmerzahl und Rundenzahl ab.

Eine einfache Abschätzung lautet:

\(C_{\mathrm{total}} = R K P b\)

Dabei ist \(R\) die Zahl der Trainingsrunden, \(K\) die Zahl der Teilnehmer, \(P\) die Zahl der übertragenen Parameter und \(b\) die Anzahl der Bits je Parameter. Hinzu kommen Protokoll-, Verschlüsselungs- und Bestätigungsdaten.

Quantenschaltkreise können im Vergleich zu großen klassischen neuronalen Netzen relativ wenige trainierbare Parameter besitzen. Das kann die Übertragung reduzieren. Es bedeutet jedoch nicht automatisch, dass das gesamte Training effizienter ist, da die lokale Schaltkreisausführung und Gradientenberechnung teuer sein können.

Synchrones und asynchrones Training

Beim synchronen Training wartet der Server auf die Beiträge aller ausgewählten Teilnehmer. Dieses Verfahren erleichtert die Vergleichbarkeit, wird aber durch das langsamste Silo begrenzt. Hardwarewartung, Warteschlangen bei Cloud-Anbietern und Kalibrierungszeiten können erhebliche Verzögerungen erzeugen.

Beim asynchronen Training verarbeitet der Server Aktualisierungen, sobald sie eintreffen. Ältere Aktualisierungen beruhen möglicherweise auf einer überholten globalen Modellversion. Ihre Gewichtung kann deshalb mit zunehmendem Alter reduziert werden:

\(w_k^{(t)} \propto \frac{1}{1 + \tau_k}\)

Dabei beschreibt \(\tau_k\) die Verzögerung der Aktualisierung. Asynchrone Verfahren erhöhen die Auslastung, erschweren aber die Analyse von Konvergenz und Reproduzierbarkeit.

Reduzierung der Kommunikationsrunden

Mehr lokale Optimierungsschritte verringern die Zahl der Übertragungen. Bei stark unterschiedlichen Daten führen sie jedoch zu größerer Modelldrift. Die optimale Zahl lokaler Schritte ist daher ein Kompromiss zwischen Kommunikation und statistischer Stabilität.

Weitere Möglichkeiten sind Parameterquantisierung, Sparsifizierung und die Übertragung nur wesentlicher Aktualisierungen. Dabei darf die Kompression nicht so stark sein, dass kleine, aber relevante Parameteränderungen verloren gehen.

Bei quantenmechanischen Modellen können zusätzlich Schaltkreisstrukturen oder nur ausgewählte Schichten föderiert werden. Lokale Parameter bleiben dann privat und werden nicht übertragen.

Datenschutz und Vertraulichkeit

Angriffe auf Modellaktualisierungen

Aus Gradienten oder Parameteränderungen können Informationen über lokale Trainingsdaten abgeleitet werden. Gradient-Inversion-Angriffe versuchen, Eingabedaten zu rekonstruieren, die zu einer beobachteten Aktualisierung passen.

Membership-Inference-Angriffe prüfen, ob ein bestimmter Datensatz beim Training verwendet wurde. Auch diese Information kann sensibel sein, etwa wenn die Teilnahme eines Quantengeräts an einer Fehlerklasse Rückschlüsse auf interne technische Probleme zulässt.

Das Risiko hängt von Modellgröße, Batch-Größe, Anzahl lokaler Schritte und beobachtbaren Aktualisierungen ab. Kleine lokale Batches und detaillierte Gradienten können besonders viele Informationen enthalten.

Secure Aggregation

Secure Aggregation ermöglicht dem Server, eine Summe lokaler Aktualisierungen zu berechnen, ohne die Einzelbeiträge im Klartext zu sehen. Das Ergebnis kann geschrieben werden als:

\(S = \sum_{k=1}^{K} \Delta\theta_k\)

Der Server erhält \(S\), aber nicht notwendigerweise jedes \(\Delta\theta_k\). Dies schützt gegen einen neugierigen Aggregator, verhindert jedoch nicht automatisch bösartige lokale Beiträge.

Bei einer kleinen Zahl institutioneller Teilnehmer ist besondere Vorsicht nötig. Wenn nur wenige Silos an einer Runde teilnehmen, kann die Differenz zwischen verschiedenen Summen Rückschlüsse auf einzelne Beiträge erlauben. Mindestgruppengrößen und Schutz gegen kolludierende Teilnehmer sind deshalb wichtig.

Differential Privacy

Differential Privacy begrenzt, wie stark sich die Ausgabe eines Verfahrens verändert, wenn ein einzelner Datensatz hinzugefügt oder entfernt wird. Lokale Aktualisierungen werden zunächst begrenzt und anschließend mit Zufallsrauschen versehen.

Eine begrenzte Aktualisierung kann geschrieben werden als:

\(\bar{g}_k = g_k \min\left(1,\frac{C}{|g_k|_2}\right)\)

Danach wird Rauschen ergänzt:

\(\tilde{g}_k = \bar{g}_k + \mathcal{N}(0,\sigma^2 C^2 I)\)

Der Parameter \(C\) begrenzt die Sensitivität, während \(\sigma\) die Rauschstärke bestimmt. Mehr Rauschen erhöht den Schutz, kann aber die Modellqualität verringern.

Quantentechnologische Systeme besitzen bereits physikalisches und statistisches Rauschen. Dieses darf nicht automatisch als Differential Privacy interpretiert werden. Ein formaler Datenschutzbeweis erfordert ein kontrolliertes Rauschmodell und eine berechnete Privacy-Bilanz.

Quantenmechanische Sicherheitsargumente

Das No-Cloning-Theorem verhindert die perfekte Kopie eines unbekannten Quantenzustands. Daraus folgt jedoch nicht, dass Quantum Federated Learning grundsätzlich sicher ist. Viele QFL-Systeme übertragen ausschließlich klassische Parameter. Diese können wie bei klassischem Federated Learning analysiert oder manipuliert werden.

Quantenkommunikation kann Abhörversuche unter bestimmten Protokollbedingungen erkennbar machen. Sie schützt aber nicht automatisch gegen kompromittierte Endpunkte, fehlerhafte Trainingssoftware oder absichtlich vergiftete Modelle.

Die Sicherheit muss für die konkrete Architektur nachgewiesen werden. Allgemeine Aussagen über die angeblich natürliche Sicherheit von Quantenmechanik reichen nicht aus.

Informationssicherheit im Quantenzeitalter

Post-Quanten-Kryptografie

Cross-Silo-Netzwerke benötigen langfristig sichere Authentifizierung, Schlüsselaustausch und digitale Signaturen. Leistungsfähige zukünftige Quantencomputer könnten bestimmte heute verbreitete asymmetrische Verfahren angreifen.

Post-Quanten-Kryptografie verwendet klassische Algorithmen, die gegen bekannte Angriffe mit klassischen und Quantencomputern ausgelegt sind. Sie kann in bestehenden Netzwerken eingesetzt werden, ohne dass eine Quantenkommunikationsinfrastruktur erforderlich ist.

Für föderierte Systeme sind besonders digitale Signaturen und Schlüsselkapselungsverfahren wichtig. Jede Modellversion und jede lokale Aktualisierung sollte authentifiziert werden. Ein Angreifer darf weder Teilnehmer imitieren noch Parameter unbemerkt verändern können.

Quantenschlüsselverteilung

Quantenschlüsselverteilung ermöglicht unter geeigneten Bedingungen die Erzeugung gemeinsamer geheimer Schlüssel, wobei Abhörversuche Spuren in den gemessenen Quantenzuständen hinterlassen können. Sie löst jedoch nicht das gesamte Schlüsselmanagement.

Die Endpunkte müssen authentifiziert werden. Geräte können technische Schwachstellen besitzen, und die Reichweite ist durch die verfügbare Infrastruktur begrenzt. Für ein institutionelles Cross-Silo-Netzwerk kann Quantenschlüsselverteilung eine zusätzliche Schicht bilden, aber keine vollständige Sicherheitsarchitektur ersetzen.

Hybride Absicherung

Eine realistische Architektur kombiniert klassische Netzwerksicherheit, Post-Quanten-Kryptografie und gegebenenfalls Quantenschlüsselverteilung. Die Modellaktualisierungen können zusätzlich durch Secure Aggregation oder Mehrparteienberechnung geschützt werden.

Die Auswahl darf nicht allein nach theoretischer Sicherheit erfolgen. Rechenaufwand, Schlüsselgrößen, Latenz, Ausfallsicherheit und langfristige Wartbarkeit müssen berücksichtigt werden.

Angriffe auf das föderierte System

Data Poisoning

Beim Data Poisoning verändert ein Teilnehmer seine lokalen Trainingsdaten, um das globale Modell zu beeinflussen. Er kann falsche Beschriftungen einfügen, bestimmte Klassen überrepräsentieren oder gezielt manipulierte Messwerte verwenden.

In der Quantentechnologie könnte ein Angreifer verfälschte Kalibrierungsdaten melden oder Fehlerzustände absichtlich falsch klassifizieren. Das globale Modell lernt dann fehlerhafte Zusammenhänge.

Da die Rohdaten lokal bleiben, kann der Koordinator ihre Qualität nicht direkt prüfen. Schutzmaßnahmen sind robuste Statistiken, lokale Audits, Validierung auf unabhängigen Datensätzen und die Begrenzung des Einflusses einzelner Teilnehmer.

Model Poisoning und Backdoors

Beim Model Poisoning sendet ein Teilnehmer eine manipulierte Aktualisierung, unabhängig davon, welches lokale Training tatsächlich stattgefunden hat. Er kann die Aktualisierung so wählen, dass das globale Modell allgemein schlechter wird oder bei einem bestimmten Eingabemuster eine gewünschte Fehlentscheidung trifft.

Eine Backdoor kann so gestaltet sein, dass das Modell bei normalen Daten unauffällig funktioniert. Erst ein spezielles Muster aktiviert das manipulierte Verhalten. Solche Angriffe sind schwer zu erkennen, wenn der Trigger in den Validierungsdaten nicht vorkommt.

Normbegrenzung, Ausreißererkennung und robuste Aggregation können den Angriff erschweren. Kein einzelnes Verfahren bietet jedoch vollständigen Schutz gegen adaptive Angreifer.

Byzantinische Teilnehmer

Ein byzantinischer Teilnehmer kann beliebige oder widersprüchliche Aktualisierungen senden. Robuste Aggregationsverfahren versuchen, den Einfluss extremer Beiträge zu begrenzen.

Der koordinatenweise Median lautet:

\(\theta_j^{(t+1)} = \mathrm{median}\left(\theta_{1j}^{(t+1)},\ldots,\theta_{Kj}^{(t+1)}\right)\)

Ein getrimmter Mittelwert entfernt für jede Parameterkomponente besonders große und kleine Werte. Diese Verfahren können gegen einfache Ausreißer helfen, verlieren aber unter heterogenen, legitimen Daten möglicherweise wertvolle Informationen.

Manipulierte Hardwaremetriken

Werden lokale Modelle nach Hardwarequalität gewichtet, entsteht ein neuer Angriffsvektor. Ein Teilnehmer könnte Fehlerraten, Shot-Zahlen oder Kalibrierungswerte falsch melden.

Hardwaremetriken sollten deshalb signiert, zeitlich gebunden und durch standardisierte Testschaltkreise überprüfbar sein. Bei kritischen Anwendungen kann eine unabhängige Zertifizierung erforderlich werden.

Einsatzgebiete in der Quantentechnologie

Qubit-Kalibrierung

Quantenprozessoren müssen regelmäßig kalibriert werden. Steuerpulse, Frequenzen und Messschwellen verändern sich mit der Zeit. Mehrere Betreiber könnten Modelle zur Vorhersage geeigneter Kalibrierungsparameter gemeinsam trainieren.

Die lokalen Rohdaten enthalten möglicherweise proprietäre Hardwareeigenschaften. Cross-Silo Federated Learning erlaubt eine Zusammenarbeit, ohne sämtliche Messprotokolle offenzulegen.

Ein globales Modell muss dennoch an lokale Hardware angepasst werden. Besonders sinnvoll sind deshalb Modelle mit globalem Grundwissen und lokalen Kalibrierungskomponenten.

Fehlererkennung und Fehlerkorrektur

Maschinelle Lernmodelle können Syndromdaten analysieren und Fehlerklassen vorhersagen. Mehrere Forschungseinrichtungen könnten Decoder gemeinsam trainieren, ohne ihre vollständigen experimentellen Datensätze zu übertragen.

Die Verteilung der Fehler hängt stark von der Hardware ab. Ein globaler Decoder kann gemeinsame Strukturen lernen, benötigt aber lokale Anpassungen. Die Bewertung muss nicht nur die durchschnittliche Genauigkeit, sondern auch die logische Fehlerrate berücksichtigen.

Quantensensorik

Quantensensoren werden für Magnetfeld-, Zeit-, Gravitations- und Präzisionsmessungen untersucht. Sensornetzwerke können räumlich verteilte Daten erzeugen, die institutionellen oder sicherheitsrelevanten Beschränkungen unterliegen.

Cross-Silo Federated Learning kann Modelle zur Rauschunterdrückung, Ereigniserkennung und Sensorkalibrierung trainieren. Der quantentechnologische Anteil liegt dabei nicht zwingend im Lernmodell. Auch ein klassisches föderiertes Modell kann quantensensorische Daten verarbeiten.

Diese Unterscheidung ist wichtig: Die Verwendung von Daten aus einem Quantensensor macht das Lernverfahren noch nicht zu Quantum Machine Learning.

Quantenkommunikationsnetze

Betreiber verschiedener Quantenkommunikationsstrecken können lokale Daten über Verluste, Detektorraten, Schlüsselraten und Störungen besitzen. Ein gemeinsames Modell könnte Fehlerzustände erkennen oder die Ressourcenzuteilung optimieren.

Die Rohdaten können Rückschlüsse auf Netzstruktur und Sicherheitszustand zulassen. Eine föderierte Kooperation kann deshalb sinnvoll sein. Das Modell muss jedoch gegen manipulierte Netzwerkteilnehmer und fehlerhafte Telemetrie abgesichert werden.

Material- und Bauteilforschung

Unternehmen und Forschungseinrichtungen sammeln Daten über Materialien, Fertigungsprozesse und Bauteilqualität. Diese Daten sind häufig wirtschaftlich sensibel. Ein gemeinsames Modell könnte Zusammenhänge zwischen Produktionsparametern und Qubitqualität lernen.

Cross-Silo Federated Learning reduziert die Notwendigkeit, vollständige Produktionsdaten auszutauschen. Es verhindert jedoch nicht, dass ein globales Modell indirekt vertrauliche Muster enthält. Eigentumsrechte und zulässige Nutzung müssen deshalb vertraglich geregelt werden.

Analyse verteilter Quantenexperimente

Mehrere Labore können vergleichbare Experimente unter unterschiedlichen Bedingungen durchführen. Ein föderiertes Modell kann allgemeine Zusammenhänge erkennen, ohne dass alle Messdaten zentral kopiert werden.

Der wissenschaftliche Nutzen hängt von standardisierten Protokollen ab. Ohne gemeinsame Definitionen für Zustandspräparation, Messung und Datenbereinigung entstehen scheinbare Unterschiede, die lediglich auf verschiedene Laborpraktiken zurückgehen.

Leistungsbewertung

Modellqualität

Die globale Genauigkeit ist nur eine von mehreren Kennzahlen. Zusätzlich sollten Präzision, Sensitivität, Spezifität, Kalibrierung und lokale Leistung betrachtet werden.

Die durchschnittliche lokale Genauigkeit kann geschrieben werden als:

\(A_{\mathrm{avg}} = \sum_{k=1}^{K} w_k A_k\)

Ein Modell kann einen hohen Durchschnitt erreichen, obwohl es bei einem kleineren Silo schlecht funktioniert. Deshalb sollte auch die schlechteste lokale Leistung untersucht werden:

\(A_{\mathrm{min}} = \min_{k} A_k\)

Bei sicherheitskritischen Anwendungen kann dieser Wert wichtiger sein als der globale Mittelwert.

Konvergenz und Stabilität

Die Zahl der Trainingsrunden bis zum Erreichen einer Zielqualität ist eine zentrale Kennzahl. Zusätzlich sollte gemessen werden, wie stark das Ergebnis von Initialisierung, Teilnehmerauswahl und Hardwarezustand abhängt.

Ein stabiles Verfahren sollte bei wiederholten Läufen vergleichbare Ergebnisse liefern. Quantenrauschen und zufällige Teilnehmerauswahl können die Varianz erhöhen. Deshalb sind mehrere unabhängige Trainingsläufe erforderlich.

Quantenressourcen

Zur Bewertung eines QFL-Systems gehören Qubitanzahl, Schaltkreistiefe, Zahl der Gatter, Shot-Zahl und Gesamtzahl der Schaltkreisausführungen. Eine hohe Modellgenauigkeit allein genügt nicht, wenn sie nur mit unverhältnismäßigem Ressourcenverbrauch erreicht wird.

Die Gesamtzahl der Schaltkreisausführungen kann grob abgeschätzt werden als:

\(Q_{\mathrm{exec}} = R K E B G S\)

Dabei stehen \(R\) für die föderierten Runden, \(K\) für die Teilnehmer, \(E\) für lokale Epochen, \(B\) für lokale Batches, \(G\) für die zur Gradientenbestimmung benötigten Schaltkreisvarianten und \(S\) für die Shot-Zahl.

Kommunikations- und Sicherheitsaufwand

Secure Aggregation, Verschlüsselung und Differential Privacy verursachen zusätzliche Kosten. Eine faire Bewertung muss das vollständige System betrachten, nicht nur die Laufzeit des Quantenschaltkreises.

Verglichen werden sollten mindestens zentralisiertes klassisches Lernen, klassisches Federated Learning, lokales Training ohne Föderation und die gewählte QFL-Variante. Nur so lässt sich erkennen, welcher Teil des Ergebnisses tatsächlich aus dem Quanteneinsatz stammt.

Voraussetzungen für einen Quantenvorteil

Klare Definition des Vorteils

Ein Quantenvorteil kann unterschiedliche Bedeutungen haben. Gemeint sein können kürzere Laufzeit, geringerer Speicherbedarf, bessere Modellqualität, weniger Kommunikation oder eine effizientere Verarbeitung echter Quantendaten.

Ein Verfahren besitzt nicht schon deshalb einen Vorteil, weil es einen Quantenschaltkreis verwendet. Die Leistung muss gegen starke klassische Referenzverfahren unter vergleichbaren Bedingungen getestet werden.

Datenkodierung als Kostenfaktor

Klassische Daten müssen in Quantenzustände übertragen werden. Bei bestimmten Kodierungen kann dieser Schritt einen erheblichen Aufwand verursachen. Wird der Datenladeaufwand ignoriert, entsteht ein unrealistisches Bild der Gesamtleistung.

Ein theoretisch schneller Quantenalgorithmus kann praktisch unvorteilhaft sein, wenn die Zustandspräparation oder die benötigte Zahl an Messungen den Gewinn aufhebt.

Klassische Simulierbarkeit

Kleine oder schwach verschränkte Quantenschaltkreise können häufig effizient klassisch simuliert oder angenähert werden. Ein überzeugender Nachweis muss zeigen, dass das gewählte Modell nicht nur auf echter Quantenhardware läuft, sondern eine Aufgabe löst, die mit vergleichbaren klassischen Mitteln schlechter bearbeitet wird.

Gleichzeitig können stark komplexe Schaltkreise schwer trainierbar und zu fehleranfällig sein. Zwischen klassischer Simulierbarkeit und praktischer Trainierbarkeit besteht daher ein grundlegendes Spannungsfeld.

Vorteil bei echten Quantendaten

Ein besonders plausibles Einsatzgebiet liegt in der Verarbeitung von Quantendaten, die unmittelbar aus Quantenexperimenten entstehen. Ein quantenmechanisches Modell kann solche Zustände möglicherweise analysieren, ohne sie vollständig klassisch zu rekonstruieren.

Cross-Silo Quantum Federated Learning könnte gemeinsame Schaltkreisparameter trainieren, während die Quantendaten lokal bleiben. Ob daraus ein praktischer Vorteil entsteht, muss jedoch experimentell und ressourcenbezogen nachgewiesen werden.

Governance und institutionelle Zusammenarbeit

Rollen und Verantwortlichkeiten

Vor Beginn des Trainings muss festgelegt werden, wer das globale Modell verwaltet, wer Teilnehmer zulässt und wer Sicherheitsvorfälle untersucht. Ebenso muss geregelt werden, ob alle Institutionen dieselben Rechte besitzen.

Ein Koordinator kann technische Aufgaben übernehmen, ohne Eigentümer der lokalen Daten zu werden. Das Eigentum am globalen Modell muss ausdrücklich vereinbart werden. Andernfalls können Konflikte über Nutzung, Veröffentlichung und kommerzielle Verwertung entstehen.

Zulassung und Ausschluss

Jeder Teilnehmer benötigt eine überprüfte Identität und eine definierte technische Vertrauensbasis. Sicherheitszertifikate, Softwareversionen und Trainingsumgebungen sollten regelmäßig geprüft werden.

Das System benötigt Regeln für vorübergehende Sperren und dauerhaften Ausschluss. Ein Ausschluss kann erforderlich sein, wenn ein Silo manipulierte Beiträge sendet, Sicherheitsvorgaben verletzt oder seine Infrastruktur nicht mehr vertrauenswürdig ist.

Nachvollziehbarkeit

Alle Modellversionen und Aggregationsentscheidungen müssen protokolliert werden. Dabei ist ein Gleichgewicht zwischen Auditierbarkeit und Vertraulichkeit erforderlich.

Ein Auditprotokoll sollte mindestens Trainingsrunde, Modellkennung, Teilnehmergruppe, Aggregationsverfahren, verwendete Sicherheitsmechanismen und Prüfergebnisse enthalten. Lokale Rohdaten müssen dafür nicht offengelegt werden.

Anreiz- und Kostenverteilung

Quantenhardware ist teuer und nicht gleichmäßig verfügbar. Einige Silos können mehr Daten oder mehr Rechenzeit beitragen als andere. Eine Kooperation benötigt deshalb ein nachvollziehbares Modell zur Kosten- und Nutzenverteilung.

Eine reine Gewichtung nach Rechenaufwand kann problematisch sein, weil hohe Kosten nicht automatisch einen hohen Informationswert bedeuten. Datenqualität, Modellverbesserung und Ressourcenverbrauch sollten getrennt bewertet werden.

Rechtliche und ethische Fragen

Datenschutzrechtliche Verantwortung

Auch wenn Rohdaten lokal bleiben, kann die Verarbeitung personenbezogener oder sensibler Daten rechtlichen Anforderungen unterliegen. Die beteiligten Institutionen müssen Zweck, Rechtsgrundlage, Verantwortlichkeiten und Schutzmaßnahmen klären.

Federated Learning darf nicht als pauschale Begründung verwendet werden, um Datenschutzprüfungen zu umgehen. Modellaktualisierungen können personenbezogene Informationen enthalten. Eine Risikoanalyse muss daher den vollständigen Trainingsprozess umfassen.

Forschungs- und Geschäftsgeheimnisse

Quantentechnologische Daten können Rückschlüsse auf Materialien, Herstellungsverfahren, Geräteleistung und Fehlerquellen zulassen. Selbst wenn diese Daten nicht direkt übertragen werden, können Modellparameter indirekte Informationen enthalten.

Verträge sollten definieren, welche Ergebnisse veröffentlicht werden dürfen und ob das globale Modell außerhalb des Verbunds eingesetzt werden kann. Ebenso muss geregelt werden, wie mit Erfindungen umgegangen wird, die aus dem gemeinsamen Training entstehen.

Fairness zwischen Institutionen

Ein globales Modell kann vor allem die Daten großer oder technisch dominanter Teilnehmer abbilden. Kleinere Institutionen tragen dann Daten bei, erhalten aber möglicherweise ein für sie schlechteres Modell.

Eine faire Kooperation benötigt lokale Leistungsgrenzen und transparente Gewichtungsregeln. Personalisierte Modelle können sinnvoller sein als der Versuch, alle Teilnehmer einem identischen globalen Modell zu unterwerfen.

Verantwortlichkeit bei Fehlentscheidungen

Wenn ein gemeinsames Modell fehlerhafte Kalibrierungsempfehlungen oder Sicherheitsbewertungen erzeugt, muss die Verantwortung geklärt sein. Der Aggregator, die lokalen Datenlieferanten und die Betreiber des Modells können jeweils zum Fehler beigetragen haben.

Bei kritischen Anwendungen sollte das Modell keine unkontrollierte Entscheidungsinstanz sein. Ergebnisse müssen validiert und durch fachkundige Personen überprüft werden.

Technische Umsetzung

Gemeinsame Spezifikation

Die Umsetzung beginnt nicht mit der Auswahl eines Frameworks, sondern mit einer präzisen Systemspezifikation. Dazu gehören Datenformate, Modellarchitektur, Trainingsprotokoll, Hardwareanforderungen, Sicherheitsziele und Abbruchbedingungen.

Jede Institution sollte eine isolierte lokale Trainingsumgebung betreiben. Container oder reproduzierbare Softwarepakete können sicherstellen, dass identische Abhängigkeiten verwendet werden. Hardwareabhängige Komponenten müssen getrennt konfigurierbar bleiben.

Federated-Learning- und Quantenframeworks

Für den föderierten Teil können Frameworks verwendet werden, die Teilnehmerverwaltung, Rundensteuerung und Aggregation bereitstellen. Für Quantenschaltkreise stehen verschiedene Entwicklungsumgebungen zur Verfügung.

Die Verbindung beider Bereiche erfolgt meist über eine lokale Trainingsfunktion. Das föderierte Framework übergibt den globalen Parametervektor an das Silo. Dort wird der Quantenschaltkreis ausgeführt und der aktualisierte Parametervektor zurückgegeben.

Die Schnittstelle sollte nicht von einem einzelnen Hardwareanbieter abhängig sein. Eine klare Abstraktionsschicht erleichtert den Vergleich verschiedener Quantenprozessoren und Simulatoren.

Simulatoren und reale Hardware

Die frühe Entwicklung sollte mit idealen und verrauschten Simulatoren beginnen. Ideale Simulationen prüfen die logische Korrektheit. Rauschmodelle untersuchen die Empfindlichkeit gegenüber typischen Hardwarefehlern.

Erst danach sollte das Training auf realer Hardware getestet werden. Simulatorergebnisse dürfen nicht ungeprüft als Beleg für praktische Leistungsfähigkeit verwendet werden. Reale Geräte besitzen zeitabhängige Fehler, Warteschlangen und Einschränkungen, die ein vereinfachtes Rauschmodell nicht vollständig abbildet.

Test- und Freigabeprozess

Vor dem produktiven Einsatz sind Tests für Modellqualität, Ausfallsicherheit, Datenschutz und Angriffsszenarien erforderlich. Dazu gehören manipulierte Aktualisierungen, Teilnehmerausfälle, verzögerte Beiträge und fehlerhafte Hardwaremeldungen.

Eine neue globale Modellversion sollte erst nach festgelegten Validierungsprüfungen freigegeben werden. Kritische Änderungen müssen zurückrollbar sein.

Zentrale Herausforderungen

Fehlende Standardisierung

Für Quantum Federated Learning existieren bislang keine allgemein akzeptierten institutionellen Standards, die Datenformate, Hardwaremetriken, Schaltkreisschnittstellen und Sicherheitsnachweise vollständig vereinheitlichen.

Ohne Standards sind Ergebnisse verschiedener Forschungsarbeiten nur begrenzt vergleichbar. Manche Experimente verwenden Simulatoren, andere reale Hardware. Teilnehmerzahlen, Datenverteilungen und Sicherheitsannahmen unterscheiden sich erheblich.

Begrenzte Datensätze

Viele Untersuchungen verwenden kleine klassische Benchmark-Datensätze, die in wenige Qubits kodiert werden. Solche Experimente demonstrieren die technische Machbarkeit, bilden aber reale quantentechnologische Datenräume nur eingeschränkt ab.

Benötigt werden standardisierte Datensätze mit nachvollziehbarer Verteilung über mehrere Silos, dokumentierten Hardwareeigenschaften und klaren Referenzmodellen.

Hardwareverfügbarkeit

Der Zugang zu Quantenprozessoren ist begrenzt und häufig über Warteschlangen organisiert. Föderierte Trainingsrunden können dadurch langsam und unregelmäßig werden.

Ein großer Teil der Entwicklung wird deshalb weiterhin auf Simulatoren stattfinden. Dies ist für Methodenentwicklung sinnvoll, ersetzt aber keine experimentelle Validierung.

Nachweisbarer Nutzen

Ein QFL-System muss zeigen, dass es gegenüber klassischen föderierten Verfahren einen konkreten Vorteil besitzt. Dieser Vorteil kann auch in der direkten Verarbeitung von Quantendaten liegen und muss nicht zwingend eine allgemeine Laufzeitbeschleunigung sein.

Ohne klare Vergleichsmodelle besteht die Gefahr, dass zusätzliche quantentechnologische Komplexität eingeführt wird, obwohl ein klassisches Modell dieselbe Aufgabe einfacher und zuverlässiger lösen könnte.

Sicherheit gegen reale Angreifer

Viele experimentelle Arbeiten betrachten ehrliche Teilnehmer und einen vertrauenswürdigen Server. Reale Cross-Silo-Kooperationen benötigen dagegen Schutz vor manipulierten Teilnehmern, kompromittierten Schnittstellen und kolludierenden Institutionen.

Sicherheitsmechanismen müssen gemeinsam mit dem Lernverfahren entwickelt werden. Eine nachträgliche Ergänzung kann die Modellqualität, Kommunikation und Systemarchitektur erheblich verändern.

Offene Forschungsfragen

Aggregation heterogener Quantenschaltkreise

Die direkte Mittelung setzt identische Parameterstrukturen voraus. Offen ist, wie unterschiedliche Schaltkreisarchitekturen effizient zu einem gemeinsamen Modell beitragen können.

Mögliche Wege sind Wissensdestillation, gemeinsame latente Räume, Ensemble-Modelle und funktionsbasierte Aggregation. Diese Verfahren benötigen robuste Vergleichsmetriken und gegebenenfalls öffentliche Referenzdaten.

Datenschutz von Quantenparametern

Es ist noch nicht vollständig geklärt, welche Informationen aus Parametern verschiedener Quantenmodelle rekonstruiert werden können. Die Antwort hängt von Datenkodierung, Schaltkreisstruktur und beobachtbaren Messwerten ab.

Formale Datenschutzmodelle müssen klassische und quantenmechanische Informationskanäle gemeinsam berücksichtigen.

Trainierbarkeit bei Non-IID-Daten

Nicht identisch verteilte Daten erschweren bereits klassisches Federated Learning. Quantenrauschen und flache Verlustlandschaften können das Problem verstärken.

Benötigt werden Optimierungsverfahren, die lokale Datendrift, Messunsicherheit und Hardwareheterogenität gleichzeitig berücksichtigen.

Reproduzierbare Benchmarks

Ein aussagekräftiger Benchmark muss Datenverteilung, Teilnehmerzahl, Hardwaremodell, Kommunikationskosten, Sicherheitsmechanismen und klassische Referenzmodelle dokumentieren.

Nur die Angabe einer Testgenauigkeit reicht nicht aus. Ohne vollständige Ressourcenmessung lässt sich kein praktischer Vorteil beurteilen.

Integration zukünftiger Quantennetzwerke

Zukünftige Quantennetzwerke könnten verschränkte Ressourcen zwischen Silos bereitstellen. Dadurch wären neue Formen verteilter Quantenberechnung und sicherer Kommunikation möglich.

Es bleibt offen, welche Teile eines föderierten Trainings tatsächlich von Quantenkommunikation profitieren und wann klassische Netze wirtschaftlich und technisch überlegen bleiben.

Zukunftsperspektiven

Föderierte Quantenclouds

Mehrere Quantencloud-Anbieter könnten gemeinsame Lernprotokolle unterstützen. Nutzer würden lokale Daten in kontrollierten Umgebungen verarbeiten und nur Modellaktualisierungen austauschen.

Dafür werden standardisierte Schnittstellen, portable Schaltkreisbeschreibungen und überprüfbare Sicherheitsgarantien benötigt. Ohne Interoperabilität bleibt jedes System an eine einzelne Plattform gebunden.

Kombination klassischer und quantenmechanischer Knoten

Zukünftige Netzwerke werden wahrscheinlich nicht ausschließlich aus Quantenknoten bestehen. Klassische Hochleistungsrechner, Spezialbeschleuniger und Quantenprozessoren werden gemeinsam eingesetzt.

Ein föderiertes System kann Aufgaben abhängig von Datenart, Modellteil und Hardwareverfügbarkeit verteilen. Quantenkomponenten sollten dort eingesetzt werden, wo sie einen messbaren Beitrag liefern, nicht als Selbstzweck.

Automatisierte Hardwareanpassung

Compiler und Trainingssysteme könnten globale Modelle automatisch an lokale Hardware anpassen. Dabei werden Konnektivität, Fehlerraten und verfügbare Gatter berücksichtigt.

Eine solche Anpassung muss die semantische Vergleichbarkeit der Parameter erhalten. Andernfalls können lokale Modelle nicht sinnvoll aggregiert werden.

Übergang zu fehlertoleranter Hardware

Fehlertolerante Quantencomputer könnten tiefere und stabilere Schaltkreise ermöglichen. Dadurch würden komplexere föderierte Quantenmodelle technisch realistischer.

Auch dann bleiben Kommunikationskosten, Datenheterogenität, Governance und Datenschutz bestehen. Fehlertolerante Hardware beseitigt nicht die grundlegenden Probleme institutioneller Zusammenarbeit.

Fazit

Cross-Silo Federated Learning ermöglicht mehreren Institutionen, ein gemeinsames Modell zu trainieren, ohne ihre vollständigen Rohdaten an einer zentralen Stelle zusammenzuführen. Der Ansatz eignet sich für Kooperationen mit stabilen Teilnehmern, großen lokalen Datenbeständen und klar geregelten Verantwortlichkeiten.

Im Umfeld der Quantentechnologie kann Cross-Silo Federated Learning Forschungszentren, Hardwareanbieter und Betreiber von Quanteninfrastrukturen verbinden. Mögliche Anwendungen liegen in Kalibrierung, Fehlererkennung, Quantensensorik, Quantenkommunikation und der Analyse verteilter Experimente.

Werden Quantenschaltkreise oder Quantendaten in den Lernprozess eingebunden, entsteht Quantum Federated Learning. Die praktisch zugänglichste Form verwendet klassische Kommunikation und föderiert die klassischen Parameter lokaler Quantenschaltkreise. Vollständig quantenmechanische Architekturen mit Quantendaten und Quantennetzwerken sind technisch anspruchsvoller und überwiegend Gegenstand der Forschung.

Der Ansatz schützt Rohdaten durch Datenlokalität, bietet aber keinen automatischen vollständigen Datenschutz. Modellaktualisierungen können Informationen preisgeben. Secure Aggregation, Differential Privacy, kryptografische Authentifizierung und klare Governance-Regeln bleiben erforderlich.

Die größten technischen Probleme sind heterogene Quantenhardware, Messrauschen, hohe Ausführungskosten, nicht identisch verteilte Daten und schwer trainierbare Quantenschaltkreise. Zusätzlich fehlen standardisierte Benchmarks und groß angelegte Feldversuche.

Ein Quantenvorteil darf nicht vorausgesetzt werden. Er muss gegenüber leistungsfähigen klassischen Verfahren unter Einbeziehung von Datenkodierung, Messkosten, Kommunikation und Sicherheitsaufwand nachgewiesen werden. Besonders plausibel ist ein zukünftiger Nutzen bei der direkten Verarbeitung verteilter Quantendaten, die nicht effizient zentralisiert oder klassisch rekonstruiert werden sollen.

Cross-Silo Quantum Federated Learning ist damit weder eine fertige Universallösung noch ein rein theoretisches Konzept. Es ist ein strukturierter Forschungsansatz für institutionenübergreifendes Lernen in einer entstehenden Quanteninfrastruktur. Sein Wert wird davon abhängen, ob es gelingt, reale Aufgaben mit nachvollziehbarem Nutzen, belastbarer Sicherheit und vertretbarem Ressourcenaufwand zu lösen.

Mit freundlichen Grüßen Jörg-Owe Schneppat

Anhang

Wissenschaftliche Zeitschriften und Artikel

Die folgenden Veröffentlichungen bilden die wissenschaftliche Grundlage für die Einordnung von Cross-Silo Federated Learning im Bereich der Quantentechnologie. Die Auswahl verbindet grundlegende Arbeiten zum Federated Learning mit spezieller Literatur zu institutionellen Datensilos, heterogenen Trainingsumgebungen, sicherer Aggregation, Quantum Machine Learning und Quantum Federated Learning. Primärarbeiten sollten für technische Aussagen und die Beschreibung konkreter Verfahren verwendet werden. Übersichtsarbeiten eignen sich vor allem zur Strukturierung des Forschungsstands und zur Identifikation weiterführender Quellen.

Grundlegende Primärliteratur zu Federated Learning

  • H. Brendan McMahan, Eider Moore, Daniel Ramage, Seth Hampson und Blaise Agüera y Arcas: Communication-Efficient Learning of Deep Networks from Decentralized Data, Proceedings of the 20th International Conference on Artificial Intelligence and Statistics, PMLR, 2017.
    • Diese Arbeit gehört zur grundlegenden Primärliteratur des modernen Federated Learning. Sie führt das Verfahren Federated Averaging in einer praktisch umsetzbaren Form ein und untersucht das Training gemeinsamer Modelle auf verteilten, unausgewogenen und nicht identisch verteilten Datensätzen. Für eine Abhandlung über Cross-Silo Federated Learning kann die Quelle zur Erklärung des grundlegenden Trainingsablaufs, der lokalen Optimierung, der periodischen Aggregation und der Kommunikationsersparnis verwendet werden. Obwohl die Experimente überwiegend auf Cross-Device-Szenarien ausgerichtet sind, bildet das beschriebene Aggregationsprinzip auch die Grundlage vieler Cross-Silo- und Quantum-Federated-Learning-Ansätze.
  • Peter Kairouz et al.: Advances and Open Problems in Federated Learning, Foundations and Trends in Machine Learning, Band 14, Ausgaben 1–2, 2021.
    • Diese umfangreiche Übersichtsarbeit systematisiert die mathematischen, technischen, sicherheitsbezogenen und organisatorischen Grundlagen des Federated Learning. Sie behandelt unter anderem Datenheterogenität, verteilte Optimierung, Datenschutz, sichere Aggregation, Personalisierung und Systemarchitekturen. Für die Abhandlung eignet sie sich als zentrale Hintergrundquelle, um Cross-Silo Federated Learning in das übergeordnete Forschungsgebiet einzuordnen. Einzelne technische Aussagen sollten nach Möglichkeit zusätzlich mit den in der Übersicht genannten Primärarbeiten abgesichert werden.
  • Tian Li, Anit Kumar Sahu, Ameet Talwalkar und Virginia Smith: Federated Learning: Challenges, Methods, and Future Directions, IEEE Signal Processing Magazine, Band 37, Ausgabe 3, 2020.
    • Die Veröffentlichung bietet eine präzise Einführung in die wichtigsten Abweichungen zwischen zentralisiertem Lernen und föderiertem Training. Besonders relevant sind die Ausführungen zu statistischer Heterogenität, verteilten Rechenumgebungen, Kommunikationskosten und Datenschutzrisiken. Die Quelle kann verwendet werden, um zu erklären, warum Federated Learning nicht lediglich als gewöhnliches verteiltes Training betrachtet werden darf. Für Cross-Silo-Szenarien ist insbesondere die Behandlung siloartiger Rechenzentren, institutioneller Teilnehmer und heterogener Datenbestände wichtig.

Spezialisierte Arbeiten zu Cross-Silo Federated Learning

  • Chao Huang, Ming Tang, Qian Ma, Jianwei Huang und Xin Liu: Promoting Collaboration in Cross-Silo Federated Learning: Challenges and Opportunities, IEEE Communications Magazine, Band 62, Ausgabe 4, 2024.
    • Diese Veröffentlichung konzentriert sich unmittelbar auf die besonderen Bedingungen institutioneller Föderationen. Sie behandelt die Zusammenarbeit zwischen Unternehmen und Organisationen, die trotz getrennter Datenbestände ein gemeinsames Modell trainieren. Von besonderer Bedeutung sind Fragen zu Kooperation, Kommunikation, Ressourcenbeiträgen, Anreizen und strategischem Verhalten. Die Quelle eignet sich zur Abgrenzung von Cross-Silo- gegenüber Cross-Device-Federated-Learning und zur Darstellung der organisatorischen Voraussetzungen eines langfristig betriebenen institutionellen Verbunds.
  • Chao Huang, Jianwei Huang und Xin Liu: Cross-Silo Federated Learning: Challenges and Opportunities, arXiv, 2022.
    • Das Preprint bietet eine systematische Betrachtung des Cross-Silo Federated Learning und arbeitet die Unterschiede zu massenhaft betriebenen Cross-Device-Systemen heraus. Besprochen werden institutionelle Anwendungen, eine geringe Zahl vergleichsweise stabiler Teilnehmer, Datenheterogenität, Kooperation, Kommunikation und offene Forschungsfragen. Die Arbeit ist als spezialisierte Überblicksquelle besonders geeignet, um Definitionen, Problemklassen und die Forschungsagenda des Cross-Silo-Bereichs zu strukturieren.
  • Tian Li, Anit Kumar Sahu, Manzil Zaheer, Maziar Sanjabi, Ameet Talwalkar und Virginia Smith: Federated Optimization in Heterogeneous Networks, Proceedings of Machine Learning and Systems, Band 2, 2020.
    • Diese Primärarbeit stellt FedProx vor und untersucht föderierte Trainingsprozesse unter statistischer und systembedingter Heterogenität. Das Verfahren ergänzt lokale Optimierungsziele um einen proximalen Term, der verhindert, dass sich lokale Modelle zu stark von der globalen Ausgangsversion entfernen. Für Cross-Silo Federated Learning ist die Quelle wichtig, weil institutionelle Teilnehmer häufig unterschiedlich große, unterschiedlich verteilte und verschieden hochwertige Datenbestände besitzen. Im quantentechnologischen Kontext kann dieselbe Problematik zusätzlich durch abweichende Quantenhardware und unterschiedliche Messfehler verstärkt werden.
  • Sai Praneeth Karimireddy, Satyen Kale, Mehryar Mohri, Sashank Reddi, Sebastian Stich und Ananda Theertha Suresh: SCAFFOLD: Stochastic Controlled Averaging for Federated Learning, Proceedings of the 37th International Conference on Machine Learning, PMLR, 2020.
    • SCAFFOLD behandelt das Problem der Client Drift, bei dem lokale Modelle aufgrund unterschiedlicher Datenverteilungen in voneinander abweichende Optimierungsrichtungen laufen. Das Verfahren verwendet Kontrollvariablen, um diese Abweichungen zu korrigieren. Die Quelle kann in der Abhandlung verwendet werden, um zu zeigen, weshalb eine einfache Mittelung lokaler Parameter bei heterogenen Silos unzureichend sein kann. Für Quantum Federated Learning ist dieser Aspekt besonders relevant, wenn Datenheterogenität und hardwarebedingte Messabweichungen gleichzeitig auftreten.

Spezialisierte Arbeiten zu Quantum Federated Learning

  • Samuel Yen-Chi Chen und Shinjae Yoo: Federated Quantum Machine Learning, Entropy, Band 23, Ausgabe 4, Artikel 460, 2021.
    • Diese Arbeit gehört zur grundlegenden Primärliteratur des Quantum Federated Learning. Sie demonstriert das föderierte Training eines hybriden quantum-klassischen Modells und zeigt, wie lokal trainierte Parameter quantenmechanischer Lernkomponenten zu einem globalen Modell zusammengeführt werden können. Die Quelle eignet sich zur Einführung des Begriffs Federated Quantum Machine Learning, zur Beschreibung einer zentral koordinierten QFL-Architektur und zur Abgrenzung zwischen lokaler Datenverarbeitung und gemeinsamem Modelltraining. Die Ergebnisse sind als Machbarkeitsnachweis zu verstehen und nicht als allgemeiner Beleg für einen praktischen Quantenvorteil.
  • Mahdi Chehimi und Walid Saad: Quantum Federated Learning with Quantum Data, IEEE International Conference on Acoustics, Speech and Signal Processing, 2022.
    • Die Arbeit erweitert den föderierten Ansatz auf quantenmechanische Daten und untersucht das gemeinsame Training von Quantum Convolutional Neural Networks. Sie ist besonders relevant für die Unterscheidung zwischen klassischen Datensätzen, die durch Quantenschaltkreise verarbeitet werden, und originären Quantendaten, die als Quantenzustände vorliegen. In der Abhandlung kann die Quelle zur Darstellung vollständig quantenmechanischer Föderationsmodelle, zur Diskussion verteilter Quantennetzwerke und zur Erklärung der besonderen Schwierigkeiten beim Transport und bei der Vervielfältigung unbekannter Quantenzustände verwendet werden.
  • Qi Xia und Qun Li: QuantumFed: A Federated Learning Framework for Collaborative Quantum Training, IEEE Global Communications Conference, 2021.
    • QuantumFed beschreibt ein Framework, in dem mehrere Quantenknoten mit lokalen Daten gemeinsam ein globales Quantum-Neural-Network-Modell trainieren. Die Arbeit ist für die Abhandlung als frühe Systemstudie relevant. Sie kann herangezogen werden, um den Aufbau lokaler Quantenknoten, die Übertragung klassisch dargestellter Modellparameter und die Robustheit gegenüber verrauschten Daten zu erläutern. Gleichzeitig zeigt sie die Nähe vieler QFL-Architekturen zu klassischen Server-Client-Protokollen des Federated Learning.
  • Mahdi Chehimi, Samuel Yen-Chi Chen, Walid Saad, Don Towsley und Mérouane Debbah: Foundations of Quantum Federated Learning Over Classical and Quantum Networks, IEEE Network, Band 38, Ausgabe 1, 2024.
    • Diese Veröffentlichung ordnet Quantum Federated Learning als eigenständige Systemarchitektur ein und untersucht seine Umsetzung über klassische sowie quantenmechanische Kommunikationsnetze. Sie behandelt Bestandteile eines QFL-Systems, technische Herausforderungen, Sicherheitsfragen und zukünftige Forschungsrichtungen. Für eine Abhandlung über Cross-Silo Federated Learning im Quantenbereich ist sie besonders wertvoll, weil sie lokale Quantenrechner, hybride Lernmodelle, Kommunikationskanäle und verteilte Quantenressourcen in einem gemeinsamen Rahmen betrachtet.
  • Weikang Li, Sirui Lu und Dong-Ling Deng: Quantum Federated Learning Through Blind Quantum Computing, Science China Physics, Mechanics & Astronomy, Band 64, Artikel 100312, 2021.
    • Die Arbeit verbindet föderiertes Quantenlernen mit Blind Quantum Computing. Sie untersucht, wie Teilnehmer quantenmechanische Lernaufgaben an einen Quantenserver delegieren können, ohne ihre Eingaben, Ausgaben und Berechnungsdetails vollständig offenzulegen. Die Quelle eignet sich als Spezialliteratur für Architekturen, in denen nicht jedes institutionelle Silo über einen eigenen leistungsfähigen Quantenprozessor verfügt. Sie ist außerdem für die Diskussion der Grenzen eines ausschließlich auf Datenlokalität beruhenden Datenschutzverständnisses relevant.
  • Rod Rofougaran, Shinjae Yoo, Huan-Hsin Tseng und Samuel Yen-Chi Chen: Federated Quantum Machine Learning with Differential Privacy, IEEE International Conference on Acoustics, Speech and Signal Processing, 2024.
    • Diese Primärarbeit untersucht den Einsatz von Differential Privacy beim föderierten Training quantenmechanischer Lernmodelle. Sie ist für die Abhandlung wichtig, weil das lokale Speichern von Rohdaten allein keinen vollständigen Schutz vor Rückschlüssen aus Gradienten oder Modellparametern bietet. Die Quelle kann zur Erklärung des Zielkonflikts zwischen Datenschutz, Modellgenauigkeit und zusätzlichem Rauschen verwendet werden. Ebenso lässt sich damit verdeutlichen, dass physikalisches Quantenrauschen nicht automatisch die formalen Anforderungen der Differential Privacy erfüllt.
  • Yanqi Song, Yusen Wu, Shengyao Wu, Dandan Li, Qiaoyan Wen, Sujuan Qin und Fei Gao: A Quantum Federated Learning Framework for Classical Clients, Science China Physics, Mechanics & Astronomy, Band 67, Artikel 250311, 2024.
    • Diese Arbeit behandelt ein wichtiges praktisches Problem: Institutionelle Teilnehmer besitzen möglicherweise wertvolle lokale Daten, aber keinen eigenen Quantenprozessor. Das vorgeschlagene Framework verlagert die quantenmechanische Rechenfähigkeit auf die Serverseite und ermöglicht klassischen Clients dennoch die Beteiligung am Training. Die Quelle eignet sich zur Diskussion asymmetrischer Cross-Silo-Architekturen, begrenzter Quantenressourcen und alternativer Verteilungen zwischen klassischen Teilnehmern und einem quantenfähigen Koordinator.

Hintergrundliteratur zu Quantum Machine Learning

  • Jacob Biamonte et al.: Quantum Machine Learning, Nature, Band 549, 2017.
    • Die Veröffentlichung gehört zu den grundlegenden Überblicksarbeiten des Quantum Machine Learning. Sie ordnet verschiedene Ansätze zur Verarbeitung klassischer und quantenmechanischer Daten ein und beschreibt mögliche Berührungspunkte zwischen Quantenalgorithmen und maschinellem Lernen. Für die Abhandlung eignet sich die Quelle zur Definition des übergeordneten Forschungsgebiets. Sie sollte jedoch nicht als direkter Nachweis dafür verwendet werden, dass ein bestimmtes föderiertes Quantenmodell einen praktischen Vorteil gegenüber klassischen Verfahren besitzt.
  • Marco Cerezo et al.: Variational Quantum Algorithms, Nature Reviews Physics, Band 3, 2021.
    • Diese Übersichtsarbeit behandelt variationelle Quantenalgorithmen, die eine zentrale Grundlage vieler heutiger Quantum-Federated-Learning-Modelle bilden. Relevant sind insbesondere parametrisierte Quantenschaltkreise, hybride quantum-klassische Optimierung, Rauschempfindlichkeit, Trainierbarkeit und Barren Plateaus. Die Quelle kann zur Erklärung der lokalen QML-Modelle verwendet werden, die innerhalb einzelner Silos trainiert und anschließend über klassische Parameter aggregiert werden.

Hintergrundliteratur zu Datenschutz und sicherer Aggregation

  • Keith Bonawitz et al.: Practical Secure Aggregation for Privacy-Preserving Machine Learning, Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security, 2017.
    • Die Arbeit stellt ein praktisch ausgerichtetes Protokoll zur sicheren Aggregation hochdimensionaler Modellaktualisierungen vor. Ein Aggregator soll die gemeinsame Summe der Teilnehmerbeiträge berechnen können, ohne jeden Einzelbeitrag im Klartext zu erhalten. Für die Abhandlung ist die Quelle entscheidend, um Datenlokalität von kryptografisch geschützter Aggregation abzugrenzen. Das Protokoll wurde für klassische föderierte Systeme entwickelt, seine Sicherheitsziele sind jedoch auch für Cross-Silo Quantum Federated Learning relevant, sofern klassische Parameter oder Gradienten ausgetauscht werden.

Bücher und Monographien

Die aufgeführten Bücher und Monographien dienen der begrifflichen, mathematischen und methodischen Vertiefung. Sie ersetzen nicht die Auswertung aktueller Primärliteratur, bieten jedoch einen stabilen Bezugsrahmen für Federated Learning, Differential Privacy, Quanteninformation und Quantum Machine Learning. Für eine wissenschaftliche Abhandlung sollten sie vor allem zur Erläuterung grundlegender Konzepte und zur Vereinheitlichung der verwendeten Terminologie eingesetzt werden.

Standardwerke zu Federated Learning und Datenschutz

  • Qiang Yang, Yang Liu, Yong Cheng, Yan Kang, Tianjian Chen und Han Yu: Federated Learning, Springer, 2020.
    • Das Buch vermittelt einen strukturierten Überblick über horizontales, vertikales und transferbasiertes Federated Learning. Es behandelt außerdem verteiltes maschinelles Lernen, kryptografische Schutzmaßnahmen, Anreizmechanismen und praktische Einsatzfelder. Für die Abhandlung eignet es sich als Grundlagenwerk zur Beschreibung verschiedener Föderationsformen und institutioneller Kooperationsmodelle. Die Abschnitte zu vertikalem Lernen und Anreizmechanismen sind besonders nützlich, wenn Silos unterschiedliche Merkmale, Ressourcen oder wirtschaftliche Interessen besitzen.
  • Cynthia Dwork und Aaron Roth: The Algorithmic Foundations of Differential Privacy, Foundations and Trends in Theoretical Computer Science, 2014.
    • Diese Monographie gehört zur Standardliteratur der Differential Privacy. Sie erläutert die formalen Datenschutzdefinitionen, Sensitivität, Rauschmechanismen, Komposition und die mathematischen Voraussetzungen belastbarer Datenschutzgarantien. Für die Abhandlung ist sie wichtig, um zwischen informellem Schutz durch Datenlokalität und formal quantifizierbarer Privatsphäre zu unterscheiden. Sie bietet außerdem die Grundlage für die Bewertung von Differential-Privacy-Verfahren im klassischen und quantenunterstützten Federated Learning.

Standardwerke zur Quanteninformation

  • Michael A. Nielsen und Isaac L. Chuang: Quantum Computation and Quantum Information, 10th Anniversary Edition, Cambridge University Press, 2010.
    • Dieses Werk ist ein grundlegendes Standardbuch zu Quantencomputing und Quanteninformation. Es behandelt Qubits, Quantengatter, Messungen, Verschränkung, Quantenalgorithmen, Quantenkommunikation, Kryptografie und Quantenfehlerkorrektur. Für die Abhandlung sollte es zur fachlich sauberen Definition quantenmechanischer Grundbegriffe genutzt werden. Besonders wichtig ist es bei Aussagen zu Quantenzuständen, Messprozessen, Quantenkanälen und zum No-Cloning-Theorem.
  • John Watrous: The Theory of Quantum Information, Cambridge University Press, 2018.
    • Das Buch bietet eine mathematisch präzise Darstellung der Quanteninformationstheorie. Es behandelt Quantenzustände, Quantenkanäle, Ähnlichkeitsmaße, Verschränkung, Entropie und Kanalkapazitäten. Für eine vertiefte wissenschaftliche Abhandlung ist es besonders geeignet, wenn die Eigenschaften verteilter Quantendaten, quantenmechanischer Kommunikationskanäle oder informationsbezogener Sicherheitsmodelle formal erläutert werden sollen.

Standardwerke zu Quantum Machine Learning

  • Maria Schuld und Francesco Petruccione: Machine Learning with Quantum Computers, 2. Auflage, Springer, 2021.
    • Das Buch führt systematisch in Quantum Machine Learning ein und behandelt sowohl kurzfristig umsetzbare variationelle Modelle als auch weiterführende Quantenalgorithmen. Relevant sind Datenkodierung, parametrisierte Quantenschaltkreise, Quantenkernel, Optimierung und die Bewertung möglicher Quantenvorteile. Für die Abhandlung eignet sich das Werk zur Erklärung der lokalen Quantenmodelle innerhalb eines Cross-Silo-Netzwerks und zur kritischen Einordnung des zusätzlichen Aufwands durch Zustandspräparation und Messungen.

Vorlesungsnotizen und Monographie-nahe Ressourcen

  • John Watrous: The Theory of Quantum Information – frei zugängliche Kapitel und Begleitmaterialien, University of Waterloo, 2018.
    • Die öffentlich verfügbaren Kapitel ergänzen die gedruckte Monographie und ermöglichen einen direkten Zugriff auf mathematische Grundlagen der Quanteninformation. Die Ressource ist für die Überprüfung von Definitionen und formalen Aussagen zu Zuständen, Kanälen, Entropie und Verschränkung geeignet. Sie sollte in der Abhandlung als vertiefende Hintergrundquelle und nicht als Ersatz für themenspezifische QFL-Primärliteratur verwendet werden.

Online-Ressourcen und Datenbanken

Online-Ressourcen erfüllen im Rahmen einer wissenschaftlichen Abhandlung unterschiedliche Aufgaben. Literaturdatenbanken dienen der systematischen Recherche und der Überprüfung bibliografischer Angaben. Dokumentationsplattformen unterstützen die technische Nachvollziehbarkeit von Implementierungen. Normungs- und Behördenportale liefern belastbare Informationen zu Sicherheitsstandards, Post-Quanten-Kryptografie und Datenschutz. Softwaredokumentationen sollten nicht als alleinige Belege für wissenschaftliche Leistungsbehauptungen verwendet werden, sind jedoch für die Beschreibung reproduzierbarer Versuchsaufbauten unverzichtbar.

Wissenschaftliche Literaturdatenbanken und Preprint-Archive

  • arXiv: Preprint-Archiv für Physik, Informatik, Mathematik und verwandte Forschungsgebiete.
    • arXiv enthält einen großen Teil der frühen und aktuellen Literatur zu Federated Learning, Quantum Machine Learning, Quantenkommunikation und Quantum Federated Learning. Die Plattform ist besonders hilfreich, um Vorabversionen, ergänzende technische Details und frei zugängliche Fassungen veröffentlichter Arbeiten zu finden. Da Preprints nicht zwingend ein Peer-Review-Verfahren durchlaufen haben, sollte stets geprüft werden, ob eine begutachtete Journal- oder Konferenzversion existiert.
  • IEEE Xplore: Digitale Forschungsbibliothek des Institute of Electrical and Electronics Engineers.
    • IEEE Xplore enthält Fachartikel und Konferenzbeiträge zu Federated Learning, Signalverarbeitung, Kommunikationsnetzen, Quantencomputing, Quantenkommunikation und Informationssicherheit. Die Datenbank eignet sich zur Überprüfung bibliografischer Angaben, DOI-Nummern, Seitenbereiche und endgültiger Veröffentlichungsversionen. Für die Abhandlung ist sie insbesondere bei QFL-Arbeiten aus IEEE-Konferenzen und Fachzeitschriften relevant.
  • Proceedings of Machine Learning Research: Offenes Archiv begutachteter Konferenzveröffentlichungen zum maschinellen Lernen.
    • Die PMLR-Plattform stellt Veröffentlichungen bedeutender Konferenzen des maschinellen Lernens frei zugänglich bereit. Für Cross-Silo Federated Learning sind dort insbesondere grundlegende Arbeiten zu Federated Averaging, heterogener Optimierung, Personalisierung und robuster Aggregation auffindbar. Die Plattform eignet sich als Primärquelle für endgültige Konferenzfassungen.

Fachjournale und Verlage

  • SpringerLink: Fachliteratur zu Quanteninformation, Quantum Machine Learning, Datenschutz und verteilten Systemen.
    • SpringerLink bietet Zugriff auf Bücher, Monographien, Konferenzbände und Fachartikel. Für das Thema Cross-Silo Federated Learning sind insbesondere Veröffentlichungen zu Quanteninformation, Blind Quantum Computing, Differential Privacy und institutionellen Lernsystemen relevant. Die Plattform kann zur Überprüfung von DOI-Angaben und veröffentlichten Fassungen genutzt werden.
  • Nature Portfolio: Fachjournale zu Quantenphysik, Quanteninformation und Quantum Machine Learning.
    • Die Plattform enthält grundlegende Übersichts- und Forschungsarbeiten zu Quantencomputing, variationellen Quantenalgorithmen und Quantum Machine Learning. Für die Abhandlung eignet sie sich vor allem zur fachlichen Einordnung der quantentechnologischen Modellkomponenten. Aussagen über die konkrete Leistungsfähigkeit von Cross-Silo-QFL-Systemen sollten dennoch mit unmittelbar einschlägiger Primärliteratur belegt werden.

Lern- und Forschungsplattformen

  • Flower: Open-Source-Framework für Federated Learning.
    • Flower unterstützt die Entwicklung und Orchestrierung föderierter Lernsysteme mit unterschiedlichen Machine-Learning-Bibliotheken. Die Dokumentation ist für prototypische Cross-Silo-Architekturen, Teilnehmerverwaltung, Aggregationsstrategien und verteilte Experimente nützlich. In einer wissenschaftlichen Abhandlung sollte sie zur Beschreibung der technischen Implementierung verwendet werden, nicht als Beleg für die theoretische Überlegenheit eines Verfahrens.
  • TensorFlow Federated: Framework für föderierte Berechnungen und Federated Learning.
    • TensorFlow Federated stellt Werkzeuge zur Modellierung föderierter Datenverarbeitung, lokaler Trainingsschritte und serverseitiger Aggregation bereit. Die Plattform ist relevant, weil frühe QFL-Arbeiten TensorFlow Federated mit TensorFlow Quantum kombinierten. Die Dokumentation kann zur Rekonstruktion entsprechender Versuchsarchitekturen und zur Beschreibung des klassischen Föderationsanteils verwendet werden.
  • PennyLane: Plattform für Quantum Machine Learning und hybride quantum-klassische Optimierung.
    • PennyLane ermöglicht die Definition parametrisierter Quantenschaltkreise und ihre Einbindung in klassische Machine-Learning-Umgebungen. Die Dokumentation ist besonders nützlich für Variational Quantum Circuits, Gradientenberechnung, Quantum Neural Networks und hardwareunabhängige Experimente. Sie kann zur technischen Erläuterung lokaler QML-Modelle innerhalb eines Cross-Silo-Netzwerks genutzt werden.
  • IBM Quantum Documentation: Dokumentation zu Quantenhardware, Qiskit und cloudbasierten Quantendiensten.
    • Die Dokumentation unterstützt die technische Beschreibung von Quantenschaltkreisen, Transpilation, Laufzeitumgebungen, Messungen und realer Quantenhardware. Für die Abhandlung ist sie hilfreich, wenn ein beispielhafter Versuchsaufbau mit cloudbasierten Quantenprozessoren erläutert wird. Wissenschaftliche Leistungsbehauptungen sollten jedoch nicht allein auf Herstellerdokumentationen gestützt werden.

Sicherheits-, Datenschutz- und Standardisierungsressourcen

  • National Institute of Standards and Technology: Post-Quantum Cryptography Project.
    • Das NIST-Projekt dokumentiert die Standardisierung kryptografischer Verfahren, die gegen bekannte Angriffe mit klassischen und Quantencomputern ausgelegt sind. Für Cross-Silo Federated Learning ist die Ressource relevant, weil institutionelle Teilnehmer Modellparameter authentifizieren, Kommunikationskanäle absichern und langfristig schützenswerte Daten berücksichtigen müssen. Die Ressource eignet sich zur sachlichen Einordnung post-quanten-sicherer Schlüsselkapselungs- und Signaturverfahren.
  • National Institute of Standards and Technology: Privacy Framework.
    • Das NIST Privacy Framework bietet eine strukturierte Grundlage zur Erkennung, Bewertung und Behandlung von Datenschutzrisiken. Es ist keine speziell für Federated Learning entwickelte Norm, kann jedoch zur systematischen Beschreibung organisatorischer und technischer Schutzmaßnahmen in institutionellen Datenkooperationen genutzt werden. Für die Abhandlung ist die Ressource besonders bei Governance, Risikomanagement und Verantwortlichkeiten relevant.
  • European Telecommunications Standards Institute: Industry Specification Group on Quantum Key Distribution.
    • Die ETSI-Ressource dokumentiert Standardisierungsaktivitäten zur Quantenschlüsselverteilung. Sie ist für Abschnitte relevant, in denen klassische Kommunikationskanäle, Post-Quanten-Kryptografie und Quantenschlüsselverteilung miteinander verglichen werden. Die Ressource unterstützt eine realistische Einordnung der technischen und organisatorischen Voraussetzungen quantengesicherter institutioneller Netze.
Quantum Federated Learning (QFL)

Quantum Federated Learning (QFL)

...

Stanford Linear Collider-Projekt (SLC)

Stanford Linear Collider-Projekt (SLC)

...

Anti-Λ-Baryon

Anti-Λ-Baryon

...

Anyonen

Anyonen

...

Kernspin-Qubits

Kernspin-Qubits

...

Supersymmetrie (SUSY)

Supersymmetrie (SUSY)

...