Federated Transfer Learning verbindet föderiertes maschinelles Lernen mit dem gezielten Transfer bereits erworbenen Wissens. Das Verfahren richtet sich an Situationen, in denen mehrere Parteien gemeinsam ein leistungsfähiges Modell entwickeln wollen, ihre Daten jedoch weder zentral zusammenführen können noch über ausreichend ähnliche Datensätze verfügen. Im Umfeld der Quantentechnologie gewinnt dieser Ansatz besondere Bedeutung. Quantencomputer, Quantensensoren, Quantennetzwerke und quantenphysikalische Experimente erzeugen wertvolle, häufig seltene und stark heterogene Daten. Diese Daten liegen meist bei verschiedenen Forschungseinrichtungen, Laboren oder Unternehmen und können aus technischen, wirtschaftlichen oder rechtlichen Gründen nicht beliebig ausgetauscht werden.

Die Verbindung von Federated Transfer Learning mit Quantentechnologien ist noch kein vollständig standardisiertes Verfahren. Sie entsteht vielmehr an der Schnittstelle von drei Forschungsgebieten: klassischem Federated Transfer Learning, Quantum Transfer Learning und Quantum Federated Learning. Daraus ergeben sich hybride Architekturen, in denen klassische Lernverfahren, parametrisierte Quantenschaltungen und föderierte Kommunikationsprotokolle zusammenarbeiten. Das Ziel besteht nicht darin, einen Quantenprozessor lediglich als zusätzliche Recheneinheit einzusetzen. Entscheidend ist, ob er den Wissenstransfer zwischen verteilten Systemen messbar verbessert.

Einleitung

Ausgangslage

Moderne Verfahren des maschinellen Lernens benötigen große, möglichst repräsentative Datensätze. In der Praxis befinden sich relevante Daten jedoch selten an einem einzigen Ort. Krankenhäuser verwalten Patientendaten getrennt, Industrieunternehmen schützen Produktionsdaten, Forschungslabore bewahren experimentelle Messreihen auf eigenen Systemen auf und Hersteller von Quantenhardware behandeln Kalibrierungs- und Fehlerdaten als Betriebsgeheimnis. Eine zentrale Zusammenführung ist daher oft nicht möglich.

In der Quantentechnologie ist dieses Problem besonders ausgeprägt. Der Aufbau und Betrieb eines Quantenprozessors ist teuer. Experimentelle Messungen sind zeitaufwendig und unterliegen Rauschen, Drift und gerätespezifischen Fehlern. Zwei Labore können dasselbe physikalische Phänomen untersuchen und dennoch Daten erzeugen, die sich hinsichtlich Messaufbau, Auflösung, Qubit-Technologie, Temperatur, Pulssteuerung und Fehlerprofil deutlich unterscheiden. Die Daten sind thematisch verwandt, aber nicht unmittelbar austauschbar.

Federated Learning bietet eine erste Lösung. Dabei bleiben die Rohdaten bei den jeweiligen Eigentümern. Die Teilnehmer trainieren lokale Modelle und übermitteln nur ausgewählte Modellinformationen. Diese Informationen werden koordiniert, aggregiert und anschließend an die Teilnehmer zurückgegeben. Das Verfahren stößt jedoch an Grenzen, wenn die lokalen Datenbestände nicht nur unterschiedlich verteilt sind, sondern auch verschiedene Merkmale, Aufgaben oder Modellarchitekturen verwenden.

Transfer Learning setzt an einem anderen Punkt an. Ein Modell, das bereits für eine Quellaufgabe trainiert wurde, stellt Wissen für eine verwandte Zielaufgabe bereit. Statt ein neues Modell vollständig von Grund auf zu trainieren, werden Merkmale, Parameter oder Repräsentationen übernommen und angepasst. Herkömmliches Transfer Learning setzt allerdings häufig voraus, dass Quell- und Zieldaten innerhalb einer gemeinsamen Trainingsumgebung verfügbar sind oder zumindest von derselben Organisation verarbeitet werden dürfen.

Federated Transfer Learning verbindet beide Ideen. Es ermöglicht einen Wissenstransfer zwischen getrennten Parteien, ohne die Rohdaten zentral zu sammeln. Für die Quantentechnologie eröffnet dies einen Weg, um seltene Messdaten, Hardwareerfahrungen und gelernte Quantenmodelle institutionenübergreifend nutzbar zu machen.

Problemstellung

Die zentrale Herausforderung besteht darin, Wissen zwischen Systemen zu übertragen, die nicht identisch aufgebaut sind. Ein supraleitender Quantenprozessor besitzt andere native Gatter, Kohärenzzeiten und Kopplungsstrukturen als ein Ionenfallenrechner. Ein Quantensensor für Magnetfelder liefert andere Signale als ein photonisches Messsystem. Selbst gleichartige Geräte können durch Fertigungstoleranzen und zeitliche Drift verschiedene Datenverteilungen erzeugen.

Ein einfaches Mitteln aller Modellparameter ist unter solchen Bedingungen häufig ungeeignet. Parameter können unterschiedliche Bedeutungen besitzen, Schaltungen können andere Topologien aufweisen und lokale Aufgaben können nur teilweise übereinstimmen. Ein tragfähiges FTL-System muss daher bestimmen, welche Wissensbestandteile übertragbar sind, wie sie geschützt werden und wie ihr tatsächlicher Nutzen für die Zielaufgabe gemessen werden kann.

Ziel der Abhandlung

Diese Abhandlung erklärt die Grundlagen des Federated Transfer Learning und überträgt sie auf quantentechnologische Systeme. Sie beschreibt geeignete Architekturen, mathematische Prinzipien, Transfermechanismen, Sicherheitsanforderungen und mögliche Anwendungen. Zugleich bewertet sie die Grenzen aktueller Quantenhardware und grenzt realistische Entwicklungsmöglichkeiten von unbelegten Erwartungen ab.

Begriffliche und technische Grundlagen

Federated Learning

Federated Learning ist ein Verfahren zum gemeinsamen Trainieren von Modellen über mehrere getrennte Datenbestände hinweg. Die Daten verbleiben auf den lokalen Systemen. Eine zentrale Koordinationsinstanz oder ein dezentrales Protokoll organisiert den Austausch von Modellinformationen.

Ein typischer Ablauf beginnt mit einem gemeinsamen Ausgangsmodell. Dieses Modell wird an mehrere Teilnehmer verteilt. Jeder Teilnehmer trainiert es auf seinen lokalen Daten. Danach übermittelt er aktualisierte Parameter, Gradienten oder andere zusammengefasste Informationen. Der Server bildet daraus ein neues globales Modell und verteilt es erneut. Dieser Vorgang wird über mehrere Kommunikationsrunden wiederholt.

Für einen Teilnehmer mit lokalem Datensatz kann die lokale Verlustfunktion vereinfacht als

\(L_i(\theta) = \frac{1}{m_i}\sum_{j=1}^{m_i}\ell(f_{\theta}(x_{ij}),y_{ij})\)

beschrieben werden. Dabei bezeichnet \(m_i\) die Zahl der lokalen Trainingsbeispiele, \(\theta\) die Modellparameter und \(\ell\) die Verlustfunktion. Das globale Trainingsziel ergibt sich aus einer gewichteten Zusammenführung der lokalen Ziele:

\(L(\theta) = \sum_{i=1}^{n} w_i L_i(\theta)\)

Die Gewichte erfüllen üblicherweise

\(\sum_{i=1}^{n} w_i = 1\)

und können beispielsweise von der lokalen Datenmenge, Datenqualität oder Zuverlässigkeit eines Teilnehmers abhängen.

Horizontales und vertikales Federated Learning

Beim horizontalen Federated Learning besitzen die Teilnehmer ähnliche Merkmale, aber unterschiedliche Datenobjekte. Mehrere Quantenlabore könnten beispielsweise dieselben Kalibrierungsgrößen erfassen, jedoch Messungen von verschiedenen Prozessoren besitzen. Die Tabellenstrukturen sind ähnlich, während die einzelnen Messreihen getrennt bleiben.

Beim vertikalen Federated Learning beziehen sich mehrere Parteien zumindest teilweise auf dieselben Objekte, verfügen aber über unterschiedliche Merkmale. Ein Hersteller könnte Informationen über die Fertigung eines Quantenchips besitzen, während ein Forschungslabor Messdaten desselben Chips erhebt. Die Zusammenarbeit erfordert dann eine sichere Verknüpfung unterschiedlicher Merkmalsgruppen.

Beide Formen setzen einen relevanten Überschneidungsbereich voraus. Horizontale Verfahren benötigen vergleichbare Merkmale. Vertikale Verfahren benötigen gemeinsame oder zuordenbare Datenobjekte. Fehlen sowohl eine deutliche Merkmalsüberschneidung als auch eine ausreichende Überschneidung der Datenobjekte, wird klassisches Federated Learning schwieriger.

Transfer Learning

Transfer Learning überträgt Wissen von einer Quellaufgabe auf eine Zielaufgabe. Ein Modell wird zunächst mit einem umfangreichen Quelldatensatz trainiert. Anschließend werden Teile des Modells für eine verwandte Zielaufgabe übernommen. Das kann die benötigte Datenmenge reduzieren und die Konvergenz beschleunigen.

Übertragbar sind verschiedene Formen von Wissen. Dazu gehören gelernte Merkmale, Modellparameter, Entscheidungsgrenzen, Wahrscheinlichkeitsverteilungen oder latente Repräsentationen. Bei neuronalen Netzen werden häufig frühe Schichten übernommen, da sie allgemeine Strukturen erfassen. Spätere Schichten werden an die Zielaufgabe angepasst.

Ein einfaches Transferziel kann durch zwei Verlustfunktionen und einen Kopplungsterm dargestellt werden:

\(J(\theta_s,\theta_t) = L_s(\theta_s) + \lambda L_t(\theta_t) + \mu R(\theta_s,\theta_t)\)

Hier stehen \(\theta_s\) und \(\theta_t\) für die Parameter des Quell- und Zielmodells. Der Term \(R\) beschreibt die gewünschte Beziehung zwischen beiden Modellen. Die Faktoren \(\lambda\) und \(\mu\) steuern die Bedeutung des Zielverlustes und des Wissenstransfers.

Federated Transfer Learning

Federated Transfer Learning wird relevant, wenn Parteien nur geringe Überschneidungen ihrer Datenobjekte und Merkmalsräume besitzen. Eine Partei verfügt möglicherweise über viele beschriftete Daten in einer Quelldomäne, während eine andere Partei nur wenige beschriftete Daten in einer verwandten Zieldomäne besitzt. Das FTL-System versucht, nützliches Wissen von der Quelle zum Ziel zu übertragen, ohne die Rohdaten offenzulegen.

FTL ist damit mehr als eine Kombination aus lokalem Training und Parameteraggregation. Es benötigt einen Mechanismus, der unterschiedliche Domänen miteinander verbindet. Dieser Mechanismus kann gemeinsame Repräsentationen erzeugen, Modellantworten übertragen, Parameter transformieren oder statistische Beziehungen zwischen Quell- und Zielbereich lernen.

Ein Beispiel ist die Zusammenarbeit zweier Forschungslabore. Das erste Labor verfügt über umfangreiche Simulationsdaten für ein bestimmtes Molekülmodell. Das zweite Labor besitzt wenige experimentelle Messwerte für eine verwandte Molekülklasse. Beide Datensätze haben unterschiedliche Merkmale und stammen aus verschiedenen Verteilungen. FTL soll das aus den Simulationen gelernte Wissen so übertragen, dass das Zielmodell die experimentellen Daten besser auswertet.

Quantum Machine Learning

Quantum Machine Learning untersucht den Einsatz quantenmechanischer Informationsverarbeitung für Lernaufgaben. Dabei ist zwischen klassischer Datenverarbeitung auf Quantenhardware, maschinellem Lernen mit Quantendaten und hybriden Verfahren zu unterscheiden.

In gegenwärtig realisierbaren Architekturen werden häufig parametrisierte Quantenschaltungen eingesetzt. Eine solche Schaltung kodiert Eingangsdaten in einen Quantenzustand, führt trainierbare Gatter aus und misst anschließend Observablen. Die Messergebnisse werden von einem klassischen Optimierer verarbeitet.

Ein parametrisiertes Quantenmodell kann schematisch als

\(f_{\theta}(x) = \langle 0 | U^{\dagger}(x,\theta) O U(x,\theta) | 0 \rangle\)

geschrieben werden. Die unitäre Operation \(U(x,\theta)\) enthält sowohl die Datenkodierung als auch trainierbare Parameter. Der Operator \(O\) beschreibt die Messgröße. Das Ergebnis ist ein Erwartungswert, der als Modellwert oder als Teil einer Vorhersage verwendet wird.

Quantum Transfer Learning

Quantum Transfer Learning überträgt Wissen zwischen klassischen und quantenbasierten Modellen oder zwischen verschiedenen Quantenmodellen. Eine verbreitete hybride Architektur verwendet ein klassisch vortrainiertes Netzwerk als Merkmalsextraktor. Dieses reduziert hochdimensionale Eingangsdaten auf wenige aussagekräftige Merkmale. Die Merkmale werden anschließend in eine kleine Quantenschaltung kodiert.

Der Vorteil dieser Architektur liegt zunächst in ihrer praktischen Umsetzbarkeit. Gegenwärtige Quantenprozessoren besitzen begrenzte Qubit-Zahlen und sind anfällig für Rauschen. Ein leistungsfähiger klassischer Merkmalsextraktor kann die Datenmenge so reduzieren, dass eine kleine Quantenschaltung ausreicht. Ob diese Quantenschaltung gegenüber einer rein klassischen Schicht einen Vorteil erzielt, muss für jede Aufgabe gesondert untersucht werden.

Quantum Federated Learning

Quantum Federated Learning überträgt das Prinzip des föderierten Lernens auf quantenbasierte Modelle oder Quantendaten. Mehrere Teilnehmer trainieren lokale parametrisierte Quantenschaltungen. Übermittelt werden beispielsweise Schaltungsparameter, Gradienten oder Messstatistiken. Ein Server aggregiert die Informationen und erzeugt ein aktualisiertes globales Quantenmodell.

Quantum Federated Learning ist nicht mit Federated Transfer Learning gleichzusetzen. Ein QFL-System kann bei allen Teilnehmern dieselbe Schaltungsarchitektur und dieselbe Aufgabe verwenden. Ein FTL-System muss dagegen Wissen zwischen unterschiedlichen Domänen oder Aufgaben übertragen. Quantengestütztes FTL entsteht erst, wenn föderiertes Lernen, Transfermechanismen und quantenbasierte Modellkomponenten gezielt verbunden werden.

Relevanz für die Quantentechnologie

Seltene und verteilte Daten

Viele quantentechnologische Datensätze sind klein. Ein Experiment kann nur unter hohem Aufwand wiederholt werden. Bestimmte Quantenzustände sind schwer zu präparieren, Messungen können das untersuchte System verändern und Hardwarebedingungen driften im Zeitverlauf. Selbst umfangreiche Messkampagnen liefern daher nicht automatisch einen stabilen und repräsentativen Trainingsbestand.

Gleichzeitig entstehen ähnliche Daten an verschiedenen Orten. Hersteller sammeln Fehler- und Kalibrierungsdaten. Forschungslabore untersuchen Materialien und Quantenzustände. Betreiber von Quantennetzwerken beobachten Kanäle und Knoten. Ein gemeinsames Lernsystem könnte aus dieser verteilten Erfahrung Nutzen ziehen, ohne alle Daten an eine zentrale Stelle zu übertragen.

Heterogene Hardware

Quantenhardware basiert auf unterschiedlichen physikalischen Plattformen. Supraleitende Schaltkreise, gefangene Ionen, neutrale Atome, photonische Systeme und Spin-Qubits besitzen jeweils eigene Stärken und Fehlerquellen. Auch innerhalb einer Plattform unterscheiden sich Prozessoren hinsichtlich Topologie, Qubit-Zahl, nativer Gatter, Steuerung und Messverfahren.

Diese Heterogenität verhindert häufig eine direkte Modellaggregation. Eine Rotationsoperation auf einem System kann zwar mathematisch einer Operation auf einem anderen System entsprechen, ihre physikalische Realisierung und Fehlercharakteristik können jedoch deutlich abweichen. FTL muss deshalb zwischen abstraktem Modellwissen und hardwareabhängiger Implementierung unterscheiden.

Schutz von Forschungs- und Unternehmenswissen

Quantentechnologische Daten sind nicht nur sensibel, sondern wirtschaftlich wertvoll. Kalibrierungsdaten können Rückschlüsse auf die Qualität eines Prozessors zulassen. Fehlerprofile können Schwachstellen eines Systems offenlegen. Material- und Moleküldaten können Gegenstand laufender Patentverfahren sein. Eine vollständige Datenfreigabe ist daher häufig ausgeschlossen.

FTL bietet einen Rahmen für Zusammenarbeit, ohne den Datenbesitz aufzugeben. Das Verfahren beseitigt jedoch nicht automatisch alle Datenschutz- und Geheimhaltungsrisiken. Auch Modellupdates können Informationen enthalten. Sichere Protokolle sind daher ein notwendiger Bestandteil und keine optionale Ergänzung.

Brücke zwischen Simulation und Experiment

In der Quantenforschung werden viele Modelle zunächst auf klassischen Rechnern simuliert. Simulationsdaten sind leichter verfügbar, entsprechen aber nicht vollständig dem Verhalten realer Hardware. Experimentelle Daten sind realistischer, jedoch teuer und verrauscht. Transfer Learning kann Wissen aus Simulationen auf reale Systeme übertragen. Die föderierte Variante ermöglicht dies über institutionelle Grenzen hinweg.

Architektur eines quantengestützten FTL-Systems

Grundkomponenten

Ein quantengestütztes FTL-System besteht aus lokalen Teilnehmern, mindestens einer Koordinationskomponente, einem Transfermechanismus, einer Sicherheitsarchitektur und einem Evaluationsverfahren. Die lokalen Teilnehmer können klassische Rechner, Quantenprozessoren, hybride Rechenumgebungen oder Quantensensoren betreiben.

Jeder Teilnehmer besitzt lokale Daten und ein lokales Modell. Das Modell kann vollständig klassisch, vollständig quantenbasiert oder hybrid aufgebaut sein. Die Koordinationskomponente verwaltet Trainingsrunden, Modellversionen und Kommunikationsregeln. Der Transfermechanismus bestimmt, welche Informationen zwischen unterschiedlichen Domänen nutzbar sind.

Quell- und Zielparteien

Die Quellpartei stellt Wissen bereit, das auf einem umfangreichen oder gut beschrifteten Datensatz erworben wurde. Die Zielpartei besitzt eine verwandte Aufgabe, aber weniger Daten oder schwächere Labels. Diese Rollen sind nicht zwingend dauerhaft. In einem Netzwerk mit mehreren Teilnehmern kann eine Partei für eine Aufgabe Quelle und für eine andere Aufgabe Ziel sein.

Der Transfer darf nicht allein nach der Datenmenge gewichtet werden. Ein großer Quelldatensatz kann systematische Verzerrungen enthalten oder physikalisch zu weit von der Zielaufgabe entfernt sein. Deshalb muss die Eignung jeder Quelle anhand lokaler Validierung, Domänenähnlichkeit und Transferleistung geprüft werden.

Klassisches FTL mit quantentechnologischen Daten

Die technisch einfachste Architektur verarbeitet quantentechnologische Daten mit klassischen Modellen. Die Daten stammen beispielsweise aus Qubit-Kalibrierungen, Quantensensoren oder Molekülsimulationen. Das Training und die Kommunikation bleiben vollständig klassisch.

Diese Variante ist ein wichtiger Referenzpunkt. Ein quantenbasiertes FTL-System sollte nicht nur mit einem schwachen klassischen Ausgangsmodell verglichen werden. Es muss gegen gut abgestimmte klassische FTL-Verfahren antreten. Andernfalls lässt sich nicht feststellen, ob eine Verbesserung aus dem Quantenanteil oder lediglich aus einer besseren Modellarchitektur stammt.

Hybrides quantenklassisches FTL

Bei einer hybriden Architektur übernimmt ein klassisches Modell die Vorverarbeitung. Es normalisiert Messdaten, entfernt offensichtliche Störungen oder extrahiert Merkmale. Eine parametrisierte Quantenschaltung verarbeitet anschließend einen kompakten Merkmalsvektor. Die Ausgabe der Schaltung wird wieder klassisch ausgewertet.

Diese Aufteilung ist für heutige Hardware realistisch. Sie reduziert die Zahl der benötigten Qubits und begrenzt die Schaltungstiefe. Zugleich ermöglicht sie den gezielten Transfer einzelner Komponenten. Ein gemeinsamer klassischer Encoder kann föderiert trainiert werden, während die Quantenschaltungen lokal personalisiert bleiben. Umgekehrt können gemeinsame Quantenschaltungsblöcke übertragen werden, während jede Partei ihre eigene klassische Vorverarbeitung behält.

Föderiertes Training identischer Quantenschaltungen

Verwenden alle Teilnehmer dieselbe Schaltungsarchitektur, können die trainierbaren Parameter ähnlich wie bei klassischem Federated Averaging aggregiert werden. Nach einer lokalen Trainingsrunde liefert der Teilnehmer einen Parametervektor. Der Server bildet daraus ein gewichtetes Mittel:

\(\theta^{(t+1)} = \sum_{i=1}^{n} w_i \theta_i^{(t+1)}\)

Diese Operation ist nur dann sinnvoll, wenn dieselben Parameter bei allen Teilnehmern dieselbe funktionale Bedeutung besitzen. Bei rotationsbasierten Quantenschaltungen kommt hinzu, dass Winkel periodisch sind. Zwei numerisch weit voneinander entfernte Winkel können dieselbe physikalische Operation beschreiben. Eine naive euklidische Mittelung kann deshalb ungeeignete Ergebnisse erzeugen.

Für einen Winkelparameter mit Periodizität \(2\pi\) kann eine zirkuläre Aggregation verwendet werden:

\(\bar{\theta} = \mathrm{atan2}\left(\sum_i w_i \sin(\theta_i),\sum_i w_i \cos(\theta_i)\right)\)

Auch dieses Verfahren löst nicht alle Probleme. Unterschiedliche lokale Optimierungswege können funktional ähnliche Modelle mit verschiedenen Parameterdarstellungen erzeugen.

Transfer zwischen unterschiedlichen Quantenschaltungen

In realistischen FTL-Szenarien verwenden die Teilnehmer häufig keine identischen Schaltungen. Eine direkte Mittelung ist dann unmöglich. Stattdessen müssen gemeinsame Schaltungsblöcke, Ausgaberepräsentationen oder Verhaltensmerkmale definiert werden.

Eine Möglichkeit besteht darin, einen hardwareunabhängigen logischen Ansatz festzulegen. Jeder Teilnehmer kompiliert diesen Ansatz in seine native Gattermenge. Übertragen werden die logischen Parameter, nicht die vollständigen kompilierten Schaltungen. Das funktioniert nur, wenn die Hardwareunterschiede die Funktion des Ansatzes nicht grundlegend verändern.

Eine zweite Möglichkeit ist Knowledge Distillation. Ein Quellmodell erzeugt Vorhersageverteilungen oder Erwartungswerte für abgestimmte Referenzeingaben. Das Zielmodell lernt, dieses Verhalten nachzubilden. Die Schaltungsarchitekturen müssen dabei nicht identisch sein.

Transfer über latente Repräsentationen

Lokale Encoder können unterschiedliche Rohdaten in einen gemeinsamen latenten Raum überführen. Ein Labor verarbeitet beispielsweise Spektraldaten, während ein anderes Kontrollpulse und Fehlerraten verwendet. Beide Encoder erzeugen Repräsentationen, die denselben physikalischen Zustand oder dieselbe Zielgröße beschreiben.

Der gemeinsame Raum kann durch Verteilungsabgleich, kontrastives Lernen oder gekoppelte Verlustfunktionen trainiert werden. Die Rohdaten verbleiben lokal. Allerdings können auch latente Repräsentationen sensible Informationen verraten. Ihre Freigabe muss daher ebenso geschützt und geprüft werden wie die Übertragung von Gradienten.

Cross-Silo- und Cross-Device-Föderation

Für quantentechnologische Anwendungen ist Cross-Silo-Föderation besonders relevant. Dabei arbeiten wenige, institutionell klar definierte Teilnehmer zusammen. Sie verfügen über vergleichsweise leistungsfähige Rechenressourcen und stabile Netzwerkverbindungen. Beispiele sind Universitäten, nationale Forschungszentren und Quantenhardwarehersteller.

Cross-Device-Föderation betrifft eine große Zahl kleiner Geräte. Im Quantenbereich könnten dies langfristig verteilte Quantensensoren oder Netzknoten sein. Die Teilnehmer sind möglicherweise nur zeitweise verfügbar und besitzen begrenzte Rechenleistung. Das Protokoll muss daher Ausfälle, ungleichmäßige Datenmengen und asynchrone Updates bewältigen.

Zentralisierte und dezentrale Koordination

Ein zentraler Server vereinfacht die Verwaltung, bildet aber einen Vertrauens- und Ausfallpunkt. Dezentrale Verfahren verteilen die Aggregation auf mehrere Knoten oder verwenden Peer-to-Peer-Protokolle. Dadurch sinkt die Abhängigkeit von einer einzelnen Instanz, während Kommunikation und Konsensbildung komplexer werden.

Ein Quantennetzwerk ist für quantengestütztes FTL nicht zwingend erforderlich. Die meisten praktisch untersuchten Systeme verwenden klassische Kommunikationskanäle und lokale Quantenprozessoren. Quantennetzwerke werden erst dann notwendig, wenn Quantenzustände, verschränkte Ressourcen oder genuin quantenmechanische Zwischeninformationen zwischen den Teilnehmern übertragen werden sollen.

Mathematische und algorithmische Prinzipien

Formale Problemdefinition

Ein FTL-System umfasst mehrere Parteien mit lokalen Datensätzen. Die Daten können unterschiedlichen Eingaberäumen und Zielräumen angehören. Für Partei \(i\) sei der Datensatz

\(D_i = \{(x_{ij},y_{ij})\}_{j=1}^{m_i}\)

gegeben. Die Eingaben \(x_{ij}\) können aus verschiedenen Merkmalsräumen stammen. Nicht jede Partei muss über dieselben Labeltypen verfügen. Manche Teilnehmer besitzen vollständig beschriftete Daten, andere nur wenige Labels oder ausschließlich unbeschriftete Messwerte.

Das Ziel besteht nicht zwingend in einem einzigen globalen Modell. Häufig ist ein personalisiertes Modell für jede Partei geeigneter. Es kann aus einem gemeinsamen Kern und einem lokalen Anteil bestehen:

\(f_i(x) = g_i(h_{\phi}(x))\)

Die Funktion \(h_{\phi}\) beschreibt eine gemeinsame oder übertragbare Repräsentation. Die Funktion \(g_i\) ist auf die lokale Aufgabe spezialisiert. In einer hybriden Architektur kann eine der beiden Komponenten quantenbasiert sein.

Gemeinsame und lokale Parameter

Eine robuste FTL-Architektur trennt Parameter, die zwischen Teilnehmern geteilt werden, von lokalen Parametern. Das Optimierungsziel kann als

\(\min_{\phi,\psi_1,\ldots,\psi_n}\sum_{i=1}^{n} w_i L_i(\phi,\psi_i) + \lambda R(\phi,\psi_1,\ldots,\psi_n)\)

formuliert werden. Der Parameterblock \(\phi\) enthält gemeinsames Wissen. Die Blöcke \(\psi_i\) bleiben lokal. Der Regularisierungsterm \(R\) kontrolliert die Beziehung zwischen globalen und lokalen Komponenten.

Für Quantenmodelle kann \(\phi\) beispielsweise die Winkel einer gemeinsamen Merkmalsabbildung enthalten. Die lokalen Parameter \(\psi_i\) beschreiben hardwareabhängige Korrekturen oder aufgabenspezifische Messschichten.

Domain Adaptation

Beim Transfer zwischen verschiedenen Datenverteilungen muss das Modell lernen, welche Strukturen domänenübergreifend stabil sind. Eine Möglichkeit besteht darin, die Distanz zwischen den Repräsentationsverteilungen von Quelle und Ziel zu minimieren.

Eine vereinfachte Zielfunktion lautet:

\(J = L_s + \lambda L_t + \mu D(P_s(h),P_t(h))\)

Der Ausdruck \(D\) misst die Differenz zwischen den transformierten Quell- und Zielverteilungen. Als Distanzmaß können kernelbasierte, statistische oder adversarielle Verfahren eingesetzt werden. Entscheidend ist, dass eine kleine Repräsentationsdistanz nicht automatisch eine gute Zielvorhersage garantiert. Physikalisch relevante Unterschiede dürfen nicht versehentlich entfernt werden.

Parametertransfer

Beim Parametertransfer übernimmt das Zielmodell Gewichte oder Schaltungswinkel eines Quellmodells. Anschließend werden die Parameter vollständig oder teilweise angepasst. Geeignet ist dieser Ansatz, wenn Quell- und Zielmodell strukturell ähnlich sind.

Eine regularisierte Zieloptimierung kann durch

\(J_t(\theta_t) = L_t(\theta_t) + \lambda ||\theta_t-\theta_s||_2^2\)

beschrieben werden. Der zweite Term verhindert, dass sich das Zielmodell zu stark vom Quellmodell entfernt. Eine zu große Kopplung kann jedoch negativen Transfer verursachen, wenn Quelle und Ziel nicht ausreichend ähnlich sind.

Knowledge Distillation

Knowledge Distillation überträgt das Verhalten eines Lehrermodells auf ein Schülermodell. Der Lehrer liefert für ausgewählte Eingaben keine harten Klassenentscheidungen, sondern eine weichere Ausgabeverteilung. Diese enthält Informationen darüber, welche Klassen oder Zustände das Modell als ähnlich betrachtet.

Eine typische Distillationsfunktion kombiniert den normalen Zielverlust mit einer Abweichung zwischen Lehrer- und Schülerausgabe:

\(J_{\mathrm{distill}} = \alpha L_{\mathrm{target}} + (1-\alpha)D_{\mathrm{KL}}(p_{\mathrm{teacher}} || p_{\mathrm{student}})\)

Dieser Ansatz ist für heterogene Quantenhardware besonders geeignet. Ein großes Quellmodell kann auf einem leistungsfähigen System trainiert werden, während ein kleineres Zielmodell auf einem Prozessor mit weniger Qubits läuft. Übertragen wird das Antwortverhalten, nicht die genaue Schaltungsstruktur.

Quantenbasierte Datenkodierung

Klassische Daten müssen in einen Quantenzustand überführt werden. Dafür stehen verschiedene Kodierungen zur Verfügung. Bei Winkelkodierung werden Merkmale als Rotationswinkel verwendet. Bei Basiskodierung werden diskrete Werte in Basiszuständen dargestellt. Amplitudenkodierung kann viele Werte in den Amplituden eines Zustands speichern, erfordert jedoch häufig eine aufwendige Zustandspräparation.

Die Kodierung ist kein neutraler Vorbereitungsschritt. Sie bestimmt, welche Beziehungen die Quantenschaltung leicht darstellen kann, wie viele Qubits benötigt werden und wie tief die Schaltung wird. Ein scheinbarer Vorteil eines Quantenmodells kann verschwinden, wenn die Kosten der Datenkodierung vollständig berücksichtigt werden.

Parametrisierte Quantenschaltungen

Eine Variationsschaltung besteht meist aus wiederholten Kodierungs-, Rotations- und Verschränkungsschichten. Das Modell erzeugt einen Erwartungswert:

\(z_k(x,\theta) = \langle \psi(x) | U^{\dagger}(\theta) O_k U(\theta) | \psi(x) \rangle\)

Mehrere Observablen liefern einen Ausgabevektor. Dieser kann direkt für eine Klassifikation verwendet oder an eine klassische Schicht übergeben werden. Das Training minimiert eine Verlustfunktion über klassische Optimierungsverfahren.

Gradientenberechnung

Für bestimmte parametrische Gatter kann der Gradient mit der Parameter-Shift-Regel bestimmt werden. Für einen geeigneten Parameter gilt:

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

Für jeden Gradientenwert sind zusätzliche Schaltungsausführungen erforderlich. Da Messungen nur Stichproben liefern, ist der Gradient selbst verrauscht. In einem föderierten System vervielfacht sich dieser Aufwand über Teilnehmer und Kommunikationsrunden.

Die Varianz eines geschätzten Erwartungswertes sinkt grundsätzlich mit der Zahl der Messwiederholungen. Vereinfacht gilt:

\(\mathrm{Var}(\hat{f}) \propto \frac{1}{S}\)

Dabei ist \(S\) die Zahl der Messungen. Eine höhere Genauigkeit erfordert somit mehr Ausführungen und verlängert das lokale Training.

Föderierte Aggregation

Federated Averaging gewichtet lokale Modelle häufig nach der Zahl ihrer Datenpunkte:

\(\theta^{(t+1)} = \sum_{i=1}^{n}\frac{m_i}{\sum_{k=1}^{n}m_k}\theta_i^{(t+1)}\)

Für FTL reicht diese Gewichtung oft nicht aus. Eine große Datenmenge bedeutet nicht automatisch hohe Übertragbarkeit. Ein Teilnehmer kann viele Daten besitzen, die für die Zielaufgabe nur geringe Relevanz haben. Deshalb können Transferqualität, Domänenähnlichkeit oder Validierungsergebnisse in die Gewichte einfließen.

Ein erweitertes Gewicht kann schematisch als

\(w_i = \frac{m_i q_i r_i}{\sum_{k=1}^{n}m_k q_k r_k}\)

definiert werden. Dabei beschreibt \(q_i\) die Datenqualität und \(r_i\) die geschätzte Relevanz für die Zielaufgabe. Diese Größen müssen sicher und möglichst manipulationsresistent bestimmt werden.

Personalisierung

Ein einziges globales Modell ist bei stark heterogenen Quantenplattformen selten optimal. Personalisierte Verfahren verwenden ein gemeinsames Ausgangsmodell, passen es aber lokal an. Die lokale Zielfunktion kann einen Näheterm zum globalen Modell enthalten:

\(J_i(\theta_i) = L_i(\theta_i) + \frac{\lambda}{2}||\theta_i-\theta_g||_2^2\)

Das globale Modell stellt übertragbares Wissen bereit. Der lokale Parametervektor berücksichtigt Hardwarefehler, Datenverteilung und Zielaufgabe. Diese Trennung ist besonders sinnvoll, wenn die Teilnehmer ähnliche physikalische Prozesse untersuchen, aber unterschiedliche Geräte verwenden.

Negativer Transfer

Negativer Transfer tritt auf, wenn übernommenes Wissen die Leistung des Zielmodells verschlechtert. Ursachen sind unpassende Quelldomänen, fehlerhafte Daten, unterschiedliche Labeldefinitionen oder nicht kompatible Hardwarebedingungen.

Ein FTL-System muss daher nicht nur den Nutzen einer Quelle schätzen, sondern auch die Möglichkeit vorsehen, Transfers abzulehnen. Eine einfache Entscheidung kann auf dem Unterschied zwischen Zielverlust mit und ohne Transfer beruhen:

\(\Delta L = L_{\mathrm{mit\ Transfer}} - L_{\mathrm{ohne\ Transfer}}\)

Ist \(\Delta L\) über mehrere robuste Validierungen positiv, verschlechtert der Transfer das Ergebnis. Die betreffende Quelle sollte schwächer gewichtet oder ausgeschlossen werden.

Datenschutz, Sicherheit und Vertrauen

Datenlokalität reicht nicht aus

Federated Learning wird häufig als datenschutzfreundlich beschrieben, weil die Rohdaten lokal bleiben. Daraus folgt jedoch kein vollständiger Schutz. Gradienten, Parameteränderungen und latente Repräsentationen können Informationen über einzelne Trainingsbeispiele enthalten. Ein Angreifer kann versuchen, Eingaben zu rekonstruieren, Eigenschaften des Datensatzes abzuleiten oder die Mitgliedschaft bestimmter Beispiele zu erkennen.

Quantenschaltungen beseitigen dieses Risiko nicht automatisch. Auch ihre klassischen Parameter und Messergebnisse können vom Trainingsbestand abhängen. Die konkrete Informationsleckage hängt von Kodierung, Schaltungsstruktur, Ausgabedimension und Angriffsmodell ab.

Bedrohungsmodelle

Ein ehrlicher, aber neugieriger Server hält sich an das Protokoll, versucht jedoch, aus empfangenen Updates zusätzliche Informationen zu gewinnen. Ein böswilliger Server kann Modellversionen gezielt verändern oder verschiedenen Teilnehmern unterschiedliche Modelle senden. Böswillige Clients können manipulierte Updates einreichen, Hintertüren erzeugen oder das globale Modell destabilisieren.

Bei einer Kollusion arbeiten mehrere Parteien zusammen, um Informationen über einen anderen Teilnehmer zu gewinnen. Ein Sicherheitskonzept muss deshalb festlegen, welchen Instanzen vertraut wird, welche Teilnehmer gemeinsam angreifen könnten und welche Informationen im Protokoll sichtbar sind.

Sichere Aggregation

Sichere Aggregation schützt individuelle Modellupdates. Der Server soll nur die Summe oder den gewichteten Mittelwert erhalten, nicht den Beitrag eines einzelnen Teilnehmers. Kryptografische Maskierungen werden so kombiniert, dass sie sich im Aggregat aufheben.

Das Verfahren muss mit Teilnehmerausfällen umgehen. Bricht ein Client während einer Trainingsrunde ab, dürfen seine Maskierungen die Berechnung nicht blockieren. Robuste Protokolle benötigen daher zusätzliche Schlüsselverteilung und Wiederherstellungsmechanismen.

Differential Privacy

Differential Privacy begrenzt den Einfluss einzelner Trainingsbeispiele auf das veröffentlichte Ergebnis. Dazu werden Gradienten begrenzt und kontrolliert verrauscht. Ein typischer Schritt lautet:

\(\tilde{g}_i = \frac{g_i}{\max\left(1,\frac{||g_i||_2}{C}\right)} + \mathcal{N}(0,\sigma^2 C^2 I)\)

Der Wert \(C\) begrenzt die Gradientennorm. Der Parameter \(\sigma\) bestimmt die Stärke des Rauschens. Höherer Datenschutz kann die Modellgenauigkeit verringern. In quantenbasierten Systemen kommt technisches Messrauschen hinzu. Dieses ist jedoch nicht automatisch ein formaler Datenschutzmechanismus, da es weder gezielt kalibriert noch zuverlässig kontrolliert ist.

Manipulation des Trainings

Model-Poisoning verändert lokale Updates, um das globale Modell zu schädigen. Backdoor-Angriffe sollen ein scheinbar korrektes Modell erzeugen, das bei bestimmten Eingaben gezielt falsche Ergebnisse liefert. Im FTL-Kontext kann ein Angreifer zusätzlich den Transfermechanismus manipulieren, etwa indem er eine hohe Ähnlichkeit zur Zieldomäne vortäuscht.

Gegenmaßnahmen sind robuste Aggregationsverfahren, Plausibilitätsprüfungen, lokale Validierung und die Begrenzung einzelner Beiträge. Keine dieser Maßnahmen bietet allein vollständigen Schutz. Besonders bei wenigen Cross-Silo-Teilnehmern kann ein einzelner manipulierter Beitrag erhebliches Gewicht besitzen.

Kryptografische Verfahren

Sichere Mehrparteienberechnung ermöglicht gemeinsame Berechnungen, ohne die jeweiligen Eingaben offenzulegen. Homomorphe Verschlüsselung erlaubt bestimmte Operationen auf verschlüsselten Daten. Beide Ansätze erhöhen den Rechen- und Kommunikationsaufwand.

Post-Quanten-Kryptografie schützt klassische Kommunikationskanäle gegen zukünftige Quantenangriffe. Quantenschlüsselverteilung kann Schlüsselmaterial über quantenphysikalisch abgesicherte Kanäle bereitstellen. Sie schützt jedoch nicht automatisch vor manipulierten Clients, fehlerhaften Modellen oder Informationslecks aus legitimen Modellupdates.

Governance und Nachvollziehbarkeit

Technische Sicherheit muss durch organisatorische Regeln ergänzt werden. Die Beteiligten müssen festlegen, wer Modelle freigibt, welche Datenarten zulässig sind, wie lange Updates gespeichert werden und wie Fehler untersucht werden. Modellversionen, Trainingsrunden und verwendete Hyperparameter sollten nachvollziehbar protokolliert werden.

Bei wissenschaftlichen Kooperationen ist außerdem zu klären, wem das gemeinsam erzeugte Modell gehört, wie Ergebnisse veröffentlicht werden und welche Partei bei fehlerhaften Vorhersagen verantwortlich ist. FTL verteilt die Datenhaltung, aber nicht automatisch die Verantwortung.

Potenzial quantengestützter Verfahren

Ausdrucksstarke Merkmalsräume

Quantensysteme operieren in hochdimensionalen Hilberträumen. Geeignete Quantenschaltungen können komplexe nichtlineare Merkmalsabbildungen erzeugen. Für bestimmte Aufgaben könnte dies eine kompakte Darstellung physikalischer Korrelationen ermöglichen.

Die hohe Dimension allein beweist keinen praktischen Vorteil. Ein Modell muss trainierbar sein, die relevanten Strukturen erfassen und Ergebnisse mit vertretbarem Messaufwand liefern. Zudem kann ein klassisches Verfahren dieselben effektiven Merkmale möglicherweise effizient approximieren.

Quantenkernel

Ein Quantenkernel misst die Ähnlichkeit zweier Eingaben über ihre quantenmechanische Kodierung. Für Zustände \(|\phi(x)\rangle\) und \(|\phi(x')\rangle\) kann ein Kernel als

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

definiert werden. In einem FTL-System könnte ein gemeinsamer Quantenkernel verschiedene lokale Datensätze in einen vergleichbaren Merkmalsraum abbilden. Die Berechnung vieler paarweiser Kernelwerte kann jedoch hohe Ausführungskosten verursachen.

Parameterkompakte Modelle

Kleine Quantenschaltungen können mit relativ wenigen trainierbaren Parametern auskommen. Dadurch könnte die Menge der übermittelten Modellinformationen sinken. Ein kleiner Parametervektor bedeutet allerdings nicht automatisch geringe Gesamtkosten. Datenkodierung, wiederholte Messungen, Fehlerreduktion und klassische Optimierung müssen einbezogen werden.

Lernen mit Quantendaten

Der überzeugendste Einsatzbereich quantenbasierter Modelle könnte langfristig in der Verarbeitung genuiner Quantendaten liegen. Wenn die Eingabe bereits als Quantenzustand vorliegt, kann eine direkte Quantenverarbeitung die vollständige klassische Zustandsrekonstruktion vermeiden.

Ein verteiltes System könnte lokale Quantenzustände analysieren und nur gelernte Schaltungsparameter austauschen. Dies wäre für Quantennetzwerke, Fehlerkorrektur oder Vielteilchensysteme relevant. Die technische Umsetzung setzt jedoch zuverlässige Quantenhardware und klar definierte Schnittstellen voraus.

Bedingungen für einen Quantenvorteil

Ein Quantenvorteil kann unterschiedliche Formen annehmen: geringere Rechenzeit, weniger Trainingsdaten, geringere Kommunikation, bessere Vorhersagequalität oder die effiziente Verarbeitung von Quantendaten. Die Art des behaupteten Vorteils muss ausdrücklich benannt werden.

Ein fairer Vergleich berücksichtigt den vollständigen Prozess. Dazu gehören Datenvorbereitung, Kodierung, Schaltungsausführungen, Messwiederholungen, Optimierung, Kommunikation und Fehlerbehandlung. Ein Vorteil in einem einzelnen Rechenschritt reicht nicht aus, wenn der Gesamtprozess teurer oder ungenauer bleibt.

Anwendungsfelder

Kalibrierung von Quantenhardware

Quantenprozessoren müssen regelmäßig kalibriert werden. Steuerpulse, Resonanzfrequenzen, Kopplungen und Messparameter verändern sich durch Drift. Ein Modell kann aus historischen Kalibrierungsdaten lernen und geeignete Startwerte für neue Kalibrierungen vorschlagen.

FTL ermöglicht den Transfer zwischen mehreren Prozessoren. Ein neues Gerät könnte von Modellen profitieren, die auf älteren Prozessoren trainiert wurden. Dabei müssen gemeinsame physikalische Strukturen von gerätespezifischen Eigenschaften getrennt werden. Ein personalisiertes Modell ist meist geeigneter als ein vollständig einheitliches globales Modell.

Rauschmodellierung und Fehlerdiagnose

Fehlerdaten sind für die Entwicklung zuverlässiger Quantencomputer entscheidend. Verschiedene Labore beobachten ähnliche Fehlerarten, verwenden aber unterschiedliche Messprotokolle. Ein FTL-System könnte gemeinsame Fehlermuster lernen und lokale Diagnosesysteme verbessern.

Der Transfer muss zeitliche Veränderungen berücksichtigen. Ein Modell, das auf einem früheren Hardwarezustand basiert, kann nach einer Gerätewartung oder Temperaturänderung unbrauchbar werden. Kontinuierliche Validierung und zeitabhängige Gewichtung sind daher erforderlich.

Quantenfehlerkorrektur

Quantenfehlerkorrektur verwendet Syndrome, um Fehler zu erkennen und zu korrigieren, ohne den logischen Zustand direkt auszulesen. Maschinelle Lernmodelle können als Decoder eingesetzt werden. Ihre Leistung hängt vom zugrunde liegenden Fehlerkanal ab.

FTL kann einen auf einer Hardwareplattform trainierten Decoder auf eine verwandte Plattform übertragen. Ein gemeinsamer Kern lernt allgemeine Syndromstrukturen, während lokale Komponenten das konkrete Rauschprofil berücksichtigen. Dadurch könnte sich die erforderliche Menge neuer Trainingsdaten verringern.

Quantennetzwerke

Quantennetzwerke benötigen Verfahren für Routing, Verschränkungsverteilung, Ressourcenzuteilung und Fehlerüberwachung. Lokale Netzknoten beobachten jeweils nur einen Teil des Gesamtsystems. Ein föderiertes Modell kann diese Beobachtungen verbinden, ohne sämtliche Betriebsdaten zentral zu speichern.

Transfer Learning wird relevant, wenn Knoten unterschiedliche Hardware, Kanäle oder Aufgaben besitzen. Wissen aus einem stabilen Netzabschnitt kann auf einen neuen oder schwach beobachteten Abschnitt übertragen werden. Langfristig könnten auch quantenmechanische Ressourcen selbst Teil des Lernprotokolls werden.

Quantensensorik

Quantensensoren messen Magnetfelder, elektrische Felder, Zeit, Beschleunigung oder Gravitation mit hoher Empfindlichkeit. Verteilte Sensoren arbeiten häufig unter unterschiedlichen Umweltbedingungen. Lokale Modelle müssen Drift, Temperatur und Störquellen berücksichtigen.

FTL kann gemeinsame Signalstrukturen lernen und zugleich lokale Anpassungen erhalten. Ein Sensornetzwerk könnte dadurch neue Knoten schneller kalibrieren oder seltene Ereignisse zuverlässiger erkennen. Die Rohdaten können aus Sicherheits- oder Bandbreitengründen lokal bleiben.

Materialwissenschaft und Quantenchemie

Material- und Molekülforschung kombiniert theoretische Modelle, Simulationen und Experimente. Die Datenbestände sind oft klein, teuer und proprietär. FTL kann Wissen zwischen Molekülklassen, Materialfamilien und Messmethoden übertragen.

Hybride quantenklassische Modelle könnten dabei als spezialisierte Komponenten eingesetzt werden. Sie müssen jedoch mit leistungsfähigen klassischen Verfahren verglichen werden. Gerade in der Quantenchemie existieren bereits sehr starke klassische Näherungs- und Lernmethoden.

Hochenergiephysik

Teilchenphysikalische Experimente erzeugen große Datenmengen, doch seltene Ereignisklassen bleiben schwer zu erfassen. Simulationen liefern zusätzliche Trainingsdaten, stimmen aber nicht vollkommen mit realen Detektoren überein.

FTL kann den Transfer zwischen Simulation und Messung sowie zwischen verschiedenen Detektoren unterstützen. Quantenmodelle könnten für ausgewählte Klassifikations- oder Anomalieaufgaben untersucht werden. Ein Einsatz ist nur dann gerechtfertigt, wenn er gegenüber klassischen Baselines einen nachvollziehbaren Zusatznutzen zeigt.

Technische Grenzen und offene Forschungsfragen

Nicht identisch verteilte Daten

Föderierte Daten sind fast immer heterogen. In der Quantentechnologie entstehen Unterschiede durch Hardware, Umweltbedingungen, Messprotokolle und lokale Auswahlkriterien. Die Daten sind weder unabhängig noch identisch verteilt.

Dadurch bewegen sich lokale Modelle während des Trainings in unterschiedliche Richtungen. Eine einfache Aggregation kann ein globales Modell erzeugen, das für keinen Teilnehmer optimal ist. Personalisierung, Clusterbildung und transferabhängige Gewichtung sind deshalb zentrale Forschungsbereiche.

Inkompatible Modellarchitekturen

FTL soll Wissen gerade dann übertragen, wenn Modelle nicht vollständig identisch sind. Für klassische neuronale Netze stehen dafür Distillation, Adapter und Repräsentationsabgleich zur Verfügung. Bei Quantenschaltungen kommen zusätzliche Einschränkungen hinzu.

Unterschiedliche Qubit-Zahlen, Kopplungsgraphen und Gattermengen verhindern die direkte Übernahme vieler Parameter. Selbst mathematisch ähnliche Schaltungen können sich unter realem Hardwarefehler unterschiedlich verhalten. Gesucht werden daher hardwareunabhängige Transferobjekte, etwa logische Schaltungsblöcke, beobachtbare Funktionen oder komprimierte Verhaltensbeschreibungen.

Rauschen und Dekohärenz

Gegenwärtige Quantenprozessoren sind fehleranfällig. Gatter, Messungen und Zustandspräparation liefern keine perfekten Ergebnisse. Dekohärenz begrenzt die nutzbare Schaltungstiefe. Zusätzlich ändern sich Fehlerprofile mit der Zeit.

Im föderierten Training können sich lokale Fehler gegenseitig überlagern. Ein Teilnehmer übermittelt möglicherweise Parameter, die vor allem sein eigenes Rauschprofil kompensieren. Werden sie global gemittelt, verschlechtern sie andere Modelle. Rauschbewusste Aggregation muss deshalb zwischen physikalisch übertragbarem Wissen und lokaler Fehleranpassung unterscheiden.

Barren Plateaus

Parametrisierte Quantenschaltungen können Trainingslandschaften aufweisen, in denen Gradienten mit wachsender Systemgröße extrem klein werden. Dieses Phänomen wird als Barren Plateau bezeichnet. In solchen Bereichen benötigt die Optimierung sehr viele Messungen, um eine verwertbare Richtung zu erkennen.

Föderation löst dieses Problem nicht. Unterschiedliche lokale Gradienten und Messrauschen können die Aggregation zusätzlich erschweren. Gegenmaßnahmen sind problemangepasste Schaltungen, flache Ansätze, lokale Kostenfunktionen, geeignete Initialisierung und schrittweises Training.

Kommunikationsaufwand

Federated Learning reduziert die Übertragung von Rohdaten, erzeugt aber wiederholte Modellkommunikation. Bei vielen Trainingsrunden kann der Gesamtaufwand erheblich sein. Quantenmodelle besitzen teilweise wenige Parameter, benötigen dafür aber viele lokale Messungen.

Der optimale Entwurf hängt davon ab, welche Ressource knapp ist. Bei langsamen Netzwerken sind mehr lokale Trainingsschritte sinnvoll. Bei instabiler Quantenhardware können häufigere Aggregationen helfen, bevor das lokale Modell zu stark driftet. Eine allgemeingültige Einstellung existiert nicht.

Fehlende Benchmarks

Für quantengestütztes FTL fehlen einheitliche Vergleichsgrundlagen. Studien verwenden unterschiedliche Datensätze, Schaltungen, Simulatoren, Rauschmodelle und klassische Baselines. Dadurch sind Ergebnisse schwer vergleichbar.

Ein belastbarer Benchmark sollte mehrere Formen der Heterogenität enthalten: unterschiedliche Datenverteilungen, Merkmalsräume, Aufgaben, Qubit-Zahlen und Hardwarefehler. Er sollte außerdem reine klassische FTL-Modelle, hybride Modelle und vollständig quantenbasierte Varianten unter identischen Bedingungen vergleichen.

Simulatoren und reale Hardware

Quantensimulatoren liefern kontrollierbare Bedingungen und ermöglichen die Untersuchung größerer Varianten. Sie bilden jedoch nicht alle Eigenschaften realer Hardware ab. Ergebnisse auf idealen Simulatoren dürfen deshalb nicht als Nachweis praktischer Leistungsfähigkeit gelten.

Reale Hardwaretests müssen die verwendeten Geräte, Kalibrierungsstände, Messzahlen und Fehlerreduktionsverfahren dokumentieren. Da Cloud-Quantenprozessoren sich im Zeitverlauf verändern, ist eine vollständige Reproduktion dennoch schwierig.

Nachweis eines praktischen Vorteils

Ein quantengestütztes FTL-System muss mehr leisten als die technische Demonstration einer föderierten Quantenschaltung. Es muss zeigen, dass der Quantenanteil für das eigentliche Problem relevant ist.

Geeignete Erfolgskriterien sind Zielgenauigkeit, benötigte Datenmenge, Zahl der Kommunikationsrunden, Trainingszeit, Energiebedarf, Robustheit und Datenschutz. Eine Verbesserung in einem Kriterium kann durch Nachteile in anderen Kriterien aufgehoben werden.

Offene Forschungsfragen

Ungeklärt ist, welche Wissensbestandteile sich zuverlässig zwischen verschiedenen Quantenplattformen übertragen lassen. Ebenso offen ist, wie Transferqualität gemessen werden kann, ohne lokale Validierungsdaten offenzulegen. Weitere Fragen betreffen sichere Aggregation bei heterogenen Modellen, die Erkennung negativen Transfers und die Trennung von Hardwarefehlern und physikalisch relevanten Merkmalen.

Langfristig stellt sich die Frage, ob quantenmechanische Kommunikation selbst einen Vorteil für FTL erzeugen kann. Denkbar sind Protokolle mit verschränkten Ressourcen oder direkter Verarbeitung verteilter Quantendaten. Solche Ansätze liegen jedoch deutlich jenseits der meisten heutigen praktischen Systeme.

Klassisches und quantengestütztes FTL im Vergleich

Gemeinsame Prinzipien

Beide Ansätze halten Rohdaten grundsätzlich lokal, übertragen Modellwissen und müssen heterogene Datenverteilungen beherrschen. Beide sind Angriffen auf Modellupdates ausgesetzt und benötigen klare Vertrauensmodelle. Auch negativer Transfer ist kein spezifisches Quantenproblem, sondern eine grundlegende Schwierigkeit jeder Transferarchitektur.

Zusätzliche Anforderungen quantenbasierter Systeme

Quantengestütztes FTL benötigt eine Datenkodierung, wiederholte Schaltungsausführungen und eine hybride Optimierung. Hardwarefehler und begrenzte Kohärenzzeiten beeinflussen das Training. Die Aggregation kann durch periodische Parameter, unterschiedliche Schaltungstopologien und gerätespezifische Kompilation erschwert werden.

Demgegenüber verfügen klassische FTL-Verfahren über reifere Software, größere Modelle, erprobte Sicherheitsprotokolle und etablierte Vergleichsmethoden. Sie bilden deshalb den notwendigen Ausgangspunkt für jede Bewertung.

Sachliche Bewertung

Ein Quantenmodell ist nicht automatisch besser, nur weil es einen hochdimensionalen Zustandsraum verwendet. Der Nutzen hängt von Aufgabe, Kodierung, Schaltung, Hardware und Trainingsverfahren ab. Für viele aktuelle Anwendungen wird ein klassisches FTL-System wirtschaftlicher und zuverlässiger sein.

Quantengestütztes FTL ist dann sinnvoll, wenn quantenbasierte Komponenten eine klar begründete Funktion übernehmen. Das kann die direkte Verarbeitung von Quantendaten, eine geeignete Quantenmerkmalsabbildung oder ein nachgewiesener Vorteil bei einer konkreten Optimierungsaufgabe sein.

Entwicklungsperspektiven

Kurzfristige Entwicklung

Kurzfristig werden hybride Systeme dominieren. Klassische Rechner übernehmen Datenaufbereitung, Kommunikation und Optimierung. Kleine Quantenschaltungen dienen als lokale Modellkomponenten. Die föderierte Infrastruktur bleibt klassisch.

Wichtige Fortschritte sind bei personalisierten Modellen, hardwarebewusster Aggregation und Knowledge Distillation zu erwarten. Ebenso notwendig sind standardisierte Benchmarks, die reale Rauschbedingungen und starke klassische Vergleichsmodelle einbeziehen.

Mittelfristige Entwicklung

Mit leistungsfähigeren Prozessoren können größere gemeinsame Schaltungsblöcke föderiert trainiert werden. Automatische Verfahren könnten bestimmen, welche Teile eines Quantenmodells übertragbar sind. Adapter und Hypernetzwerke könnten Parameter für unterschiedliche Hardwaretopologien erzeugen.

Auch die Verbindung von FTL mit Fehlerreduktion und dynamischer Kalibrierung dürfte an Bedeutung gewinnen. Das Lernsystem müsste dann nicht nur die Zielaufgabe, sondern auch den aktuellen Zustand der Hardware berücksichtigen.

Langfristige Entwicklung

Langfristig könnten verteilte Quantenrechner und Quantennetzwerke eine neue Klasse föderierter Lernsysteme ermöglichen. Teilnehmer würden nicht nur klassische Parameter, sondern quantenmechanische Zustände oder verschränkte Ressourcen verwenden. Dadurch könnten Aufgaben bearbeitet werden, die sich klassisch nur schwer darstellen lassen.

Diese Perspektive setzt fehlertolerante Quantencomputer, zuverlässige Quantenspeicher und skalierbare Netzwerke voraus. Sie ist daher klar von heutigen hybriden Prototypen zu trennen.

Voraussetzungen für praktische Relevanz

Praktische Systeme benötigen stabile Schnittstellen, reproduzierbare Trainingsverfahren, klare Datenschutzmodelle und wirtschaftlich vertretbare Betriebskosten. Der Nutzen muss in einem End-to-End-Vergleich nachgewiesen werden. Dazu gehört auch die Frage, ob derselbe Effekt durch ein besseres klassisches Modell erreicht werden kann.

Die entscheidende Entwicklung wird daher nicht allein von größeren Quantenprozessoren abhängen. Ebenso wichtig sind bessere Transferalgorithmen, geeignete Datensätze, sichere Protokolle und eine realistische Bewertung aller Ressourcen.

Fazit

Federated Transfer Learning adressiert ein zentrales Problem datengetriebener Forschung: Wertvolles Wissen ist über verschiedene Organisationen verteilt, während Daten, Merkmale und Aufgaben nicht ausreichend übereinstimmen. FTL überträgt deshalb nicht einfach ein gemeinsames Modell, sondern sucht nach Wissen, das trotz unterschiedlicher Domänen nutzbar bleibt.

Für die Quantentechnologie ist dieser Ansatz besonders relevant. Quantenhardware ist heterogen, Experimente sind teuer und Datenbestände häufig klein oder vertraulich. FTL kann Simulationen mit realen Messungen verbinden, Kalibrierungswissen zwischen Prozessoren übertragen, Fehlerdecoder an neue Systeme anpassen und verteilte Quantensensoren unterstützen.

Der realistische kurzfristige Weg führt über hybride quantenklassische Architekturen. Klassische Systeme übernehmen Kommunikation, Sicherheit und einen großen Teil der Datenverarbeitung. Parametrisierte Quantenschaltungen werden dort eingesetzt, wo sie eine klar definierte Funktion erfüllen. Vollständig quantenbasierte Föderationen und der Austausch echter Quantendaten bleiben langfristige Forschungsziele.

Entscheidend ist die sachliche Bewertung. Lokale Datenhaltung garantiert noch keinen Datenschutz. Eine Quantenschaltung garantiert noch keinen Quantenvorteil. Eine erfolgreiche Demonstration auf einem Simulator garantiert noch keine praktische Skalierbarkeit. Quantengestütztes FTL ist nur dann überzeugend, wenn es unter realistischen Bedingungen gegenüber starken klassischen Verfahren einen reproduzierbaren Zusatznutzen erreicht.

Der wissenschaftliche Wert des Ansatzes liegt somit nicht in der bloßen Verbindung moderner Begriffe. Er liegt in der Möglichkeit, verteiltes Wissen über physikalische, technische und organisatorische Grenzen hinweg nutzbar zu machen. Ob daraus ein grundlegender Vorteil entsteht, entscheidet sich an messbarer Leistung, belastbarer Sicherheit und vollständiger Kostenbetrachtung.

Mit freundlichen Grüßen Jörg-Owe Schneppat

Anhang

Wissenschaftliche Zeitschriften und Artikel

Die folgenden Veröffentlichungen bilden die wissenschaftliche Grundlage für eine Abhandlung über Federated Transfer Learning im Umfeld der Quantentechnologie. Die Auswahl unterscheidet zwischen grundlegender Primärliteratur zu föderiertem Lernen und Transfer Learning, spezialisierten Arbeiten zu Quantum Transfer Learning und Quantum Federated Learning sowie ergänzenden Veröffentlichungen zu Datenschutz, Sicherheit und Trainierbarkeit. Da sich quantengestütztes Federated Transfer Learning noch in einer frühen Forschungsphase befindet, muss die Verbindung dieser Teilgebiete aus mehreren wissenschaftlichen Literatursträngen hergeleitet werden.

Grundlegende Primärliteratur zu Federated Transfer Learning

  • Yang Liu, Yan Kang, Chaoping Xing, Tianjian Chen und Qiang Yang: A Secure Federated Transfer Learning Framework, IEEE Intelligent Systems, Band 35, Ausgabe 4, 2020.
    • Diese Arbeit gehört zur grundlegenden Primärliteratur des Federated Transfer Learning. Sie beschreibt ein Verfahren, mit dem Wissen zwischen Parteien übertragen werden kann, deren Datensätze nur geringe Überschneidungen bei Merkmalen und Datenobjekten besitzen. Die Veröffentlichung eignet sich als Hauptquelle für die Definition von FTL, die Beschreibung der Systemarchitektur und die Einordnung sicherer Mehrparteienprotokolle.
  • Qiang Yang, Yang Liu, Tianjian Chen und Yongxin Tong: Federated Machine Learning: Concept and Applications, ACM Transactions on Intelligent Systems and Technology, Band 10, Ausgabe 2, 2019.
    • Die Veröffentlichung ordnet horizontales Federated Learning, vertikales Federated Learning und Federated Transfer Learning in ein gemeinsames Begriffs- und Architekturmodell ein. Sie ist besonders geeignet, um FTL von anderen Formen des föderierten Lernens abzugrenzen und die Voraussetzungen für die Zusammenarbeit verteilter Datenhalter zu erklären.
  • 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 AISTATS, PMLR Band 54, 2017.
    • Diese Primärarbeit führte Federated Averaging als grundlegenden Aggregationsansatz für verteilte neuronale Netze ein. Sie ist für die Abhandlung wichtig, weil viele klassische und quantenbasierte föderierte Lernsysteme auf einer Variante dieses Verfahrens aufbauen. Die Quelle kann zur Darstellung lokaler Trainingsrunden, gewichteter Modellaggregation und nicht identisch verteilter Daten verwendet werden.
  • Sinno Jialin Pan und Qiang Yang: A Survey on Transfer Learning, IEEE Transactions on Knowledge and Data Engineering, Band 22, Ausgabe 10, 2010.
    • Diese grundlegende Übersicht systematisiert Transfer Learning anhand von Quelldomänen, Zieldomänen, Quellaufgaben und Zielaufgaben. Sie liefert das begriffliche Fundament für die Unterscheidung zwischen induktivem, transduktivem und unüberwachtem Transfer Learning. In einer FTL-Abhandlung kann sie zur Erklärung positiver und negativer Wissensübertragung sowie zur formalen Einordnung von Domänenunterschieden eingesetzt werden.
  • Shreya Sharma, Chaoping Xing, Yang Liu und Yan Kang: Secure and Efficient Federated Transfer Learning, arXiv, 2019.
    • Die Arbeit untersucht den hohen kryptografischen Rechenaufwand früher FTL-Protokolle und schlägt effizientere Verfahren auf Grundlage sicherer Mehrparteienberechnung und Secret Sharing vor. Sie ist Spezialliteratur für die Diskussion praktischer Sicherheitsprotokolle, böswilliger Teilnehmer sowie des Zielkonflikts zwischen Datenschutz, Kommunikation und Rechenzeit. Da es sich um einen Preprint handelt, sollte die Quelle entsprechend gekennzeichnet werden.
  • Mengchu Li, Ye Tian, Yang Feng und Yi Yu: Federated Transfer Learning with Differential Privacy, arXiv, 2024.
    • Diese Arbeit verbindet den Wissenstransfer aus mehreren heterogenen Quelldatensätzen mit formalen Differential-Privacy-Mechanismen. Sie eignet sich zur Untersuchung der Frage, wie FTL über die bloße Lokalität der Daten hinaus einen mathematisch definierten Datenschutz erhalten kann. Relevant ist sie außerdem für die Bewertung des Zielkonflikts zwischen Schutzstärke und Modellleistung. Die Veröffentlichung ist als Preprint zu behandeln.

Spezialisierte Arbeiten zu Quantum Transfer Learning und Quantum Federated Learning

  • Andrea Mari, Thomas R. Bromley, Josh Izaac, Maria Schuld und Nathan Killoran: Transfer Learning in Hybrid Classical-Quantum Neural Networks, Quantum, Band 4, Artikel 340, 2020.
    • Diese Primärarbeit überträgt das Konzept des Transfer Learning auf hybride Modelle aus klassischen neuronalen Netzen und parametrisierten Quantenschaltungen. Im Mittelpunkt steht eine Architektur, bei der ein klassisch vortrainiertes Modell Merkmale extrahiert und eine kleine Quantenschaltung die Zielaufgabe übernimmt. Die Quelle ist zentral für die Erklärung von Quantum Transfer Learning und für die Ableitung hybrider FTL-Architekturen.
  • Samuel Yen-Chi Chen und Shinjae Yoo: Federated Quantum Machine Learning, Entropy, Band 23, Ausgabe 4, Artikel 460, 2021.
    • Die Veröffentlichung gehört zu den frühen Arbeiten über das föderierte Training hybrider quantenklassischer Modelle. Sie demonstriert, wie lokale Quantum Neural Networks beziehungsweise hybride Modelle trainiert und ihre Parameter föderiert aggregiert werden können. Die Arbeit eignet sich als Primärquelle für die Abgrenzung von Quantum Federated Learning gegenüber klassischem FTL und für die Beschreibung föderierter Quantenschaltungsparameter.
  • Mahdi Chehimi und Walid Saad: Quantum Federated Learning with Quantum Data, IEEE International Conference on Acoustics, Speech and Signal Processing, 2022.
    • Diese Primärarbeit behandelt ein föderiertes Lernsystem, das nicht nur quantenbasierte Modelle, sondern ausdrücklich Quantendaten berücksichtigt. Sie ist für die langfristige Perspektive eines quantengestützten FTL relevant, bei dem verteilte Quantenzustände lokal verarbeitet werden und gemeinsames Wissen über Schaltungsparameter übertragen wird. Die Quelle unterstützt die klare Trennung zwischen FTL mit klassischen Daten und föderiertem Lernen mit genuinen Quantendaten.
  • 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, 2024.
    • Die Arbeit untersucht Quantum Federated Learning sowohl über klassische Kommunikationsnetze als auch über zukünftige Quantennetzwerke. Sie ist besonders hilfreich für die Darstellung von Netzwerkarchitekturen, Sicherheitsmodellen, Kommunikationsressourcen und der Frage, wann ein Quantennetzwerk tatsächlich erforderlich ist. Für eine FTL-Abhandlung dient sie als Spezialliteratur zur langfristigen Infrastruktur verteilter quantenbasierter Lernsysteme.
  • Marcello Benedetti, Erika Lloyd, Stefan Sack und Mattia Fiorentini: Parameterized Quantum Circuits as Machine Learning Models, Quantum Science and Technology, Band 4, Artikel 043001, 2019.
    • Diese Übersichtsarbeit erläutert parametrisierte Quantenschaltungen als trainierbare Modelle. Sie behandelt Datenkodierung, Schaltungsaufbau, Optimierung und typische Einsatzfelder. Für die Abhandlung ist sie Grundlagenliteratur zur technischen Funktionsweise lokaler Quantum Neural Networks, deren Parameter in einem quantengestützten FTL-System trainiert oder übertragen werden können.
  • Maria Schuld und Nathan Killoran: Quantum Machine Learning in Feature Hilbert Spaces, Physical Review Letters, Band 122, Artikel 040504, 2019.
    • Die Veröffentlichung stellt den Zusammenhang zwischen quantenmechanischen Merkmalsräumen und klassischen Kernelmethoden her. Sie ist relevant, wenn FTL nicht durch direkte Parameteraggregation, sondern über gemeinsame Merkmalsabbildungen oder Quantenkernel realisiert werden soll. Die Quelle kann zur Erklärung quantenbasierter Repräsentationsräume und zur kritischen Einordnung möglicher Vorteile solcher Abbildungen verwendet werden.

Hintergrundliteratur zu Sicherheit, Datenschutz und Trainierbarkeit

  • Keith Bonawitz et al.: Practical Secure Aggregation for Privacy-Preserving Machine Learning, Proceedings of the ACM SIGSAC Conference on Computer and Communications Security, 2017.
    • Diese Primärarbeit beschreibt ein praktisch einsetzbares Protokoll zur sicheren Aggregation hochdimensionaler Modellupdates. Der Server erhält dabei das Gesamtergebnis, ohne die einzelnen Beiträge der Teilnehmer offenzulegen. Die Veröffentlichung ist für den Sicherheitsabschnitt einer FTL-Abhandlung wichtig, weil lokale Datenhaltung allein keine Vertraulichkeit der Modellupdates garantiert.
  • Cynthia Dwork, Frank McSherry, Kobbi Nissim und Adam Smith: Calibrating Noise to Sensitivity in Private Data Analysis, Theory of Cryptography Conference, Springer, 2006.
    • Diese grundlegende Arbeit gehört zur Primärliteratur der Differential Privacy. Sie erklärt, wie kontrolliertes Rauschen anhand der Sensitivität einer Berechnung kalibriert werden kann. Für FTL ist sie relevant, wenn Modellupdates oder übertragene Repräsentationen mit formalen Datenschutzgarantien versehen werden sollen.
  • M. Cerezo et al.: Variational Quantum Algorithms, Nature Reviews Physics, Band 3, 2021.
    • Die Übersichtsarbeit beschreibt Aufbau, Optimierung und Einsatz variationaler Quantenalgorithmen. Sie behandelt zugleich zentrale Schwierigkeiten wie Trainierbarkeit, Genauigkeit und Ressourceneffizienz. Für quantengestütztes FTL liefert sie den fachlichen Hintergrund zu hybriden Optimierungsschleifen und zu den Grenzen gegenwärtiger Quantenhardware.
  • Jarrod R. McClean, Sergio Boixo, Vadim N. Smelyanskiy, Ryan Babbush und Hartmut Neven: Barren Plateaus in Quantum Neural Network Training Landscapes, Nature Communications, Band 9, Artikel 4812, 2018.
    • Diese Primärarbeit beschreibt das Problem verschwindender Gradienten in bestimmten parametrisierten Quantenschaltungen. Sie ist für die kritische Bewertung quantengestützter FTL-Systeme unverzichtbar, da föderierte Aggregation eine schlecht trainierbare lokale Quantenschaltung nicht automatisch verbessert. Die Quelle kann zur Erläuterung von Skalierungs- und Optimierungsgrenzen verwendet werden.
  • Samson Wang et al.: Noise-Induced Barren Plateaus in Variational Quantum Algorithms, Nature Communications, Band 12, Artikel 6961, 2021.
    • Die Arbeit zeigt, dass Hardware- und Schaltungsrauschen selbst bei grundsätzlich trainierbaren Ansätzen verschwindende Gradienten verursachen kann. Sie ist Spezialliteratur für die Bewertung föderierter Quantenschaltungen auf realer Hardware, weil unterschiedliche lokale Rauschprofile die Aggregation und den Wissenstransfer erheblich beeinflussen können.
  • John Preskill: Quantum Computing in the NISQ Era and Beyond, Quantum, Band 2, Artikel 79, 2018.
    • Preskill prägt in dieser Arbeit den Begriff der Noisy-Intermediate-Scale-Quantum-Ära und beschreibt die Möglichkeiten und Grenzen fehleranfälliger Quantenprozessoren. Die Veröffentlichung eignet sich zur realistischen Einordnung hybrider FTL-Systeme und zur Unterscheidung kurzfristig umsetzbarer Experimente von langfristigen fehlertoleranten Quantenarchitekturen.

Bücher und Monographien

Bücher und wissenschaftliche Monographien dienen vor allem der systematischen Erarbeitung des theoretischen Hintergrunds. Für Federated Transfer Learning im Bereich der Quantentechnologie ist eine Kombination aus Literatur über föderiertes Lernen, Transfer Learning, maschinelles Lernen, Quanteninformation und Quantum Machine Learning erforderlich. Die folgenden Werke sind nicht alle unmittelbar auf FTL ausgerichtet, decken jedoch die notwendigen Grundlagen und methodischen Zusammenhänge zuverlässig ab.

Standardwerke zu Federated Learning und maschinellem Lernen

  • Qiang Yang, Yang Liu, Yong Cheng, Yan Kang, Tianjian Chen und Han Yu: Federated Learning, Morgan & Claypool Publishers, 2020.
    • Die Monographie bietet eine strukturierte Einführung in horizontales, vertikales und transferorientiertes Federated Learning. Ein eigenes Kapitel behandelt Federated Transfer Learning. Das Werk eignet sich als zentrale Sekundärquelle für Begriffe, Architekturen, Datenschutztechniken und typische Anwendungsszenarien.
  • 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 Forschungsmonographie fasst den Stand des Federated Learning zusammen und analysiert offene Fragen zu Datenheterogenität, Kommunikation, Personalisierung, Datenschutz, Fairness und Sicherheit. Sie eignet sich besonders zur kritischen Bewertung der Grenzen, die auch bei quantengestütztem FTL bestehen bleiben.
  • Ian Goodfellow, Yoshua Bengio und Aaron Courville: Deep Learning, MIT Press, 2016.
    • Das Werk ist ein Standardbuch zu neuronalen Netzen, Repräsentationslernen, Regularisierung und Optimierung. Es liefert den klassischen Hintergrund für Feature Extractors, Fine-Tuning und hybride Architekturen. In einer FTL-Abhandlung sollte es vor allem für allgemeine Konzepte des tiefen Lernens genutzt werden, nicht als Primärquelle für Federated Learning.
  • Cynthia Dwork und Aaron Roth: The Algorithmic Foundations of Differential Privacy, Now Publishers, 2014.
    • Diese Monographie bietet eine mathematisch fundierte Einführung in Differential Privacy, Sensitivität, Datenschutzbudgets und grundlegende Mechanismen. Sie ist Hintergrundliteratur für den Sicherheitsabschnitt und hilft, formale Datenschutzgarantien von unspezifischen Aussagen über Datenlokalität oder technisches Rauschen abzugrenzen.

Standardwerke zur Quanteninformation

  • Michael A. Nielsen und Isaac L. Chuang: Quantum Computation and Quantum Information, 10th Anniversary Edition, Cambridge University Press, 2010.
    • Dieses Standardwerk behandelt Qubits, Quantengatter, Messungen, Verschränkung, Quantenalgorithmen, Fehlerkorrektur und Quantenkommunikation. Es sollte für alle physikalischen und informationstheoretischen Grundlagen herangezogen werden, die einem quantengestützten FTL-System zugrunde liegen. Das Buch ist keine FTL-Quelle, bildet aber die maßgebliche Grundlage für die korrekte Darstellung quantenmechanischer Rechenmodelle.
  • Maria Schuld und Francesco Petruccione: Machine Learning with Quantum Computers, 2. Auflage, Springer, 2021.
    • Das Buch verbindet Grundlagen des maschinellen Lernens mit Quanteninformationsverarbeitung und berücksichtigt ausdrücklich Entwicklungen des Near-Term Quantum Machine Learning. Es eignet sich zur Erklärung von Datenkodierung, Quantenmodellen, Quantenkerneln und hybriden Lernverfahren. Für die Abhandlung ist es eine zentrale Sekundärquelle zur methodischen Einordnung quantenbasierter Modellkomponenten.
  • Peter Wittek: Quantum Machine Learning: What Quantum Computing Means to Data Mining, Academic Press, 2014.
    • Witteks Monographie gehört zu den frühen umfassenden Darstellungen des Quantum Machine Learning. Sie ist vor allem für den historischen und konzeptionellen Hintergrund geeignet. Da sich das Forschungsfeld seit der Veröffentlichung erheblich weiterentwickelt hat, sollten Aussagen zu heutigen Hardwaremöglichkeiten stets mit aktueller Primärliteratur ergänzt werden.

Vorlesungsnotizen und Monographie-nahe Ressourcen

  • John Preskill: Lecture Notes for Physics 229 – Quantum Information and Computation, California Institute of Technology, fortlaufend gepflegte Lehrunterlagen.
    • Die Vorlesungsnotizen bieten eine anspruchsvolle und fachlich etablierte Einführung in Quanteninformation, Quantenkanäle, Fehlerkorrektur und Quantenkomplexität. Sie eignen sich zur Vertiefung physikalischer und mathematischer Grundlagen, sollten in einer Abhandlung jedoch ergänzend zu begutachteten Artikeln und Standardwerken verwendet werden.
  • Maria Schuld und Francesco Petruccione: Supervised Learning with Quantum Computers, Springer, 2018.
    • Diese Monographie konzentriert sich auf überwachtes Lernen mit Quantencomputern und behandelt die Verbindung zwischen maschinellem Lernen, Quanteninformation und datengetriebenen Quantenmodellen. Sie ist insbesondere für die Darstellung von Klassifikationsaufgaben, Datenkodierung und trainierbaren Quantenmodellen geeignet.

Online-Ressourcen und Datenbanken

Online-Ressourcen sind für dieses Thema besonders wichtig, weil Quantum Federated Learning und quantengestütztes Federated Transfer Learning dynamische Forschungsgebiete sind. Sie dienen der Recherche neuer Veröffentlichungen, der Überprüfung bibliografischer Angaben, der Suche nach Implementierungen und der Reproduktion von Experimenten. Nicht begutachtete Inhalte, Softwaredokumentationen und Preprints dürfen dabei nicht mit begutachteter Primärliteratur gleichgesetzt werden.

Fachjournale und Verlage

  • Institute of Electrical and Electronics Engineers: IEEE Xplore Digital Library, fortlaufend aktualisierte Fachdatenbank.
    • IEEE Xplore enthält zentrale Veröffentlichungen zu Federated Learning, Sicherheit, Kommunikationstechnik, Quantencomputing und Quantum Federated Learning. Die Plattform sollte zur Prüfung von Journalangaben, Konferenzversionen, Seitenzahlen und DOI-Daten verwendet werden.
  • Association for Computing Machinery: ACM Digital Library, fortlaufend aktualisierte Fachdatenbank.
    • Die ACM Digital Library ist eine zentrale Quelle für Veröffentlichungen zu verteiltem maschinellem Lernen, sicheren Mehrparteienprotokollen, Datenschutz und Systemarchitekturen. Sie eignet sich besonders zur Recherche von Konferenzbeiträgen und begutachteten Informatikartikeln.
  • Proceedings of Machine Learning Research: PMLR, fortlaufend aktualisiertes Open-Access-Archiv.
    • PMLR veröffentlicht begutachtete Beiträge wichtiger Konferenzen des maschinellen Lernens. Für FTL sind insbesondere Arbeiten zu Federated Learning, Optimierung, Domain Adaptation und verteiltem Lernen relevant. Die Plattform ermöglicht den direkten Zugriff auf Veröffentlichungsseiten und PDF-Versionen.
  • Quantum: The Open Journal for Quantum Science, fortlaufend aktualisiertes Fachjournal.
    • Quantum ist ein begutachtetes Open-Access-Journal mit Veröffentlichungen zu Quanteninformation, Quantenalgorithmen und Quantum Machine Learning. Für die Abhandlung ist es eine wichtige Quelle für Primärarbeiten zu hybriden Quantenmodellen, Transfer Learning und variationalen Algorithmen.
  • Springer Nature: Nature Portfolio und SpringerLink, fortlaufend aktualisierte Verlagsplattformen.
    • Die Plattformen enthalten begutachtete Arbeiten und Monographien zu Quantum Machine Learning, Quanteninformation, Datenschutz und verteilten Systemen. Sie sind besonders für Übersichtsarbeiten, Standardwerke und Veröffentlichungen über die Grenzen variationaler Quantenalgorithmen relevant.

Literaturdatenbanken und bibliografische Recherche

  • Cornell University: arXiv, fortlaufend aktualisiertes Preprint-Archiv.
    • arXiv ist für die Recherche aktueller Arbeiten zu FTL, Quantum Transfer Learning und Quantum Federated Learning unverzichtbar. Da viele Beiträge zunächst als Preprint erscheinen, muss bei jeder Quelle geprüft werden, ob inzwischen eine begutachtete Journal- oder Konferenzversion vorliegt. Preprints sind in der Abhandlung ausdrücklich als solche zu kennzeichnen.
  • Crossref: Metadata Search and DOI Registry, fortlaufend aktualisierte bibliografische Datenbank.
    • Crossref dient zur Kontrolle von DOI, Titel, Autoren, Veröffentlichungsjahr und Verlagsangaben. Die Datenbank ist besonders nützlich, um fehlerhafte oder unvollständige Literaturangaben vor der Übernahme in das Quellenverzeichnis zu erkennen.
  • Google: Google Scholar, fortlaufend aktualisierte wissenschaftliche Suchmaschine.
    • Google Scholar eignet sich für die breite Suche nach Veröffentlichungen, Zitationsbeziehungen und späteren Versionen eines Preprints. Automatisch erzeugte Literaturangaben können Fehler enthalten und sollten deshalb immer mit der Verlagsseite, Crossref oder der Journalversion abgeglichen werden.
  • Allen Institute for AI: Semantic Scholar, fortlaufend aktualisierte wissenschaftliche Such- und Analyseplattform.
    • Semantic Scholar unterstützt die Suche nach verwandten Arbeiten, Zitationsnetzwerken und einflussreichen Veröffentlichungen. Die Plattform ist als Recherchehilfe nützlich, ersetzt aber nicht die Prüfung der Originalveröffentlichung und ihrer bibliografischen Metadaten.

Lern- und Forschungsplattformen

  • IBM: IBM Quantum Documentation und Qiskit, fortlaufend aktualisierte Entwicklungs- und Forschungsplattform.
    • Die Dokumentation beschreibt die Erstellung, Transformation und Ausführung von Quantenschaltungen sowie den Zugriff auf IBM-Quantenprozessoren. Sie eignet sich für prototypische Implementierungen lokaler Quantenschaltungen, Hardwaretests und die Untersuchung von Kompilierungs- und Rauscheffekten. Softwaredokumentationen sollten für technische Details, nicht als Ersatz für wissenschaftliche Wirksamkeitsnachweise verwendet werden.
  • Xanadu: PennyLane Documentation, fortlaufend aktualisierte Quantum-Machine-Learning-Plattform.
    • PennyLane unterstützt differenzierbare Quantenschaltungen und ihre Integration mit klassischen Machine-Learning-Frameworks. Die Plattform eignet sich besonders für hybride Transfer-Learning-Modelle, Parameter-Shift-Gradienten, Quantenkernel und Experimente mit unterschiedlichen Simulatoren und Hardwareanbietern.
  • Google: TensorFlow Federated, fortlaufend aktualisiertes Framework für föderiertes Lernen.
    • TensorFlow Federated unterstützt Simulationen und die methodische Untersuchung föderierter Lernalgorithmen. Die Plattform kann für klassische Vergleichsmodelle, Aggregationsverfahren und experimentelle FTL-Prototypen verwendet werden. Ein quantenbasierter Zusatz muss über eigene Komponenten oder externe Quantum-Machine-Learning-Bibliotheken integriert werden.
  • Flower Labs: Flower Framework, fortlaufend aktualisierte Plattform für Federated Learning.
    • Flower ist ein frameworkunabhängiges System für die Entwicklung und Simulation föderierter Lernanwendungen. Es eignet sich für die Orchestrierung heterogener Clients und kann mit klassischen oder quantenbasierten lokalen Modellen verbunden werden. Für wissenschaftliche Arbeiten sollte die verwendete Softwareversion genau dokumentiert werden.
  • FedML: Federated Learning Research Library and Platform, fortlaufend aktualisierte Forschungsplattform.
    • FedML stellt Algorithmen, Datensätze und Infrastruktur für föderiertes Lernen bereit. Die Plattform ist für reproduzierbare Vergleichsexperimente, heterogene Teilnehmermodelle und die Untersuchung unterschiedlicher Aggregationsstrategien nützlich. Sie sollte vor allem zur Implementierung klassischer Referenzmodelle und experimenteller Erweiterungen verwendet werden.

Forschungsdaten und Reproduzierbarkeit

  • CERN und OpenAIRE: Zenodo, fortlaufend aktualisiertes Forschungsrepositorium.
    • Zenodo dient zur dauerhaften Veröffentlichung von Datensätzen, Quellcode, Modellen und ergänzenden Versuchsdaten. Für eine wissenschaftliche FTL-Arbeit ist die Plattform geeignet, um reproduzierbare Experimente zu dokumentieren und zitierbare Versionen eigener Artefakte mit DOI bereitzustellen.
  • OpenML Foundation: OpenML, fortlaufend aktualisierte Plattform für Datensätze und Machine-Learning-Experimente.
    • OpenML enthält klassische Datensätze und dokumentierte Lernaufgaben. Die Plattform kann für reproduzierbare Referenzexperimente und den Vergleich klassischer FTL-Modelle mit hybriden quantenklassischen Ansätzen genutzt werden. Die Datensätze sind jedoch nicht automatisch quantentechnologischer Natur.
  • GitHub: Software- und Versionsverwaltungsplattform, fortlaufend aktualisierte Online-Ressource.
    • GitHub ist eine wichtige Recherchequelle für Implementierungen von FTL-, QML- und QFL-Verfahren. Repositorien besitzen jedoch nicht automatisch wissenschaftliche Qualität. Vor ihrer Verwendung sollten Lizenz, Versionsstand, Testabdeckung, Dokumentation, Verbindung zu einer begutachteten Veröffentlichung und langfristige Verfügbarkeit geprüft werden.
Argonne National Laboratory (ANL)

Argonne National Laboratory (ANL)

...

Long Island Quantum Alliance (LIQA)

Long Island Quantum Alliance (LIQA)

...

Fully Quantum Federated Learning (FQFL)

Fully Quantum Federated Learning (FQFL)

...

National Quantum Initiative Act (NQIA)

National Quantum Initiative Act (NQIA)

...

Super Proton-Proton Collider (SPPC)

Super Proton-Proton Collider (SPPC)

...

Stationäre Qubits

Stationäre Qubits

...