Multimodal Quantum Federated Learning verbindet drei Forschungsgebiete, die jeweils ein zentrales Problem moderner Datenverarbeitung adressieren. Multimodales maschinelles Lernen führt Informationen aus unterschiedlichen Quellen zusammen. Federated Learning ermöglicht gemeinsames Modelltraining, ohne die zugrunde liegenden Rohdaten zentral zu sammeln. Quantum Machine Learning untersucht, wie Quantenschaltungen zur Darstellung, Verarbeitung und Klassifikation komplexer Daten eingesetzt werden können.

Die Verbindung dieser Ansätze soll Lernsysteme ermöglichen, die verteilte Bild-, Text-, Audio-, Sensor-, Genom- oder Zeitreihendaten gemeinsam auswerten, ohne dass die beteiligten Einrichtungen ihre vollständigen Datenbestände offenlegen müssen. Ein Krankenhaus könnte beispielsweise medizinische Bilder, Laborwerte und ärztliche Berichte lokal verarbeiten. Andere Kliniken könnten sich am Training beteiligen, obwohl sie andere Geräte, Patientengruppen oder verfügbare Datenmodalitäten besitzen. Das globale Modell würde aus den lokalen Lernergebnissen gebildet, nicht aus einer zentralen Patientendatenbank.

MQFL ist jedoch keine ausgereifte Standardtechnologie. Das Forschungsgebiet befindet sich in einer frühen Phase. Die meisten bekannten Konzepte verwenden kleine hybride quantenklassische Modelle, simulierte Quantenhardware und stark reduzierte Datendarstellungen. Ein allgemeiner praktischer Quantenvorteil gegenüber leistungsfähigen klassischen Verfahren ist bisher nicht nachgewiesen. Der wissenschaftliche Wert von MQFL liegt deshalb gegenwärtig vor allem in der Untersuchung neuer Modellarchitekturen, Fusionsmechanismen, Datenschutzverfahren und föderierter Trainingsmethoden.

Ausgangslage und Zielsetzung

Die Bedeutung multimodaler Daten

Reale Sachverhalte werden selten durch eine einzige Datenart vollständig beschrieben. Ein autonomes Fahrzeug erfasst seine Umgebung durch Kameras, Radar, Lidar, Ultraschallsensoren, Positionsdaten und Bewegungsinformationen. Eine medizinische Diagnose kann Bildaufnahmen, Laborwerte, genetische Merkmale, Vitaldaten und ärztliche Texte einbeziehen. Industrielle Wartungssysteme kombinieren Schwingungen, Geräusche, Temperaturen, Stromverbrauch und Wartungsprotokolle.

Jede Modalität bildet einen anderen Ausschnitt der Wirklichkeit ab. Ein Bild enthält räumliche Strukturen, zeigt aber nicht automatisch den zeitlichen Verlauf eines Vorgangs. Eine Audiospur erfasst akustische Ereignisse, liefert jedoch keine direkte Information über sichtbare Schäden. Ein Text kann Zusammenhänge beschreiben, bleibt aber von der Qualität und Vollständigkeit der Dokumentation abhängig. Multimodales Lernen versucht, diese Informationsquellen so zu verbinden, dass ihre komplementären Eigenschaften gemeinsam genutzt werden.

Die technische Herausforderung besteht nicht nur darin, mehrere Eingaben gleichzeitig zu verarbeiten. Die Daten unterscheiden sich in Struktur, Dimension, zeitlicher Auflösung, statistischer Verteilung und Informationsgehalt. Ein Bild kann aus Millionen Pixelwerten bestehen, während ein medizinischer Befund nur wenige Textabschnitte enthält. Sensordaten können fortlaufend eintreffen, während ein Laborwert nur einmal erhoben wird. Ein geeignetes Modell muss diese Unterschiede berücksichtigen und dennoch gemeinsame Beziehungen erkennen.

Warum zentrale Datenverarbeitung an Grenzen stößt

Das klassische Training großer multimodaler Modelle beruht häufig auf zentral zusammengeführten Datensätzen. Dieses Vorgehen ist technisch bequem, weil alle Daten unter einheitlicher Kontrolle vorliegen. In vielen Anwendungsfeldern ist eine solche Zentralisierung jedoch problematisch oder unmöglich.

Gesundheitsdaten unterliegen strengen rechtlichen und organisatorischen Anforderungen. Unternehmen möchten Produktionsdaten, interne Dokumente oder Kundendaten nicht an Wettbewerber oder externe Plattformbetreiber übertragen. Behörden und Forschungseinrichtungen arbeiten mit vertraulichen Informationen, deren Weitergabe eingeschränkt ist. Auch die schiere Größe kontinuierlich erzeugter Sensor- und Mediendaten kann eine zentrale Übertragung unwirtschaftlich machen.

Hinzu kommt, dass Datenhoheit nicht allein durch technische Verschlüsselung geregelt wird. Wer eine zentrale Datenplattform kontrolliert, erhält langfristig erheblichen Einfluss auf Zugriff, Modelltraining und wirtschaftliche Nutzung. Federated Learning verfolgt deshalb einen anderen Ansatz: Die Daten verbleiben grundsätzlich dort, wo sie erzeugt oder verwaltet werden. Ausgetauscht werden vor allem Modellparameter oder daraus abgeleitete Aktualisierungen.

Die Rolle des Quantencomputings

Quantum Machine Learning untersucht, ob bestimmte Eigenschaften von Quantensystemen für Lernaufgaben genutzt werden können. Dazu gehören Superposition, Verschränkung und Interferenz. In parametrisierten Quantenschaltungen werden klassische Daten in Quantenzustände eingebettet, durch trainierbare Quantengatter verarbeitet und anschließend gemessen.

Für MQFL ist vor allem die Frage relevant, ob Quantenschaltungen multimodale Beziehungen mit kompakten Modellen darstellen können. Verschränkung könnte beispielsweise genutzt werden, um Repräsentationen verschiedener Modalitäten innerhalb einer gemeinsamen Schaltung zu koppeln. Quantenkernel könnten Daten in hochdimensionale quantenmechanische Merkmalsräume abbilden. Variationale Quantenschaltungen könnten als kleine trainierbare Komponenten in einer ansonsten klassischen Architektur dienen.

Diese Möglichkeiten sind zunächst theoretische und experimentelle Ansätze. Sie bedeuten nicht automatisch, dass ein Quantenmodell genauer, schneller oder energiesparender arbeitet. Daten müssen aufwendig kodiert werden, Quantenhardware ist fehleranfällig und Messungen müssen vielfach wiederholt werden. Deshalb muss jede behauptete Verbesserung gegen eine vergleichbare klassische Lösung geprüft werden.

Leitfrage der Abhandlung

Die zentrale Frage lautet: Wie kann ein föderiertes Lernsystem multimodale Daten mithilfe quantenbasierter Modellkomponenten verarbeiten, ohne die lokalen Rohdaten zusammenzuführen, und unter welchen Bedingungen entsteht daraus ein messbarer Nutzen?

Die Antwort erfordert eine gemeinsame Betrachtung der Datenrepräsentation, der Modellarchitektur, des föderierten Trainings, der Aggregation, der Sicherheit und der realen Hardwarebedingungen. MQFL ist nicht bloß die Addition dreier Begriffe. Erst eine konsistente Systemarchitektur macht aus multimodaler Verarbeitung, Federated Learning und Quantum Machine Learning ein funktionsfähiges Gesamtverfahren.

Technische Grundlagen

Multimodales maschinelles Lernen

Eine Modalität ist eine bestimmte Form der Informationsdarstellung oder Datenerfassung. Typische Modalitäten sind Bilder, Texte, Sprache, Audio, Video, Sensormessungen, Zeitreihen, Tabellenwerte und genetische Sequenzen. Multimodales maschinelles Lernen verarbeitet mindestens zwei solcher Modalitäten innerhalb einer gemeinsamen Aufgabe.

Das Ziel kann eine Klassifikation, Regression, Vorhersage, Segmentierung, Suche oder Generierung sein. Bei einer medizinischen Klassifikation könnten Bilddaten Hinweise auf sichtbare Gewebeveränderungen liefern, während Genomdaten molekulare Merkmale abbilden. Das Modell soll nicht nur beide Eingaben getrennt bewerten, sondern Zusammenhänge zwischen ihnen nutzen.

Multimodale Systeme benötigen in der Regel modalitätsspezifische Encoder. Ein Bildencoder extrahiert räumliche Merkmale. Ein Textencoder bildet Wörter oder Textabschnitte auf numerische Repräsentationen ab. Ein Audioencoder verarbeitet Frequenz-, Zeit- oder Spektralmerkmale. Erst danach werden die erzeugten Repräsentationen zusammengeführt.

Formen der multimodalen Fusion

Bei der Early Fusion werden Rohdaten oder sehr frühe Merkmalsdarstellungen miteinander verbunden. Dieses Vorgehen erlaubt eine direkte gemeinsame Verarbeitung, setzt aber eine sinnvolle Angleichung der Daten voraus. Stark unterschiedliche Modalitäten lassen sich auf dieser Ebene häufig nur schwer kombinieren.

Bei der Intermediate Fusion verarbeitet zunächst jeder modalitätsspezifische Encoder seine eigenen Eingaben. Die daraus entstehenden Merkmalsrepräsentationen werden in einer mittleren Modellschicht verbunden. Diese Variante ist für MQFL besonders relevant, weil separate klassische oder quantenbasierte Encoder mit einer gemeinsamen quantenbasierten Fusionsschicht gekoppelt werden können.

Bei der Late Fusion erzeugt jedes Teilmodell zunächst eine eigene Vorhersage. Erst am Ende werden Wahrscheinlichkeiten, Bewertungen oder Klassenentscheidungen kombiniert. Dieses Verfahren ist robust und modular, kann aber tiefere Beziehungen zwischen den Modalitäten nur eingeschränkt erfassen.

Hybride Architekturen verbinden mehrere Fusionsstufen. Sie können frühe gemeinsame Merkmale, mittlere Repräsentationen und späte Entscheidungen gleichzeitig berücksichtigen. Der zusätzliche Modellaufwand muss jedoch durch einen nachweisbaren Leistungsgewinn gerechtfertigt sein.

Federated Learning

Federated Learning ist ein verteiltes Trainingsverfahren. Mehrere Clients besitzen jeweils lokale Datensätze und trainieren ein gemeinsames Modell, ohne ihre vollständigen Rohdaten an eine zentrale Stelle zu übertragen. Ein Client kann ein Smartphone, ein Fahrzeug, ein Krankenhaus, ein Unternehmen, ein Rechenzentrum oder eine Forschungseinrichtung sein.

Ein typischer Trainingszyklus beginnt mit einem globalen Modell. Der Server übermittelt dessen Parameter an ausgewählte Clients. Jeder Client trainiert das Modell auf seinen lokalen Daten und sendet anschließend eine Parameteraktualisierung zurück. Der Server aggregiert die empfangenen Aktualisierungen und bildet daraus eine neue globale Modellversion.

Das grundlegende Federated-Averaging-Verfahren kann durch folgende Formel beschrieben werden:

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

Dabei bezeichnet \(\theta^{(t+1)}\) den neuen globalen Parametervektor, \(\theta_k^{(t+1)}\) das lokal trainierte Modell des Clients \(k\) und \(n_k\) die Zahl seiner verwendeten Trainingsbeispiele. Clients mit größeren lokalen Datensätzen erhalten dadurch ein höheres Gewicht.

Federated Learning verhindert die zentrale Sammlung der Rohdaten, garantiert aber nicht automatisch vollständigen Datenschutz. Modellparameter und Gradienten können Informationen über lokale Trainingsbeispiele enthalten. Außerdem können manipulierte Clients fehlerhafte oder absichtlich schädliche Aktualisierungen senden.

Grundlagen des Quantum Machine Learning

Das Qubit ist die grundlegende Informationseinheit eines Quantencomputers. Ein idealisiertes Qubit kann sich in einer Überlagerung der Basiszustände befinden:

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

Die komplexen Amplituden müssen die Normierungsbedingung erfüllen:

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

Bei einer Messung in der Standardbasis wird der Zustand mit den entsprechenden Wahrscheinlichkeiten als Null oder Eins beobachtet. Eine einzelne Messung liefert daher nicht den vollständigen Quantenzustand. Für statistisch belastbare Ergebnisse sind viele Wiederholungen erforderlich.

Mehrere Qubits können verschränkt werden. Der Zustand des Gesamtsystems lässt sich dann nicht mehr als unabhängiges Produkt einzelner Qubitzustände darstellen. Diese Eigenschaft kann genutzt werden, um Abhängigkeiten zwischen kodierten Merkmalen oder Modalitäten zu modellieren. Verschränkung ist jedoch nur ein physikalischer Kopplungsmechanismus. Sie garantiert nicht, dass die erzeugte Repräsentation semantisch sinnvoll ist.

Parametrisierte Quantenschaltungen

Parametrisierte Quantenschaltungen, auch Variational Quantum Circuits genannt, enthalten Quantengatter mit trainierbaren Parametern. Eine typische Schaltung besteht aus Datenkodierung, wiederholten trainierbaren Schichten, Verschränkungsgattern und abschließenden Messungen.

Das Modell kann vereinfacht als Erwartungswert eines Messoperators dargestellt werden:

\(f(x,\theta) = \langle\psi(x,\theta)|M|\psi(x,\theta)\rangle\)

Hier bezeichnet \(x\) die klassische Eingabe, \(\theta\) die trainierbaren Schaltungsparameter, \(M\) den Messoperator und \(f(x,\theta)\) den messbaren Modellausgang.

Ein klassischer Optimierer verändert die Parameter anhand einer Verlustfunktion. Die Quantenschaltung berechnet die Modellausgabe, während die Optimierungslogik meist auf einer klassischen CPU oder GPU ausgeführt wird. Deshalb handelt es sich bei heutigen QML-Systemen überwiegend um hybride quantenklassische Verfahren.

Abgrenzung echter Quantennutzung

Ein Modell ist nicht allein deshalb quantenbasiert, weil es Begriffe wie Quantenoptimierung oder Quantengewicht verwendet. Für eine echte quantenmechanische Verarbeitung muss mindestens ein relevanter Berechnungsschritt durch eine Quantenschaltung auf einem Quantenprozessor oder einem exakten Quantensimulator beschrieben werden.

Quanteninspirierte Algorithmen verwenden mathematische Ideen aus dem Quantencomputing, laufen aber vollständig auf klassischer Hardware. Post-Quanten-Kryptografie schützt klassische Kommunikation gegen bestimmte Angriffe zukünftiger Quantencomputer. Beide Ansätze sind wichtig, dürfen jedoch nicht mit Quantum Machine Learning gleichgesetzt werden.

Quantum Federated Learning

Quantum Federated Learning überträgt das Prinzip des föderierten Trainings auf quantenbasierte oder hybride Modelle. Die Clients trainieren lokale Quantenschaltungen und übermitteln Parameter oder andere Modellinformationen an einen Aggregator. Die Rohdaten verbleiben bei den Clients.

Ein typisches QFL-System verwendet klassische Daten, die lokal in Quantenzustände kodiert werden. Die trainierbaren Parameter der Quantenschaltung übernehmen eine ähnliche Funktion wie Gewichte in einem klassischen neuronalen Netz. Nach lokalem Training werden diese Parameter klassisch übertragen und aggregiert.

Daneben existieren theoretische Szenarien mit echten Quantendaten, Quantenkommunikationskanälen oder verteilten Quantenprozessoren. Solche Systeme setzen jedoch eine Infrastruktur voraus, die gegenwärtig nur eingeschränkt verfügbar ist. Praktische QFL-Experimente arbeiten deshalb meist mit klassischen Kommunikationswegen, kleinen Quantenschaltungen und Simulatoren.

Definition und Abgrenzung von MQFL

Arbeitsdefinition

Multimodal Quantum Federated Learning bezeichnet ein föderiertes Lernsystem, in dem mehrere verteilte Teilnehmer gemeinsam ein quantenbasiertes oder hybrides quantenklassisches Modell trainieren und dabei mindestens zwei unterschiedliche Datenmodalitäten verarbeiten.

Diese Definition enthält vier notwendige Bestandteile. Erstens müssen die Daten über mehrere Teilnehmer verteilt sein. Zweitens dürfen die vollständigen lokalen Rohdaten nicht für das zentrale Training zusammengeführt werden. Drittens muss das Modell multimodale Informationen verarbeiten. Viertens muss eine relevante Modellkomponente tatsächlich durch eine Quantenschaltung dargestellt werden.

Ein klassisches multimodales Modell mit post-quantenverschlüsselter Kommunikation ist daher kein MQFL-System. Ebenso ist ein föderiertes Quantenmodell, das ausschließlich Bilddaten verarbeitet, zwar Quantum Federated Learning, aber nicht multimodal. Ein zentral trainiertes multimodales Quantenmodell erfüllt wiederum nicht das föderierte Kriterium.

Zentrale Eigenschaften

MQFL verbindet lokale Datenhoheit mit modalitätsübergreifender Modellbildung. Dabei können die Clients unterschiedliche Modalitäten besitzen. Ein Teilnehmer verfügt vielleicht über Bilder und Texte, ein anderer über Bilder und Labordaten und ein dritter nur über Sensormessungen. Das System muss entscheiden, welche Modellteile lokal trainiert werden können und wie unvollständige Aktualisierungen in das globale Modell einfließen.

Die quantenbasierte Komponente kann an verschiedenen Stellen liegen. Möglich sind Quantenschaltungen zur Merkmalsextraktion, modalitätsspezifische Quantencodierer, Quantenkernel, quantenbasierte Fusionsschichten, Quantum Neural Networks oder quantenbasierte Expertenmodelle. Die föderierte Aggregation selbst kann klassisch bleiben.

In heutigen Architekturvorschlägen ist dies der Regelfall: Datenvorverarbeitung, Kommunikation, Optimierung und Modellverwaltung erfolgen klassisch. Nur ein begrenzter Teil der lokalen Modellberechnung wird als Quantenschaltung umgesetzt.

Entwicklungsstand

MQFL ist ein junges Forschungsgebiet ohne verbindliche Referenzarchitektur. Es gibt bislang nur eine begrenzte Zahl ausdrücklich als multimodales Quantum Federated Learning bezeichnete Arbeiten. Die bisher vorgestellten Verfahren untersuchen unter anderem quantenbasierte Mixture-of-Experts-Modelle, vollständig homomorphe Verschlüsselung, Intermediate Fusion durch Verschränkung und den Umgang mit fehlenden Modalitäten.

Die Ergebnisse zeigen, dass solche Architekturen grundsätzlich trainierbar sein können. Sie belegen jedoch keinen allgemeinen Quantenvorteil. Die Experimente basieren häufig auf simulierten Quantenschaltungen, kleinen Merkmalsvektoren und begrenzten Datensätzen. Aussagen über industrielle Skalierbarkeit, reale Kosten und robuste Überlegenheit sind deshalb noch nicht möglich.

Architektur eines MQFL-Systems

Beteiligte Komponenten

Ein MQFL-System besteht mindestens aus mehreren Clients, einer Aggregationslogik und einem globalen Modell. Hinzu kommen lokale Datenverarbeitung, klassische Rechenressourcen und ein Zugriff auf Quantenhardware oder Quantensimulatoren.

Der Aggregator kann zentral organisiert sein. In diesem Fall koordiniert ein Server die Trainingsrunden, verteilt Modellparameter und führt lokale Aktualisierungen zusammen. Alternativ ist eine dezentrale Struktur möglich, bei der die Teilnehmer Aktualisierungen direkt untereinander austauschen oder eine verteilte Konsensmethode verwenden. Dezentrale Strukturen reduzieren die Abhängigkeit von einem einzelnen Server, erhöhen aber den Kommunikations- und Koordinationsaufwand.

Jeder Client benötigt eine lokale Trainingsumgebung. Diese umfasst die Datenvorverarbeitung, modalitätsspezifische Encoder, die Quantenschaltung, die Verlustberechnung und einen Optimierer. Bei Cloudzugriff auf Quantenhardware kommt eine zusätzliche externe Infrastruktur hinzu, die in das Vertrauens- und Datenschutzmodell einbezogen werden muss.

Lokale Datenvorbereitung

Direkte Quantencodierung hochauflösender Bilder, langer Texte oder umfangreicher Zeitreihen ist mit heutiger Hardware nicht praktikabel. Deshalb erfolgt zunächst eine klassische Vorverarbeitung. Bilder werden skaliert, normalisiert und durch klassische Merkmalsextraktoren verdichtet. Texte werden tokenisiert und in Einbettungsvektoren umgewandelt. Audiosignale werden beispielsweise als Spektral- oder Zeit-Frequenz-Merkmale dargestellt.

Die resultierenden Merkmalsvektoren müssen so reduziert werden, dass sie mit einer kleinen Zahl von Qubits verarbeitet werden können. Verfahren wie Hauptkomponentenanalyse, Autoencoder, Pooling oder trainierbare lineare Projektionen können diese Verdichtung übernehmen.

Dieser Schritt ist entscheidend. Wenn die klassische Vorverarbeitung bereits fast alle relevanten Informationen extrahiert, kann ein später beobachteter Leistungsgewinn nicht ohne Weiteres der Quantenschaltung zugeschrieben werden. Umgekehrt kann eine zu starke Reduktion wichtige multimodale Beziehungen zerstören, bevor die Quantenverarbeitung beginnt.

Quantum Encoding

Quantum Encoding überführt klassische Merkmale in einen Quantenzustand. Die Wahl der Kodierung beeinflusst Qubit-Bedarf, Schaltungstiefe, Ausdrucksfähigkeit und Hardwareanforderungen.

Basis Encoding

Beim Basis Encoding werden binäre Merkmale direkt Basiszuständen zugeordnet. Ein Bitwert Null entspricht beispielsweise dem Zustand \(|0\rangle\), ein Bitwert Eins dem Zustand \(|1\rangle\). Dieses Verfahren ist einfach, benötigt aber für jedes binäre Merkmal mindestens ein entsprechendes Qubit oder eine aufwendige sequenzielle Verarbeitung.

Angle Encoding

Beim Angle Encoding steuern klassische Merkmalswerte die Winkel von Rotationsgattern. Eine vereinfachte Kodierung kann durch

\(|\psi(x)\rangle = \prod_{i=1}^{q}R_y(x_i)|0\rangle^{\otimes q}\)

beschrieben werden. Dabei steht \(q\) für die Zahl der Qubits und \(R_y(x_i)\) für eine Rotation um einen aus dem Merkmal \(x_i\) abgeleiteten Winkel. Angle Encoding ist für kleine variationale Modelle geeignet, kann aber nur eine begrenzte Zahl von Merkmalen pro Kodierungsschicht aufnehmen.

Amplitude Encoding

Amplitude Encoding bildet einen normierten Merkmalsvektor auf die Amplituden eines Quantenzustands ab:

\(|x\rangle = \sum_{i=0}^{2^q-1}x_i|i\rangle\)

Theoretisch können dadurch viele Werte mit wenigen Qubits dargestellt werden. Die effiziente Vorbereitung eines beliebigen Amplitudenzustands ist jedoch schwierig. Der theoretische Speichervorteil darf deshalb nicht mit einem automatisch effizienten Gesamtsystem verwechselt werden.

Data Re-uploading

Beim Data Re-uploading werden klassische Merkmale mehrfach in aufeinanderfolgenden Schaltungsschichten eingebettet. Dadurch kann eine kleine Zahl von Qubits mehr Merkmale verarbeiten. Der Preis ist eine größere Schaltungstiefe, die auf verrauschter Hardware zu höheren Fehlern führen kann.

Modalitätsspezifische Modellpfade

Eine typische MQFL-Architektur verwendet für jede Modalität einen eigenen Verarbeitungspfad. Der Bildpfad kann einen klassischen Bildencoder und eine kleine Quantenschaltung enthalten. Der Textpfad verwendet einen Textencoder mit einer separaten Quantenschaltung. Weitere Pfade verarbeiten Audio-, Sensor- oder Genomdaten.

Die getrennten Pfade erlauben eine Spezialisierung. Sie erleichtern außerdem den Umgang mit Clients, bei denen bestimmte Modalitäten fehlen. Allerdings entstehen mehrere Parametersätze, die nicht von jedem Client aktualisiert werden können.

Eine Alternative ist eine gemeinsame Quantenschaltung, die bereits zusammengeführte klassische Repräsentationen verarbeitet. Diese Variante ist einfacher zu aggregieren, setzt aber voraus, dass alle Modalitäten vor der Quantenverarbeitung in eine einheitliche Darstellung überführt werden.

Quantenbasierte Fusion

Bei einer quantenbasierten Intermediate Fusion werden die Zustände mehrerer modalitätsspezifischer Schaltungen durch kontrollierte Gatter oder andere Verschränkungsoperationen gekoppelt. Eine allgemeine Darstellung lautet:

\(|\psi_{\mathrm{fusion}}\rangle = U_{\mathrm{ent}}\left(|\psi_1\rangle\otimes|\psi_2\rangle\otimes\cdots\otimes|\psi_m\rangle\right)\)

Dabei repräsentiert \(|\psi_i\rangle\) die kodierte Darstellung einer Modalität und \(U_{\mathrm{ent}}\) die Fusionsoperation. Anschließende Messungen liefern gemeinsame Merkmale oder Vorhersagewerte.

Der mögliche Nutzen liegt in der Darstellung komplexer Wechselwirkungen. Die Quantenschaltung kann Interferenzmuster erzeugen, die von mehreren Modalitäten gemeinsam abhängen. Ob diese Darstellung besser ist als eine klassische Fusionsschicht, muss experimentell geprüft werden.

Lokaler Trainingsablauf

Ein lokaler Trainingsdurchlauf umfasst folgende Schritte:

  1. Einlesen der lokal verfügbaren Modalitäten.
  2. Bereinigung, Normalisierung und Synchronisierung der Daten.
  3. Extraktion kompakter klassischer Merkmale.
  4. Kodierung der Merkmale in Quantenzustände.
  5. Ausführung modalitätsspezifischer Quantenschaltungen.
  6. Fusion der erzeugten Repräsentationen.
  7. Messung der relevanten Observablen.
  8. Klassische Nachverarbeitung der Messergebnisse.
  9. Berechnung der lokalen Verlustfunktion.
  10. Optimierung der trainierbaren Parameter.
  11. Übermittlung der zugelassenen Modellaktualisierungen.

Eine allgemeine lokale Verlustfunktion kann als

\(\mathcal{L}_k(\theta) = \frac{1}{n_k}\sum_{i=1}^{n_k}\ell\left(y_i,\hat y_i(x_i,\theta)\right)\)

geschrieben werden. Der Client minimiert diese Funktion auf seinem lokalen Datensatz. Das globale Ziel ergibt sich aus der gewichteten Kombination der lokalen Verluste:

\(\mathcal{L}_{\mathrm{global}}(\theta) = \sum_{k=1}^{K}\frac{n_k}{\sum_{j=1}^{K}n_j}\mathcal{L}_k(\theta)\)

Mögliche Hardwaremodelle

Im ersten Modell besitzt jeder Client Zugriff auf eigene Quantenhardware. Dies ermöglicht lokale Verarbeitung ohne Übertragung der kodierten Eingaben an einen externen QPU-Anbieter. Gegenwärtig ist diese Variante wegen Kosten, Wartungsaufwand und begrenzter Verfügbarkeit kaum realistisch.

Im zweiten Modell greifen die Clients auf einen gemeinsamen Quantum-Cloud-Dienst zu. Die lokale Software sendet Schaltungsbeschreibungen und möglicherweise kodierte Merkmale an den Dienst. Dadurch entstehen zusätzliche Datenschutz- und Vertrauensfragen. Selbst wenn die Rohdaten nicht direkt übertragen werden, können Schaltungsparameter oder Eingabewinkel sensible Informationen enthalten.

Im dritten Modell werden die Quantenschaltungen klassisch simuliert. Dies ist für Forschung, Fehlersuche und reproduzierbare Experimente geeignet. Eine Simulation erzeugt jedoch keinen praktischen Quantenbeschleunigungseffekt und skaliert bei wachsender Qubit-Zahl exponentiell.

Das gegenwärtig realistischste Modell ist eine hybride Architektur aus klassischen Encodern, kleinen simulierten oder cloudbasierten Quantenschaltungen, klassischer Optimierung und klassischer föderierter Aggregation.

Multimodale Heterogenität und fehlende Modalitäten

Heterogene Datenverteilungen

Federated Learning arbeitet selten mit gleichmäßig verteilten Daten. Krankenhäuser behandeln unterschiedliche Bevölkerungsgruppen. Fahrzeuge bewegen sich in verschiedenen Regionen. Produktionsanlagen verwenden abweichende Maschinen und Sensoren. Die lokalen Datensätze sind daher nicht identisch und unabhängig verteilt.

Diese Non-IID-Verteilung kann mehrere Formen annehmen. Bei Label-Skew unterscheiden sich die Klassenhäufigkeiten. Ein Krankenhaus behandelt möglicherweise besonders viele Fälle einer bestimmten Erkrankung. Bei Feature-Skew unterscheiden sich die Eingabemerkmale, etwa aufgrund verschiedener Geräte oder Messverfahren. Bei Quantity-Skew besitzen die Clients stark unterschiedliche Datenmengen.

Multimodale Systeme erweitern diese Probleme um Modality-Skew. Nicht jeder Client besitzt dieselben Modalitäten. Selbst wenn zwei Clients beide Bilddaten verwenden, können Auflösung, Aufnahmeprotokoll und Bildqualität voneinander abweichen.

Vollständig fehlende Modalitäten

Eine Modalität kann bei einem Client vollständig fehlen. Eine Klinik besitzt möglicherweise MRT-Bilder und Befundtexte, aber keine Genomdaten. Ein Fahrzeug verfügt über Kameras und Radar, aber nicht über Lidar. Das lokale Modell kann die fehlende Modalität weder auswerten noch deren spezifische Quantenschaltung sinnvoll trainieren.

Würde der Client dennoch beliebige oder unveränderte Parameter für diesen Modellteil übertragen, könnte die globale Aggregation verfälscht werden. Deshalb müssen Aktualisierungen modalitätsspezifisch markiert werden. Der Server darf nur jene Parameter aggregieren, die auf tatsächlich vorhandenen Daten trainiert wurden.

Teilweise fehlende oder beschädigte Modalitäten

Eine Modalität kann auch nur für einen Teil der lokalen Beispiele fehlen. Sensoren fallen zeitweise aus, Texte sind unvollständig, Bilder beschädigt oder Laborwerte nicht für alle Personen verfügbar. Das Modell muss dann entscheiden, ob unvollständige Beispiele ausgeschlossen, rekonstruiert oder mit einer speziellen Maskierung verarbeitet werden.

Rekonstruktionsverfahren können fehlende Repräsentationen aus vorhandenen Modalitäten schätzen. Dies ist jedoch nur sinnvoll, wenn ausreichend starke statistische Beziehungen bestehen. Eine rekonstruierte Modalität ist keine echte Messung. Besonders in medizinischen Anwendungen darf eine Schätzung nicht als gleichwertiger Ersatz für eine tatsächlich erhobene Information behandelt werden.

Modality-Agnostic Training

Ein modality-agnostischer Mechanismus isoliert Modellteile, die bei einem Client nicht trainiert werden können. Nur die verfügbaren modalitätsspezifischen Schaltungen und gemeinsamen Fusionsparameter werden aktualisiert. Fehlende Pfade bleiben lokal unverändert und werden bei der Aggregation nicht als neue Information gewertet.

Für jeden Client kann eine binäre Modalitätsmaske definiert werden:

\(m_k = (m_{k,1},m_{k,2},\ldots,m_{k,M}),\quad m_{k,j}\in\{0,1\}\)

Der Wert Eins bedeutet, dass Client \(k\) die Modalität \(j\) besitzt. Die Aggregation eines modalitätsspezifischen Parameters kann dann auf die teilnehmenden Clients beschränkt werden:

\(\theta_j^{(t+1)} = \frac{\sum_{k=1}^{K}m_{k,j}n_{k,j}\theta_{k,j}^{(t+1)}}{\sum_{k=1}^{K}m_{k,j}n_{k,j}}\)

Dadurch beeinflussen nur Clients mit gültigen lokalen Trainingsdaten den entsprechenden Modellteil.

Grenzen quantenbasierter Fusion

Quantenverschränkung kann mathematisch starke Abhängigkeiten erzeugen. Daraus folgt aber nicht, dass fehlende oder schlechte Daten kompensiert werden. Wenn eine Modalität keine relevante Information enthält, wird sie durch Verschränkung nicht automatisch nützlich. Ebenso kann eine fehlerhafte Modalität andere Modellpfade negativ beeinflussen.

Eine robuste Architektur benötigt deshalb Mechanismen zur Gewichtung, Maskierung oder Qualitätsbewertung der Modalitäten. Der Beitrag einer Modalität sollte von ihrer Verfügbarkeit, Zuverlässigkeit und Relevanz abhängen. Diese Aufgabe kann klassisch, quantenbasiert oder hybrid gelöst werden.

Die entscheidende Forschungsfrage lautet nicht, ob sich Modalitäten verschränken lassen, sondern ob eine solche Verschränkung unter vergleichbaren Bedingungen bessere Generalisierung, Robustheit oder Effizienz bietet als klassische Fusionsmethoden.

Föderiertes Training und Aggregation

Optimierung variationaler Quantenschaltungen

Variationale Quantenschaltungen werden meist durch einen klassischen Optimierer trainiert. Der Optimierer benötigt Informationen darüber, wie sich die Verlustfunktion bei einer Änderung der Schaltungsparameter verändert.

Für bestimmte Rotationsgatter kann der Gradient mit der Parameter-Shift-Regel berechnet werden:

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

Für jeden Gradientenwert sind damit zusätzliche Schaltungsausführungen erforderlich. Bei vielen Parametern, zahlreichen Clients und mehreren lokalen Trainingsschritten kann der Aufwand erheblich werden. Messrauschen führt außerdem zu schwankenden Gradientenschätzungen.

Alternative Optimierer verzichten teilweise auf explizite Gradienten oder verwenden stochastische Näherungen. Sie reduzieren den Aufwand, können aber langsamer oder instabiler konvergieren.

Aggregation von Quantenparametern

Die trainierbaren Winkel einer Quantenschaltung können grundsätzlich wie klassische Modellparameter übertragen und gemittelt werden. Dabei ist jedoch zu beachten, dass Rotationswinkel periodisch sind. Zwei numerisch weit auseinanderliegende Winkel können physikalisch ähnliche Operationen darstellen.

Eine naive arithmetische Mittelung kann daher ungeeignet sein. Zirkuläre Mittelwerte oder die Aggregation von Parameteränderungen können sinnvoller sein. Außerdem können unterschiedliche Hardwareplattformen denselben idealen Parameter aufgrund von Kalibrierung, Rauschen und Gatterumsetzung verschieden ausführen.

Bei multimodalen Architekturen müssen modalitätsspezifische Parameter, gemeinsame Fusionsparameter und klassische Modellteile getrennt behandelt werden. Nicht jeder Parameter wird von allen Clients trainiert. Eine einzige globale Mittelung über das vollständige Modell kann deshalb relevante lokale Strukturen verwischen.

Grenzen von Federated Averaging

Federated Averaging funktioniert besonders gut, wenn die lokalen Datenverteilungen ähnlich sind und die Clients vergleichbare Trainingsbedingungen besitzen. Bei stark heterogenen Daten bewegen sich lokale Modelle jedoch in unterschiedliche Richtungen.

Ein Client optimiert beispielsweise vorwiegend für eine häufige Klasse, während ein anderer seltene Fälle sieht. Die gemittelten Parameter können für keinen der beiden Clients optimal sein. Bei MQFL kommt hinzu, dass Modalitäten und Quantenschaltungen unterschiedlich verteilt sein können.

Mögliche Gegenmaßnahmen sind proximal regulierte lokale Ziele, adaptive Aggregationsgewichte, Clusterbildung, personalisierte Modelle, Wissensdestillation oder die Aggregation nur gemeinsamer Modellteile.

Personalisierung

Ein einziges globales Modell ist nicht immer das beste Ziel. In personalisierten Verfahren erhalten alle Clients eine gemeinsame Basis, dürfen aber bestimmte Schichten oder Parameter lokal anpassen.

Bei MQFL könnten gemeinsame Quantenschaltungen grundlegende modalitätsübergreifende Beziehungen lernen, während lokale klassische Ausgabeschichten auf regionale oder institutionelle Besonderheiten reagieren. Umgekehrt könnten klassische Encoder global geteilt und kleine Quantenschaltungen lokal personalisiert werden.

Auch Mixture-of-Experts-Architekturen eignen sich für Personalisierung. Verschiedene Experten können auf bestimmte Modalitäten, Aufgaben oder Clientgruppen spezialisiert werden. Ein Routing-Mechanismus entscheidet, welche Experten für eine Eingabe oder einen Client relevant sind.

Asynchrones Training

Quantenhardware ist nicht jederzeit gleich verfügbar. Cloudbasierte Systeme besitzen Warteschlangen, wechselnde Kalibrierungen und unterschiedliche Ausführungszeiten. Ein streng synchrones Verfahren müsste auf den langsamsten Client warten.

Asynchrones Federated Learning erlaubt die Verarbeitung eintreffender Aktualisierungen ohne vollständige Synchronisation. Veraltete Updates müssen jedoch geringer gewichtet oder korrigiert werden. Sonst kann ein Client mit einem alten Modellstand eine bereits fortgeschrittene globale Version in eine ungünstige Richtung verändern.

Eine mögliche Gewichtung nach Alter lautet:

\(w_k = \frac{n_k}{(1+\tau_k)^\gamma}\)

Dabei beschreibt \(\tau_k\) die Verzögerung des Updates und \(\gamma\) die Stärke der Abwertung. Ein solches Verfahren löst nicht alle Konvergenzprobleme, kann aber die Auswirkung stark verspäteter Aktualisierungen begrenzen.

Kommunikationsaufwand

Kleine Quantenschaltungen besitzen oft weniger trainierbare Parameter als große neuronale Netze. Dies kann die Größe der übertragenen Modellupdates reduzieren. Daraus folgt jedoch nicht automatisch ein schnelleres Gesamtsystem.

Die lokale Ausführung kann durch viele Messwiederholungen, Cloudlatenz und Gradientenschätzungen dominiert werden. Zusätzlich müssen klassische Encoder, Fusionskomponenten und Verschlüsselungsverfahren berücksichtigt werden. Eine faire Effizienzbewertung muss daher die gesamte Trainingszeit, Kommunikationsmenge, Zahl der QPU-Aufrufe und benötigte Rechenenergie erfassen.

Datenschutz und Sicherheit

Federated Learning ist kein vollständiger Datenschutzmechanismus

Der Verbleib der Rohdaten bei den Clients reduziert das Risiko einer zentralen Datenkopie. Er verhindert jedoch nicht, dass lokale Informationen über Modellupdates nach außen gelangen. Gradienten und Parameteränderungen können Muster enthalten, aus denen Trainingsbeispiele, Mitgliedschaften oder sensible Eigenschaften rekonstruiert werden.

Das Risiko hängt von Modellstruktur, Batchgröße, Datenart und Angreiferwissen ab. Kleine lokale Batches und hochdimensionale Gradienten können Rekonstruktionsangriffe erleichtern. Multimodale Modelle erweitern die Angriffsfläche, weil mehrere Datentypen und ihre Beziehungen betroffen sind.

Gradient Inversion und Model Inversion

Bei Gradient-Inversion-Angriffen versucht ein Angreifer, Eingaben zu finden, deren berechnete Gradienten mit einem beobachteten Update übereinstimmen. Auf diese Weise können unter bestimmten Bedingungen Bilder, Texteigenschaften oder andere Merkmale angenähert werden.

Model-Inversion-Angriffe zielen allgemeiner auf die Rekonstruktion charakteristischer Trainingsinformationen. Membership-Inference-Angriffe untersuchen, ob ein bestimmtes Beispiel am Training beteiligt war. In medizinischen oder finanziellen Anwendungen kann bereits diese Information sensibel sein.

Poisoning und Backdoors

Ein bösartiger Client kann manipulierte Daten oder Modellupdates einbringen. Data Poisoning verändert lokale Trainingsbeispiele oder Beschriftungen. Model Poisoning greift direkt in die Parameteraktualisierung ein. Backdoor-Angriffe sollen ein Modell bei bestimmten Auslösemustern zu einer gewünschten Fehlentscheidung bringen, während es bei normalen Eingaben unauffällig bleibt.

MQFL eröffnet zusätzliche Angriffsmöglichkeiten. Ein Angreifer könnte nur einen modalitätsspezifischen Pfad manipulieren, die Fusionsschaltung beeinflussen oder gezielt Schaltungsparameter verändern. Auch hardwarebezogene Fehler könnten absichtlich imitiert werden, um schädliche Updates als normale Quantenfehler erscheinen zu lassen.

Secure Aggregation

Secure Aggregation sorgt dafür, dass der Server nur die Summe oder den Mittelwert mehrerer lokaler Aktualisierungen erhält. Einzelne Updates bleiben maskiert. Die Teilnehmer können beispielsweise paarweise Zufallswerte austauschen, die sich in der Gesamtsumme aufheben.

Das Verfahren schützt gegen einen neugierigen Aggregator, erschwert aber die Erkennung bösartiger Einzelupdates. Außerdem muss es mit Clientausfällen umgehen können. Wenn ein Teilnehmer nach dem Austausch von Maskierungswerten ausfällt, darf die Aggregation nicht blockiert werden.

Vollständig homomorphe Verschlüsselung

Fully Homomorphic Encryption ermöglicht bestimmte Berechnungen auf verschlüsselten Werten. Der Server kann Modellparameter aggregieren, ohne sie vorher zu entschlüsseln. Nach der Entschlüsselung entspricht das Ergebnis idealerweise der Operation auf den Klartextwerten.

Die praktische Umsetzung ist rechenintensiv. Reelle Modellparameter müssen häufig approximiert, skaliert und in geeignete Zahlenbereiche überführt werden. Multiplikative Schaltungstiefe, Schlüsselgrößen und Rauschbudget begrenzen die möglichen Berechnungen.

MQFL-FHE-Ansätze untersuchen, ob quantenbasierte Modelle trotz der durch Verschlüsselung und Approximation entstehenden Einschränkungen gute Klassifikationsergebnisse erzielen können. Positive Resultate in einzelnen Experimenten zeigen eine mögliche Forschungsrichtung, aber keinen allgemeinen Ausgleich aller FHE-bedingten Nachteile.

Differential Privacy

Differential Privacy begrenzt den Einfluss einzelner Trainingsbeispiele auf die ausgegebenen Modellinformationen. Ein Mechanismus erfüllt eine entsprechende Datenschutzbedingung, wenn für benachbarte Datensätze gilt:

\(P[M(D)\in S] \le e^\epsilon P[M(D')\in S] + \delta\)

Dabei unterscheiden sich \(D\) und \(D'\) in einem einzelnen Datensatz. Der Parameter \(\epsilon\) beschreibt die Stärke der Datenschutzgarantie, während \(\delta\) eine geringe zulässige Abweichungswahrscheinlichkeit darstellt.

In föderierten Systemen werden lokale Updates üblicherweise begrenzt und mit Rauschen versehen. Starker Datenschutz kann die Modellgenauigkeit verschlechtern. Bei MQFL kommt hinzu, dass Quantenmessungen bereits statistische Schwankungen erzeugen. Dieses Messrauschen ist jedoch nicht automatisch eine formale Differential-Privacy-Garantie.

Quantenkryptografie und Post-Quanten-Sicherheit

Quantenkryptografie, Post-Quanten-Kryptografie und Quantum Machine Learning erfüllen unterschiedliche Aufgaben. Quantum Key Distribution kann Schlüssel über quantenmechanische Kommunikationskanäle absichern. Post-Quanten-Kryptografie verwendet klassische Algorithmen, die gegen bekannte Quantenangriffe widerstandsfähig sein sollen.

Ein MQFL-System kann solche Verfahren für Transportverschlüsselung, Signaturen und Schlüsselverwaltung verwenden. Dadurch wird das Lernmodell jedoch nicht leistungsfähiger. Sicherheitstechnik und quantenbasierte Datenverarbeitung müssen getrennt bewertet werden.

Vertrauensmodell

Vor der Implementierung muss festgelegt werden, wem vertraut wird. Ein ehrlicher, aber neugieriger Server folgt dem Protokoll, versucht jedoch zusätzliche Informationen zu gewinnen. Bösartige Clients können beliebige Updates senden. Ein Cloud-QPU-Anbieter könnte Metadaten, Schaltungen oder kodierte Eingaben beobachten.

Auch die Korrektheit der Quantenberechnung ist relevant. Nutzer eines entfernten Quantenprozessors müssen darauf vertrauen, dass die angeforderte Schaltung tatsächlich ausgeführt wurde. Verifizierbare Quantenberechnung ist ein eigenes Forschungsgebiet und gegenwärtig nicht ohne erheblichen Aufwand verfügbar.

Umsetzung unter realen Hardwarebedingungen

NISQ-Systeme

Heutige Quantenprozessoren werden häufig als Noisy Intermediate-Scale Quantum-Systeme eingeordnet. Sie besitzen eine begrenzte Zahl nutzbarer Qubits, fehleranfällige Gatter, kurze Kohärenzzeiten und keine vollständige Fehlerkorrektur für große allgemeine Berechnungen.

Die verfügbare Qubit-Zahl allein beschreibt die Leistungsfähigkeit nur unzureichend. Entscheidend sind auch Gatterfehlerraten, Verbindungsstruktur, Messfehler, Kohärenzzeit und die Zahl zuverlässig ausführbarer Schaltungsschichten. Eine Schaltung mit vielen Zwei-Qubit-Gattern kann auf realer Hardware schnell unbrauchbar werden.

Schaltungstiefe und Rauschen

Jede zusätzliche Kodierungs-, Verschränkungs- und Trainingsschicht erhöht die Schaltungstiefe. Tiefe Schaltungen können ausdrucksstärker sein, akkumulieren aber mehr Fehler. Multimodale Fusion benötigt häufig zusätzliche kontrollierte Gatter zwischen Qubitgruppen und ist deshalb besonders empfindlich.

Hardwaregerechte Schaltungsentwürfe sollten die native Gattermenge und Verbindungstopologie des Zielprozessors berücksichtigen. Wenn zwei logisch gekoppelte Qubits physisch nicht direkt verbunden sind, müssen zusätzliche Tauschoperationen eingefügt werden. Dies erhöht die Fehlerrate weiter.

Messaufwand

Eine Quantenschaltung liefert bei einer Messung nur ein einzelnes Ergebnis. Erwartungswerte müssen aus vielen Wiederholungen geschätzt werden. Der statistische Fehler sinkt näherungsweise mit der Wurzel der Zahl der Messungen:

\(\sigma_{\mathrm{est}} \propto \frac{1}{\sqrt{S}}\)

Dabei bezeichnet \(S\) die Zahl der Messwiederholungen. Eine vierfache Zahl von Messungen halbiert den statistischen Fehler näherungsweise. Bei vielen Parametern, Datenpunkten und Clients entsteht dadurch ein hoher Ausführungsaufwand.

Barren Plateaus

Variationale Quantenschaltungen können Bereiche besitzen, in denen die Gradienten der Verlustfunktion extrem klein werden. Dieses als Barren Plateau bezeichnete Problem erschwert das Training, weil der Optimierer kaum eine verlässliche Richtung erkennt.

Das Risiko steigt bei bestimmten zufällig initialisierten, tiefen oder stark verschränkten Schaltungen. Lokale Kostenfunktionen, problemangepasste Ansätze, flache Schaltungen und strukturierte Initialisierungen können das Problem reduzieren, aber nicht grundsätzlich beseitigen.

In einem föderierten System können verrauschte oder verschwindende lokale Gradienten zusätzlich durch Aggregation verwischt werden. Ein globales Modell kann scheinbar konvergieren, obwohl einzelne Clients keine sinnvollen lokalen Lernfortschritte erzielen.

Fehlerreduktion

Fehlerreduktionsverfahren versuchen, Ergebnisse verrauschter Quantenhardware nachträglich zu verbessern. Measurement Error Mitigation korrigiert systematische Messfehler. Zero-Noise Extrapolation führt Schaltungen bei künstlich verstärktem Rauschen aus und extrapoliert auf einen idealisierten rauschfreien Wert.

Diese Verfahren benötigen zusätzliche Schaltungsausführungen und beruhen auf Annahmen über das Rauschverhalten. Sie ersetzen keine vollständige Quantenfehlerkorrektur. In MQFL müssen ihre Kosten für jeden Client und jede Trainingsrunde berücksichtigt werden.

Quantensimulation

Quantensimulatoren sind für die Entwicklung unverzichtbar. Sie erlauben kontrollierte Experimente, reproduzierbare Rauschmodelle und den Vergleich verschiedener Schaltungsentwürfe. Ein idealer Zustandsvektorsimulator kann exakte Amplituden berechnen, benötigt jedoch Speicher, der exponentiell mit der Zahl der Qubits wächst.

Simulatorergebnisse zeigen, ob ein Algorithmus mathematisch funktioniert. Sie zeigen nicht, dass reale Quantenhardware denselben Nutzen mit akzeptablen Kosten erreicht. Veröffentlichungen müssen deshalb klar zwischen idealer Simulation, verrauschter Simulation und echter Hardwareausführung unterscheiden.

Praktischer Softwareaufbau

Ein prototypisches MQFL-System benötigt mehrere Softwareebenen. Ein klassisches Machine-Learning-Framework übernimmt Datenvorverarbeitung und Encoder. Eine Quantenbibliothek beschreibt Schaltungen, Messungen und Gradientenschätzungen. Ein Federated-Learning-Framework koordiniert Clients, Trainingsrunden und Aggregation.

Hinzu kommen sichere Kommunikation, Schlüsselverwaltung, Protokollierung, Versionskontrolle und reproduzierbare Konfigurationen. Ohne eine klare Trennung dieser Ebenen ist kaum feststellbar, welcher Teil des Systems für einen beobachteten Vorteil oder Fehler verantwortlich ist.

Wissenschaftliche Evaluation

Notwendigkeit fairer Vergleiche

Ein MQFL-Modell darf nicht nur mit einer schwachen klassischen Baseline verglichen werden. Für eine belastbare Bewertung müssen Datenaufteilung, Vorverarbeitung, Parameterzahl, Datenschutzmechanismus und Trainingsbudget möglichst vergleichbar sein.

Ein Quantensimulator kann auf einer leistungsfähigen klassischen GPU erheblich langsamer sein als ein direkt trainiertes neuronales Netz. Umgekehrt kann ein kleines Quantenmodell weniger Parameter besitzen. Beide Beobachtungen sind isoliert nicht ausreichend. Entscheidend ist, ob das Gesamtsystem bei einer relevanten Aufgabe einen überprüfbaren Vorteil bietet.

Erforderliche Vergleichssysteme

Eine vollständige Evaluation sollte mindestens folgende Baselines umfassen:

  • ein zentral trainiertes klassisches multimodales Modell,
  • ein klassisches multimodales Federated-Learning-Modell,
  • lokale Modelle ohne föderierte Zusammenarbeit,
  • ein unimodales Quantum-Federated-Learning-Modell,
  • ein zentral trainiertes multimodales Quantenmodell,
  • MQFL auf einem idealen Simulator,
  • MQFL mit realistischem Rauschmodell,
  • MQFL auf realer Quantenhardware, soweit verfügbar.

Zusätzlich sollten Ablationsstudien einzelne Komponenten entfernen. Ohne quantenbasierte Fusion muss erkennbar werden, welchen Anteil die Fusionsschaltung besitzt. Ohne Verschränkung kann geprüft werden, ob einfache lokale Rotationen bereits denselben Effekt erzielen. Ohne Verschlüsselung wird sichtbar, wie hoch der Datenschutzaufwand ist.

Datenszenarien

Die Evaluation muss verschiedene föderierte Verteilungen abbilden. Ein IID-Szenario verteilt ähnliche Datenanteile auf alle Clients. Non-IID-Szenarien variieren Klassen, Merkmale, Datenmengen und Modalitäten.

Besonders wichtig sind systematische Tests mit fehlenden Modalitäten, fehlenden Beschriftungen und fehlerhaften Labels. Auch beschädigte Audiodaten, verrauschte Sensoren und unterschiedliche Bildqualität sollten berücksichtigt werden. Ein Modell, das nur unter idealisierten Bedingungen funktioniert, ist für reale föderierte Anwendungen wenig aussagekräftig.

Leistungsmetriken

Die fachliche Leistung kann durch Accuracy, Precision, Recall, F1-Score, AUROC oder aufgabenspezifische Maße bewertet werden. Bei ungleichen Klassenverteilungen ist Accuracy allein ungeeignet, weil häufige Klassen das Ergebnis dominieren können.

Für föderierte Systeme sind zusätzliche Metriken erforderlich:

  • Zahl der Kommunikationsrunden bis zur Konvergenz,
  • übertragene Datenmenge,
  • Leistung einzelner Clients,
  • Unterschied zwischen globaler und lokaler Genauigkeit,
  • Robustheit bei Clientausfällen,
  • Fairness gegenüber kleinen oder unterrepräsentierten Clients.

Quantenbezogene Metriken

Eine QML-Veröffentlichung sollte mindestens Qubit-Zahl, Schaltungstiefe, Anzahl der Zwei-Qubit-Gatter, Messwiederholungen und Optimierungsschritte angeben. Bei Hardwareexperimenten sind Gerätetyp, Kalibrierungszeitpunkt, Fehlerraten und Transpilierung relevant.

Auch die Kosten der Datenkodierung müssen einbezogen werden. Ein Verfahren mit theoretisch kompakter Quantendarstellung kann praktisch ungeeignet sein, wenn die Zustandsvorbereitung den gesamten möglichen Vorteil aufhebt.

Datenschutz- und Sicherheitsmetriken

Datenschutz darf nicht nur als aktivierte Funktion beschrieben werden. Differential Privacy benötigt Angaben zu Datenschutzbudget, Clipping und Rauschstärke. Homomorphe Verschlüsselung erfordert Angaben zu Laufzeit, Schlüsselgröße, Chiffretextgröße und numerischer Genauigkeit.

Sicherheitsprüfungen sollten konkrete Angriffe simulieren. Dazu gehören Rekonstruktionsversuche, Poisoning, Backdoors und manipulierte Schaltungsparameter. Erst dann lässt sich beurteilen, ob ein Schutzmechanismus praktisch wirksam ist.

Bedeutung von Benchmarks

Der FedMultimodal-Benchmark hat gezeigt, wie multimodales Federated Learning über verschiedene Anwendungen, Datensätze und Störungsszenarien vergleichbar gemacht werden kann. Für MQFL müssen solche Benchmarks um Quantenressourcen, Hardwarefehler und Zustandsvorbereitung erweitert werden.

Ein geeigneter MQFL-Benchmark sollte sowohl kleine Experimente auf realer Hardware als auch größere Simulationen enthalten. Er muss klassische Baselines bereitstellen und dieselben Datenaufteilungen verwenden. Ohne solche Standards bleiben Ergebnisse verschiedener Arbeiten nur begrenzt vergleichbar.

Anwendungsfelder

Medizin und Gesundheitswesen

Das Gesundheitswesen ist ein naheliegendes Anwendungsgebiet, weil medizinische Entscheidungen häufig auf mehreren Modalitäten beruhen und die Daten besonders sensibel sind. Bildaufnahmen können mit Laborwerten, Genomdaten, Vitalparametern und klinischen Texten verbunden werden.

Ein föderiertes System könnte mehrere Kliniken einbeziehen, ohne eine zentrale Patientendatenbank aufzubauen. Kleine Einrichtungen könnten von Erkenntnissen größerer Partner profitieren. Seltene Erkrankungen könnten über mehrere Standorte hinweg besser erfasst werden.

Die praktischen Anforderungen sind jedoch hoch. Unterschiedliche Geräte, Aufnahmeprotokolle, Dokumentationsweisen und Patientengruppen erzeugen starke Heterogenität. Fehlentscheidungen können direkte gesundheitliche Folgen haben. Ein MQFL-System müsste deshalb nicht nur genau, sondern auch kalibriert, erklärbar, robust und regulatorisch überprüfbar sein.

Autonome Fahrzeuge und Robotik

Autonome Systeme verarbeiten Bilder, Radar-, Lidar-, Positions-, Bewegungs- und Audiodaten. Fahrzeuge könnten lokal aus neuen Verkehrssituationen lernen und Modellaktualisierungen austauschen, ohne vollständige Aufzeichnungen aller Fahrten hochzuladen.

MQFL könnte theoretisch kompakte Fusionsmodelle für verschiedene Sensorquellen bereitstellen. Gegenwärtig sprechen jedoch Echtzeitanforderungen, Hardwarekosten und Cloudlatenz gegen eine unmittelbare Quantenverarbeitung im Fahrzeug. Realistischer wären zunächst zentrale Forschungsplattformen oder periodische Trainingsvorgänge außerhalb des Fahrbetriebs.

Industrie und vorausschauende Wartung

Industrielle Anlagen erzeugen Schwingungs-, Temperatur-, Strom-, Bild- und Audiodaten. Mehrere Werke könnten gemeinsam ein Fehlererkennungsmodell trainieren, ohne interne Produktionsdaten auszutauschen.

Ein multimodales Modell kann frühe Warnsignale erkennen, die in einer einzelnen Modalität kaum sichtbar sind. MQFL wäre dann interessant, wenn kleine quantenbasierte Fusionsmodelle komplexe Wechselwirkungen bei geringem Kommunikationsbedarf erfassen könnten.

Der wirtschaftliche Maßstab bleibt ein klassisches Verfahren. Ein Quantenanteil ist nur gerechtfertigt, wenn er Genauigkeit, Robustheit, Trainingszeit oder Ressourcenverbrauch nachweisbar verbessert.

Cybersicherheit

Systemprotokolle, Netzwerkverkehr, Nutzerverhalten und Geräteinformationen bilden unterschiedliche Modalitäten. Organisationen könnten gemeinsam Angriffsmuster lernen, ohne vollständige interne Protokolle offenzulegen.

Das System selbst wäre jedoch ein attraktives Angriffsziel. Bösartige Teilnehmer könnten gefälschte Angriffe einspeisen oder Hintertüren erzeugen. Die zusätzliche Quantenkomponente erweitert die Komplexität der Überwachung. Robuste Aggregation und nachvollziehbare Modellupdates wären daher unverzichtbar.

Finanzwesen

Finanzinstitute verarbeiten Transaktionen, Zeitreihen, Texte, Dokumente und Verhaltensmerkmale. Föderierte Betrugserkennung könnte Muster über mehrere Institute hinweg erkennen, ohne vollständige Kundendaten zu teilen.

MQFL könnte für experimentelle Modelle interessant sein, die seltene und komplexe Wechselwirkungen untersuchen. Datenschutz, Prüfbarkeit und Modellstabilität haben jedoch Vorrang. Ein schwer erklärbares Quantenmodell ist für regulierte Entscheidungen nur begrenzt geeignet.

Internet of Things und intelligente Infrastrukturen

Intelligente Städte und IoT-Systeme erzeugen Verkehrs-, Umwelt-, Energie- und Infrastrukturdaten. Die Geräte sind verteilt und besitzen sehr unterschiedliche Rechenkapazitäten. Federated Learning reduziert den Bedarf an zentraler Rohdatenübertragung.

Heutige Quantenhardware eignet sich nicht für eine breite direkte Integration in einfache Edge-Geräte. Wahrscheinlicher ist eine hierarchische Architektur: Edge-Geräte trainieren klassische lokale Komponenten, regionale Knoten aggregieren Ergebnisse und eine zentrale Forschungs- oder Cloudplattform führt kleine quantenbasierte Fusionsschritte aus.

Grenzen und offene Forschungsfragen

Fehlender allgemeiner Quantenvorteil

Die wichtigste Einschränkung ist der fehlende Nachweis eines allgemeinen praktischen Quantenvorteils. Ein Quantenmodell kann auf einem ausgewählten Datensatz gute Ergebnisse erreichen, ohne einem vergleichbaren klassischen Modell grundsätzlich überlegen zu sein.

Vorteile können aus geringerer Parameterzahl, anderer Regularisierung, stärkerer Vorverarbeitung oder einem günstigeren Trainingsprotokoll stammen. Nur kontrollierte Ablationsstudien und starke Baselines können zeigen, welchen Beitrag die Quantenschaltung tatsächlich leistet.

Skalierung multimodaler Daten

Multimodale Daten sind meist hochdimensional. Heutige Quantenschaltungen können nur stark komprimierte Repräsentationen verarbeiten. Die klassische Dimensionsreduktion kann dabei genau jene feinen Beziehungen entfernen, die das Quantenmodell lernen soll.

Amplitude Encoding bietet theoretisch eine kompakte Darstellung, benötigt aber oft eine aufwendige Zustandsvorbereitung. Angle Encoding ist praktisch einfacher, verarbeitet jedoch nur begrenzte Merkmalsmengen. Data Re-uploading erhöht die Schaltungstiefe und damit die Rauschanfälligkeit.

Heterogene Quantenhardware

In einem zukünftigen föderierten Quantennetz könnten Clients unterschiedliche QPU-Technologien besitzen. Die Zahl der Qubits, native Gatter, Fehlerraten und Verbindungstopologien wären nicht einheitlich.

Ein globales Schaltungsmodell müsste auf allen Geräten ausführbar sein oder hardwareabhängig angepasst werden. Lokale Anpassungen erschweren wiederum die direkte Parameteraggregation. Hardwareagnostische Modellrepräsentationen und standardisierte Schnittstellen sind daher ein wichtiges Forschungsziel.

Konvergenz und Trainierbarkeit

Die Konvergenz föderierter Quantenschaltungen ist noch nicht umfassend verstanden. Datenheterogenität, Messrauschen, Hardwarefehler, lokale Trainingsdauer und asynchrone Aktualisierungen wirken gleichzeitig auf den Optimierungsprozess.

Ein Verfahren kann auf einem idealen Simulator stabil trainieren und auf realer Hardware scheitern. Umgekehrt kann Rauschen in kleinen Experimenten regulierend wirken, ohne dass dieser Effekt bei größeren Modellen erhalten bleibt. Allgemeine theoretische Aussagen erfordern klare Annahmen und experimentelle Überprüfung.

Datenschutz gegen Effizienz

Secure Aggregation, Differential Privacy und homomorphe Verschlüsselung erhöhen den Schutz, verursachen aber zusätzlichen Rechen-, Kommunikations- oder Genauigkeitsaufwand. MQFL beseitigt diesen Zielkonflikt nicht.

Eine Quantenschaltung kann möglicherweise mit wenigen Parametern arbeiten oder gegenüber bestimmten Störungen robust sein. Sie ersetzt jedoch keine formale Datenschutzanalyse. Künftige Systeme müssen quantenbasierte Modellleistung und kryptografische Sicherheit getrennt nachweisen.

Erklärbarkeit

Multimodale Entscheidungen sind bereits in klassischen tiefen Modellen schwer zu erklären. Quantenschaltungen erhöhen die Abstraktion. Messwerte zeigen nicht unmittelbar, welche Eingabemerkmale für eine Entscheidung ausschlaggebend waren.

Erklärbare MQFL-Methoden müssten Beiträge einzelner Modalitäten, Clients und Schaltungsbestandteile sichtbar machen. Besonders in Medizin, Finanzwesen und kritischer Infrastruktur ist dies notwendig. Eine hohe Genauigkeit allein genügt nicht.

Reproduzierbarkeit

Reale Quantenhardware verändert sich durch Kalibrierungen und technische Verbesserungen. Ergebnisse können je nach Ausführungszeitpunkt schwanken. Cloudwarteschlangen und proprietäre Systeme erschweren vollständige Reproduzierbarkeit.

Veröffentlichungen sollten deshalb Quellcode, Datenaufteilungen, Zufallsinitialisierungen, Schaltungsentwürfe, Transpilierungsparameter, Messzahlen und Hardwareinformationen dokumentieren. Simulator- und Hardwareergebnisse müssen getrennt ausgewiesen werden.

Energie- und Kostenbilanz

Die Energieeffizienz von MQFL darf nicht allein aus der theoretischen Natur von Quantenoperationen abgeleitet werden. Kühlung, Steuerungselektronik, Netzwerkinfrastruktur, klassische Vorverarbeitung und wiederholte Messungen gehören zur Gesamtbilanz.

Auch wirtschaftliche Kosten sind relevant. Cloudbasierte QPU-Aufrufe, Wartezeiten und Entwicklungsaufwand können einen möglichen Modellvorteil übersteigen. Eine produktive Nutzung setzt deshalb eine vollständige Systemkostenanalyse voraus.

Fazit

Multimodal Quantum Federated Learning verfolgt ein anspruchsvolles Ziel: Mehrere Teilnehmer sollen aus heterogenen Bild-, Text-, Audio-, Sensor- oder Genomdaten gemeinsam lernen, ohne ihre vollständigen Rohdaten zentral zusammenzuführen. Quantenschaltungen sollen dabei nicht nur als technisches Zusatzmerkmal dienen, sondern einen messbaren Beitrag zur Repräsentation, Fusion oder Klassifikation leisten.

Die grundlegende Architektur ist nachvollziehbar. Lokale klassische Encoder verdichten die Daten. Kleine Quantenschaltungen verarbeiten modalitätsspezifische Repräsentationen. Verschränkungsoperationen können diese Repräsentationen koppeln. Föderierte Trainingsrunden aggregieren lokale Parameter, während Datenschutzverfahren die ausgetauschten Aktualisierungen schützen.

Die schwierigsten Probleme liegen jedoch genau an den Schnittstellen. Multimodale Daten sind unvollständig und unterschiedlich verteilt. Quantenschaltungen sind klein, verrauscht und aufwendig zu trainieren. Federated Learning schützt Rohdaten, kann aber Informationen über Modellupdates preisgeben. Verschlüsselung erhöht die Sicherheit, verursacht jedoch erhebliche Kosten.

MQFL ist deshalb gegenwärtig vor allem ein Forschungsparadigma. Erste Arbeiten zeigen, dass multimodale quantenbasierte Föderationsmodelle auf Simulatoren umgesetzt werden können. Ansätze zur Intermediate Fusion, modality-agnostischem Training und homomorph verschlüsselter Aggregation liefern wichtige Bausteine. Sie beweisen jedoch noch keine allgemeine praktische Überlegenheit.

Die weitere Entwicklung muss sich auf überprüfbare Ergebnisse konzentrieren. Notwendig sind standardisierte Benchmarks, starke klassische Vergleichsmodelle, Ablationsstudien, reale Hardwaretests und vollständige Angaben zu Laufzeit, Qubit-Bedarf, Messaufwand, Kommunikation und Datenschutz. Ein behaupteter Quantenvorteil ist nur dann relevant, wenn er unter vergleichbaren Bedingungen bestehen bleibt.

Langfristig könnte MQFL dort Bedeutung gewinnen, wo multimodale Daten verteilt, sensibel und schwer zentralisierbar sind. Medizin, Industrie, autonome Systeme und organisationsübergreifende Sicherheitsanalysen gehören zu den plausiblen Anwendungsfeldern. Ob daraus produktive Systeme entstehen, hängt nicht von der theoretischen Attraktivität des Quantencomputings ab, sondern von messbaren Verbesserungen gegenüber klassischen Lösungen.

Der entscheidende Maßstab lautet daher: Ein MQFL-System muss genauer, robuster, sicherer, kommunikationseffizienter oder wirtschaftlicher sein als ein vergleichbares klassisches Verfahren. Solange dieser Nachweis fehlt, bleibt MQFL eine wissenschaftlich interessante, aber technologisch noch nicht ausgereifte Verbindung von multimodalem Lernen, föderierter Datenverarbeitung und Quanteninformatik.

Mit freundlichen Grüßen Jörg-Owe Schneppat

Anhang

Wissenschaftliche Zeitschriften und Artikel

Die folgenden Veröffentlichungen bilden die wissenschaftliche Grundlage für eine Abhandlung über Multimodal Quantum Federated Learning. Da MQFL ein sehr junges Forschungsgebiet ist, muss zwischen unmittelbar einschlägiger Primärliteratur und ergänzender Grundlagenliteratur unterschieden werden. Die beiden ersten Arbeiten behandeln MQFL ausdrücklich. Die weiteren Quellen erschließen die benötigten Teilgebiete Quantum Federated Learning, multimodales Lernen, Federated Learning, Quantum Machine Learning, sichere Aggregation und homomorphe Verschlüsselung.

Grundlegende Primärliteratur zu Multimodal Quantum Federated Learning

  • Siddhant Dutta, Nouhaila Innan, Sadok Ben Yahia, Muhammad Shafique und David Esteban Bernal Neira: MQFL-FHE: Multimodal Quantum Federated Learning Framework with Fully Homomorphic Encryption, International Joint Conference on Neural Networks, 2025.
    • Diese Arbeit gehört zur unmittelbaren Primärliteratur zu MQFL. Die Autoren verbinden ein multimodales Quantum-Mixture-of-Experts-Modell mit vollständig homomorph verschlüsselter föderierter Aggregation. Untersucht werden unter anderem kombinierte Genom- und MRT-Daten sowie die Frage, ob quantenbasierte Modellkomponenten den durch verschlüsselte Berechnungen verursachten Leistungsabfall begrenzen können. Für die Abhandlung eignet sich die Quelle besonders zur Darstellung einer konkreten MQFL-Architektur, des Zusammenspiels von Multimodalität, Quantenschaltungen und Fully Homomorphic Encryption sowie der noch experimentellen Evidenz für mögliche Leistungsverbesserungen.
  • Atit Pokharel, Ratun Rahman, Thomas Morris und Dinh C. Nguyen: Quantum Federated Learning for Multimodal Data: A Modality-Agnostic Approach, Proceedings of the Computer Vision and Pattern Recognition Conference Workshops, 2025.
    • Die Veröffentlichung behandelt direkt die Verarbeitung multimodaler Daten in einem Quantum-Federated-Learning-System. Ihr Schwerpunkt liegt auf einer Intermediate Fusion, bei der modalitätsspezifische Quantenschaltungen durch Verschränkungsoperationen gekoppelt werden. Zusätzlich wird ein Missing-Modality-Agnostic-Mechanismus vorgestellt, der nicht trainierbare Quantenschaltungen bei fehlenden Modalitäten isoliert. Die Quelle ist für Abschnitte über quantenbasierte Fusion, unvollständige Daten, Modality-Skew und föderierte Non-IID-Verteilungen besonders wichtig. Die berichteten Resultate beruhen auf Simulationen und sollten daher nicht als Nachweis eines allgemeinen Hardwarevorteils dargestellt werden.

Grundlagen und spezialisierte Arbeiten zu Quantum Federated Learning

  • Samuel Yen-Chi Chen und Shinjae Yoo: Federated Quantum Machine Learning, Entropy, 2021.
    • Diese frühe Primärarbeit überträgt das föderierte Training auf hybride quantenklassische Modelle. Lokale Clients trainieren quantenbasierte Modellkomponenten und übermitteln ihre Parameter zur globalen Aggregation. Für eine MQFL-Abhandlung liefert die Veröffentlichung die methodische Grundlage für den föderierten Austausch trainierbarer Quantenschaltungsparameter. Sie eignet sich zur Erklärung eines grundlegenden QFL-Trainingszyklus und zur Abgrenzung zwischen lokaler Datenverarbeitung, klassischer Kommunikation und quantenbasierter Modellberechnung.
  • Mahdi Chehimi und Walid Saad: Quantum Federated Learning with Quantum Data, IEEE International Conference on Acoustics, Speech and Signal Processing, 2022.
    • Die Arbeit erweitert Quantum Federated Learning auf Szenarien, in denen nicht nur das Modell, sondern auch die verarbeiteten Daten quantenmechanischer Natur sind. Sie behandelt die föderierte Optimierung von Quantum Convolutional Neural Networks über verteilte Clients. Für MQFL ist die Quelle vor allem als Abgrenzung wichtig: Die meisten gegenwärtigen MQFL-Systeme verarbeiten klassische multimodale Daten, die lokal in Quantenzustände kodiert werden. Diese Arbeit zeigt dagegen, welche zusätzlichen Anforderungen bei nativen Quantendaten und verteilten Quantennetzen entstehen.
  • Nouhaila Innan, Muhammad Al-Zafar Khan, Alberto Marchisio, Muhammad Shafique und Mohamed Bennai: FedQNN: Federated Learning using Quantum Neural Networks, International Joint Conference on Neural Networks, 2024.
    • FedQNN untersucht das föderierte Training von Quantum Neural Networks anhand mehrerer Datensätze, darunter Anwendungen aus Genomik und Gesundheitswesen. Die Veröffentlichung ist eine wichtige Brücke zwischen allgemeinen QFL-Konzepten und der späteren MQFL-FHE-Architektur. Sie kann zur Darstellung lokaler Quantum-Neural-Network-Modelle, föderierter Parameteraggregation und hybrider Versuchsanordnungen verwendet werden. Für eine kritische Einordnung sollte klar zwischen der nachgewiesenen Funktionsfähigkeit des Prototyps und einem noch nicht belegten allgemeinen Quantenvorteil unterschieden werden.
  • 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 Spezialliteratur kombiniert föderiertes Quantum Machine Learning mit Differential Privacy. Die Arbeit ist für die Sicherheitsanalyse von MQFL relevant, weil auch quantenbasierte föderierte Modelle Informationen über ihre Trainingsdaten preisgeben können. Sie kann zur Erklärung des Zielkonflikts zwischen Modellleistung und formal kontrollierter Informationspreisgabe herangezogen werden. Besonders wichtig ist die Erkenntnis, dass der Einsatz einer Quantenschaltung allein keine formale Datenschutzgarantie erzeugt und Differential Privacy weiterhin gesondert definiert und evaluiert werden muss.

Grundlagenliteratur zu Federated Learning und multimodaler Verarbeitung

  • 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 Machine Learning Research, 2017.
    • Diese grundlegende Primärarbeit führte Federated Averaging als praktikables Verfahren für das dezentrale Training neuronaler Netze ein. Sie bildet die methodische Basis zahlreicher späterer FL- und QFL-Architekturen. In einer MQFL-Abhandlung sollte die Quelle für die Beschreibung von Trainingsrunden, lokalen Optimierungsschritten, gewichteter Parameteraggregation und kommunikationseffizientem Lernen verwendet werden. Gleichzeitig bietet sie den Ausgangspunkt für die Diskussion, weshalb eine einfache Mittelwertbildung bei stark heterogenen Modalitäten oder periodischen Quantenschaltungsparametern problematisch sein kann.
  • Peter Kairouz et al.: Advances and Open Problems in Federated Learning, Foundations and Trends in Machine Learning, 2021.
    • Diese umfangreiche Überblicksarbeit ordnet Federated Learning aus statistischer, systemtechnischer, sicherheitsbezogener und anwendungsorientierter Sicht ein. Sie ist keine MQFL-Primärquelle, sondern eine zentrale Grundlagen- und Referenzquelle. Für die Abhandlung kann sie zur Definition von Cross-Device- und Cross-Silo-Federated-Learning, Datenheterogenität, Clientauswahl, Personalisierung, Robustheit, Datenschutz und Kommunikationsproblemen eingesetzt werden. Sie verhindert, dass MQFL isoliert von den bekannten Grenzen klassischer föderierter Systeme betrachtet wird.
  • Tiantian Feng, Digbalay Bose, Tuo Zhang, Rajat Hebbar, Anil Ramakrishna, Rahul Gupta, Mi Zhang, Salman Avestimehr und Shrikanth Narayanan: FedMultimodal: A Benchmark for Multimodal Federated Learning, ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 2023.
    • FedMultimodal ist eine zentrale Benchmarkarbeit für klassisches multimodales Federated Learning. Sie umfasst mehrere Anwendungen, Datensätze und Modalitäten und berücksichtigt reale Störungsszenarien wie fehlende Modalitäten, fehlende Labels und fehlerhafte Labels. Für MQFL liefert die Quelle eine geeignete klassische Vergleichsbasis. Sie kann außerdem genutzt werden, um Anforderungen an zukünftige MQFL-Benchmarks abzuleiten: identische Datenpartitionen, Non-IID-Szenarien, robuste Baselines, reproduzierbare Pipelines und eine zusätzliche Erfassung von Qubits, Schaltungstiefe, Messwiederholungen und Hardwarefehlern.
  • Tadas Baltrušaitis, Chaitanya Ahuja und Louis-Philippe Morency: Multimodal Machine Learning: A Survey and Taxonomy, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2019.
    • Die Arbeit gehört zur Standardliteratur über multimodales maschinelles Lernen. Sie strukturiert das Gebiet anhand zentraler Herausforderungen wie Repräsentation, Übersetzung, Alignment, Fusion und Co-Learning. Für eine MQFL-Abhandlung ist sie besonders wertvoll, um den multimodalen Teil des Themas unabhängig vom Quantencomputing sauber zu definieren. Die Taxonomie hilft bei der Einordnung quantenbasierter Intermediate-Fusion-Verfahren und verhindert, dass Verschränkung fälschlich als grundsätzlich neue Form jeder multimodalen Informationsverknüpfung dargestellt wird.
  • Hong Pan, Xiaofeng Zhao, Li He, Yujun Shi und Xiaolin Lin: A Survey of Multimodal Federated Learning: Background, Applications, and Perspectives, Multimedia Systems, 2024.
    • Diese Hintergrundliteratur verbindet die Forschungsfelder Multimodal Learning und Federated Learning. Sie behandelt unterschiedliche Architekturen, Anwendungsszenarien und offene Probleme multimodaler föderierter Systeme. Für die Abhandlung eignet sich die Quelle zur Darstellung von Modality-Skew, fehlenden Modalitäten, heterogenen lokalen Datenbeständen, modalitätsspezifischen Encodern und personalisierten Modellen. MQFL kann anschließend als quantenbasierte Erweiterung dieser bereits bestehenden klassischen Problemstellung eingeordnet werden.

Hintergrundliteratur zu Quantum Machine Learning und Variationsschaltungen

  • Jacob Biamonte, Peter Wittek, Nicola Pancotti, Patrick Rebentrost, Nathan Wiebe und Seth Lloyd: Quantum Machine Learning, Nature, 2017.
    • Dieser Übersichtsartikel gehört zur grundlegenden Literatur des Quantum Machine Learning. Er beschreibt zentrale Ansätze, mögliche algorithmische Vorteile und wesentliche technische Voraussetzungen. Für MQFL liefert die Quelle den übergeordneten wissenschaftlichen Rahmen, in dem Quantenkernel, quantenbasierte lineare Algebra, Zustandskodierung und hybride Lernmodelle einzuordnen sind. Die Arbeit sollte vor allem zur begrifflichen Fundierung verwendet werden, nicht als Beleg dafür, dass heutige MQFL-Systeme bereits einen praktischen Quantenvorteil erreichen.
  • Marco Cerezo et al.: Variational Quantum Algorithms, Nature Reviews Physics, 2021.
    • Die Veröffentlichung bietet eine systematische Darstellung variationaler Quantenalgorithmen, die den technischen Kern vieler QFL- und MQFL-Modelle bilden. Sie behandelt parametrisierte Quantenschaltungen, hybride Optimierung, Kostenfunktionen, Hardwareanforderungen und bekannte Trainingsprobleme. In einer MQFL-Abhandlung sollte sie für die Erklärung lokaler Quantum Neural Networks, der Parameter-Shift-Gradientenberechnung, hybrider CPU-QPU-Arbeitsabläufe und der Grenzen gegenwärtiger NISQ-Systeme genutzt werden.
  • Maria Schuld und Nathan Killoran: Quantum Machine Learning in Feature Hilbert Spaces, Physical Review Letters, 2019.
    • Diese Primärarbeit erläutert die Beziehung zwischen klassischer Merkmalsabbildung, Kernelmethoden und quantenmechanischen Hilberträumen. Sie ist besonders relevant für die Frage, wie klassische multimodale Merkmale in Quantenzustände eingebettet und anschließend durch ein Quantenmodell ausgewertet werden können. Für die Abhandlung eignet sie sich zur fachlichen Begründung von Quantum Feature Maps und Quantenkerneln. Zugleich macht sie deutlich, dass die Qualität eines Quantenmodells stark von der gewählten Datenkodierung abhängt.
  • Jarrod R. McClean, Sergio Boixo, Vadim N. Smelyanskiy, Ryan Babbush und Hartmut Neven: Barren Plateaus in Quantum Neural Network Training Landscapes, Nature Communications, 2018.
    • Die Arbeit beschreibt das Barren-Plateau-Problem, bei dem die Gradienten bestimmter parametrisierter Quantenschaltungen mit wachsender Systemgröße extrem klein werden. Für MQFL ist dieses Problem besonders bedeutsam, da bereits verrauschte lokale Gradienten zusätzlich föderiert aggregiert werden. Die Quelle sollte zur kritischen Bewertung der Trainierbarkeit, Skalierbarkeit und Schaltungsarchitektur eingesetzt werden. Sie begründet, weshalb tiefe oder unstrukturiert initialisierte Quantenschaltungen nicht automatisch leistungsfähigere MQFL-Modelle ergeben.
  • John Preskill: Quantum Computing in the NISQ Era and Beyond, Quantum, 2018.
    • Preskills Arbeit prägt den Begriff der Noisy Intermediate-Scale Quantum-Technologie und beschreibt die Möglichkeiten sowie die deutlichen Grenzen nicht fehlerkorrigierter Quantenprozessoren. Für MQFL liefert sie den hardwarebezogenen Bewertungsrahmen. Die Quelle eignet sich zur Einordnung begrenzter Qubit-Zahlen, fehleranfälliger Gatter, geringer Schaltungstiefen und cloudbasierter Experimente. Sie unterstützt eine nüchterne Trennung zwischen theoretischen Quantenalgorithmen, simulierten MQFL-Modellen und tatsächlich auf realer Hardware ausführbaren Systemen.

Spezialisierte Arbeiten zu sicherer Aggregation und homomorpher Verschlüsselung

  • Keith Bonawitz et al.: Practical Secure Aggregation for Privacy-Preserving Machine Learning, ACM SIGSAC Conference on Computer and Communications Security, 2017.
    • Die Arbeit stellt ein praktisch ausgerichtetes Verfahren zur sicheren Aggregation hochdimensionaler Clientupdates vor. Der Server kann ein gemeinsames Aggregationsergebnis berechnen, ohne die einzelnen lokalen Beiträge im Klartext zu erhalten. Für MQFL ist die Quelle wichtig, weil das lokale Speichern von Rohdaten allein nicht verhindert, dass Modellparameter sensible Informationen enthalten. Sie eignet sich zur Erklärung des Unterschieds zwischen Federated Learning als Trainingsarchitektur und Secure Aggregation als zusätzlichem kryptografischem Schutzmechanismus.
  • Jung Hee Cheon, Andrey Kim, Miran Kim und Yongsoo Song: Homomorphic Encryption for Arithmetic of Approximate Numbers, Advances in Cryptology – ASIACRYPT, Springer, 2017.
    • Diese Primärarbeit führt das später als CKKS bekannte Verfahren für approximative homomorphe Arithmetik ein. CKKS ist für Machine-Learning-Anwendungen relevant, weil es Berechnungen auf verschlüsselten reellen beziehungsweise komplexen Näherungswerten ermöglicht. Die Quelle ist für die technische Einordnung von MQFL-FHE wichtig. Sie kann zur Erklärung von Skalierung, Approximation, Chiffretextrauschen, multiplikativer Tiefe und dem zusätzlichen Rechenaufwand verschlüsselter Modellaggregation verwendet werden.

Bücher und Monographien

Die folgenden Bücher dienen der systematischen Vertiefung. Sie behandeln nicht durchgehend MQFL als eigenständiges Thema, schaffen aber die notwendigen theoretischen Grundlagen für Quanteninformation, Quantum Machine Learning, föderiertes Lernen, Datenschutz und kryptografische Schutzmechanismen. In einer wissenschaftlichen Abhandlung sollten sie vor allem für Definitionen, mathematische Grundlagen und langfristig stabile Fachkonzepte verwendet werden.

Standardwerke zur Quanteninformation

  • Michael A. Nielsen und Isaac L. Chuang: Quantum Computation and Quantum Information, Cambridge University Press, 2010.
    • Dieses Standardwerk vermittelt die mathematischen und physikalischen Grundlagen von Qubits, Quantengattern, Messungen, Verschränkung, Quantenkanälen, Fehlerkorrektur und Quantenalgorithmen. Für eine MQFL-Abhandlung ist es die maßgebliche Hintergrundquelle, um Quantenzustände und Schaltungsoperationen korrekt zu definieren. Das Buch sollte insbesondere dann herangezogen werden, wenn die Funktionsweise von Superposition, Verschränkung oder Quantenmessungen erläutert und von vereinfachenden populärwissenschaftlichen Darstellungen abgegrenzt wird.
  • Mark M. Wilde: Quantum Information Theory, Cambridge University Press, 2017.
    • Wilde behandelt Quanteninformation aus informations- und kommunikationstheoretischer Perspektive. Das Buch ist für fortgeschrittene Abschnitte über Quantenkanäle, Entropie, Verschränkung und Informationsübertragung geeignet. Im MQFL-Kontext hilft es, klassische Modellkommunikation von echter Quantenkommunikation zu unterscheiden. Es ist zudem eine geeignete Grundlage für die Diskussion, welche Informationen aus Quantenzuständen durch Messung extrahiert werden können und welche Grenzen durch die quantenmechanische Natur der Daten entstehen.
  • John Watrous: The Theory of Quantum Information, Cambridge University Press, 2018.
    • Watrous bietet eine mathematisch präzise und beweisorientierte Behandlung der Quanteninformation. Die Monographie eignet sich besonders für eine vertiefte wissenschaftliche Analyse von Zuständen, Kanälen, Messungen, Normen und Optimierungsproblemen. Für MQFL ist sie relevant, wenn formale Aussagen über Quantenzustände, zusammengesetzte Systeme oder die Wirkung quantenmechanischer Operationen benötigt werden. Sie ist anspruchsvoller als eine einführende Darstellung und sollte vor allem für theoretische Definitionen und mathematische Absicherung genutzt werden.

Monographien zu Quantum Machine Learning

  • Maria Schuld und Francesco Petruccione: Machine Learning with Quantum Computers, Springer, 2021.
    • Das Buch gehört zur zentralen Fachliteratur über Quantum Machine Learning. Es behandelt Datenkodierung, Quantenmodelle, Kernelmethoden, Variationsschaltungen, Optimierung und die Beziehung zu klassischen Lernverfahren. Für MQFL ist insbesondere die Darstellung verschiedener Encoding-Strategien wichtig. Die Monographie kann genutzt werden, um Basis Encoding, Angle Encoding, Amplitude Encoding und Data Re-uploading einzuordnen sowie die Abhängigkeit der Modellleistung von der gewählten Quantendarstellung zu erklären.

Grundlagenwerke zu Federated Learning

  • Qiang Yang, Yang Liu, Yong Cheng, Yan Kang, Tianjian Chen und Han Yu: Federated Learning, Springer, 2022.
    • Die Monographie führt strukturiert in horizontales, vertikales und transferbasiertes Federated Learning ein. Sie behandelt Architekturen, verteilte Optimierung, Anwendungsfälle und grundlegende Datenschutzfragen. Für MQFL ist sie eine geeignete Referenz zur korrekten Einordnung der föderierten Systemkomponente. Das Buch kann verwendet werden, um zu erklären, welche Parteien Daten, Merkmale oder Nutzer teilen, wie lokale Modelle koordiniert werden und weshalb föderiertes Lernen nicht mit vollständig dezentralem Lernen gleichgesetzt werden darf.
  • Qiang Yang, Lixin Fan und Han Yu: Federated Learning: Privacy and Incentive, Springer, 2020.
    • Dieser Sammelband konzentriert sich auf Datenschutz, Informationslecks, Anreizmechanismen und vertrauenswürdige Zusammenarbeit in föderierten Systemen. Er ist für MQFL besonders dann relevant, wenn mehrere Krankenhäuser, Unternehmen oder Forschungseinrichtungen als unabhängige Teilnehmer betrachtet werden. Die Beiträge helfen bei der Analyse, weshalb technische Kooperation nicht allein von Modellgenauigkeit abhängt, sondern auch klare Vertrauensmodelle, wirtschaftliche Anreize, Zugriffsregeln und Schutzmechanismen benötigt.

Monographie zu Differential Privacy

  • Cynthia Dwork und Aaron Roth: The Algorithmic Foundations of Differential Privacy, Foundations and Trends in Theoretical Computer Science, 2014.
    • Die Monographie ist ein Standardwerk zur mathematischen Grundlage von Differential Privacy. Sie erklärt Datenschutzbudgets, Sensitivität, Komposition und unterschiedliche Rauschmechanismen. Für MQFL ist sie unverzichtbar, wenn formale Datenschutzgarantien dargestellt werden sollen. Sie hilft außerdem bei der klaren Abgrenzung zwischen gewöhnlichem Quantenmessrauschen und gezielt kalibriertem Rauschen, das tatsächlich eine definierte Differential-Privacy-Eigenschaft erfüllt.

Online-Ressourcen und Datenbanken

Online-Ressourcen sind für MQFL besonders wichtig, weil sich das Forschungsgebiet schnell entwickelt und viele Ergebnisse zunächst als Konferenzbeitrag oder Preprint erscheinen. Die folgenden Angebote dienen entweder der Literaturrecherche, der Prüfung bibliografischer Angaben, der Implementierung von Quantenschaltungen und föderierten Systemen oder der reproduzierbaren Evaluation. Dokumentationen und Softwareplattformen sind keine Ersatzquelle für peer-reviewte Forschungsergebnisse, aber wichtige Hilfsmittel für die technische Umsetzung und Überprüfung.

Fachjournale und Verlage

  • Institute of Electrical and Electronics Engineers: IEEE Xplore Digital Library, fortlaufend aktualisiert.
    • IEEE Xplore enthält zahlreiche Konferenz- und Journalbeiträge zu Quantum Federated Learning, verteilter Optimierung, Kommunikationsnetzen, Datenschutz und maschinellem Lernen. Die Plattform sollte genutzt werden, um DOI, Seitenzahlen, Konferenzbezeichnung und endgültige Verlagsversion einer Veröffentlichung zu prüfen. Für MQFL sind insbesondere Beiträge aus IJCNN, ICASSP, CVPR Workshops und einschlägigen IEEE-Transaktionen relevant.
  • Association for Computing Machinery: ACM Digital Library, fortlaufend aktualisiert.
    • Die ACM Digital Library erschließt Fachliteratur zu Federated Learning, multimodaler Datenverarbeitung, verteilter Informatik, Kryptografie und Sicherheitsprotokollen. Sie ist besonders wichtig für Konferenzbeiträge wie FedMultimodal oder Arbeiten zur sicheren Aggregation. In einer wissenschaftlichen Abhandlung sollte sie zur Prüfung der offiziellen Publikationsfassung und der vollständigen bibliografischen Daten eingesetzt werden.
  • Springer Nature: SpringerLink, fortlaufend aktualisiert.
    • SpringerLink bietet Bücher, Monographien, Journalartikel und Konferenzbände zu Quanteninformation, Quantum Machine Learning, Federated Learning und Kryptografie. Die Plattform ist besonders nützlich für Standardwerke und für die Prüfung von DOI, Auflage, Erscheinungsjahr und Kapitelangaben. Bei der Recherche sollte zwischen peer-reviewten Journalartikeln, Konferenzbeiträgen, Buchkapiteln und reinen Überblicksdarstellungen unterschieden werden.
  • Nature Portfolio: Nature und Nature Reviews, fortlaufend aktualisiert.
    • Nature Portfolio veröffentlicht grundlegende und stark rezipierte Arbeiten zu Quantum Machine Learning, Variationsalgorithmen, NISQ-Hardware und quantenbasierten Lernverfahren. Die Plattform eignet sich für theoretische Hintergrundliteratur und kritische Überblicksartikel. Einzelne Veröffentlichungen sollten dennoch nach ihrem konkreten Beitrag bewertet werden; ein Artikel in einem renommierten Journal ersetzt keinen direkten Vergleich zwischen MQFL und starken klassischen Baselines.
  • American Physical Society: Physical Review Journals, fortlaufend aktualisiert.
    • Die Journale der American Physical Society enthalten wichtige Arbeiten zu Quanteninformation, Quantum Machine Learning, Quantenkerneln, Variationsschaltungen und Hardwarephysik. Für MQFL ist die Plattform besonders relevant, wenn Aussagen über quantenmechanische Merkmalsräume, Messungen oder Schaltungseigenschaften durch physikalische Primärliteratur abgesichert werden sollen.
  • Proceedings of Machine Learning Research: PMLR, fortlaufend aktualisiert.
    • PMLR veröffentlicht frei zugängliche Konferenzbeiträge aus dem Bereich des maschinellen Lernens. Die Sammlung enthält unter anderem die grundlegende Federated-Averaging-Arbeit. Sie eignet sich zur Recherche methodischer Baselines, Optimierungsverfahren und Benchmarkmethoden. Für die MQFL-Abhandlung sollte PMLR vor allem genutzt werden, um den klassischen Stand des maschinellen und föderierten Lernens belastbar abzubilden.

Literatur- und Forschungsdatenbanken

  • Cornell University: arXiv, fortlaufend aktualisiert.
    • arXiv ist für MQFL unverzichtbar, weil neue Arbeiten häufig zunächst als Preprint veröffentlicht werden. Die Plattform ermöglicht den Zugriff auf unterschiedliche Versionen und das Datum der letzten Überarbeitung. Ein arXiv-Eintrag belegt jedoch nicht automatisch ein abgeschlossenes Peer-Review-Verfahren. Für die Abhandlung sollte deshalb geprüft werden, ob zusätzlich eine Konferenz- oder Journalversion mit eigenem DOI vorliegt.
  • Crossref: Metadata Search und DOI-Metadaten, fortlaufend aktualisiert.
    • Crossref dient der Prüfung von DOI, Titel, Autoren, Publikationsjahr, Verlag und Publikationstyp. Die Datenbank ist besonders nützlich, wenn ein Preprint später als Konferenz- oder Journalbeitrag erschienen ist. Sie sollte als bibliografische Kontrollinstanz verwendet werden, nicht als fachliche Bewertung der wissenschaftlichen Qualität einer Quelle.
  • Leibniz-Zentrum für Informatik: DBLP Computer Science Bibliography, fortlaufend aktualisiert.
    • DBLP bietet qualitätsgeprüfte bibliografische Informationen zu Informatikzeitschriften und Konferenzbeiträgen. Die Datenbank eignet sich besonders zur Überprüfung von Autorenreihenfolgen, Konferenznamen, Seitenzahlen und verwandten Veröffentlichungen eines Forschungsteams. Für das interdisziplinäre Thema MQFL ist sie vor allem auf der Informatikseite hilfreich; rein physikalische Fachliteratur wird nicht vollständig abgedeckt.

Lern- und Forschungsplattformen

  • IBM Quantum: Qiskit und IBM Quantum Documentation, fortlaufend aktualisiert.
    • Qiskit ermöglicht die Beschreibung, Simulation, Transpilierung und Ausführung von Quantenschaltungen. Für MQFL-Prototypen kann die Plattform zur Implementierung von Datenkodierung, Variationsschaltungen, Messoperatoren und hardwaregerechtem Circuit Mapping eingesetzt werden. Die Dokumentation ist eine technische Arbeitsquelle. Wissenschaftliche Aussagen über Modellvorteile sollten dagegen auf peer-reviewter Literatur und reproduzierbaren Experimenten beruhen.
  • Xanadu: PennyLane Documentation, fortlaufend aktualisiert.
    • PennyLane ist auf hybride quantenklassische Modelle und differenzierbare Quantenschaltungen ausgerichtet. Die Plattform unterstützt verschiedene Simulatoren, Quantenhardwareanbieter und klassische Machine-Learning-Frameworks. Für MQFL ist sie besonders geeignet, um Variational Quantum Circuits, Parameter-Shift-Gradienten, Quantum Neural Networks und multimodale Hybridmodelle prototypisch umzusetzen.
  • Flower Labs: Flower Framework Documentation, fortlaufend aktualisiert.
    • Flower ist ein frameworkunabhängiges System zur Simulation und Implementierung föderierter Lernprozesse. Es kann mit klassischen Machine-Learning-Bibliotheken und individuell definierten Clientmodellen verbunden werden. Für MQFL-Prototypen eignet sich Flower als Orchestrierungsebene, während die lokalen Quantenmodelle beispielsweise mit PennyLane oder Qiskit implementiert werden. Die Plattform unterstützt die Untersuchung von Clientauswahl, Aggregationsstrategien, Ausfällen und heterogenen Systembedingungen.
  • Google: TensorFlow Federated, fortlaufend aktualisiert.
    • TensorFlow Federated bietet Werkzeuge zur Simulation föderierter Berechnungen und zur Definition verteilter Lernprozesse. Die Plattform ist für MQFL historisch relevant, weil frühe QFL-Arbeiten TensorFlow Federated mit TensorFlow Quantum kombinierten. Sie kann für reproduzierbare Vergleichsexperimente und die Untersuchung föderierter Aggregation eingesetzt werden. Vor einer Implementierung sollte geprüft werden, ob die aktuelle Softwareversion die benötigten Quantum-Machine-Learning-Komponenten weiterhin unmittelbar unterstützt.
  • University of Southern California: FedMultimodal Repository, fortlaufend gepflegt.
    • Das offizielle Repository stellt Implementierungen, Datenaufteilungen und Baselinekonfigurationen des FedMultimodal-Benchmarks bereit. Für MQFL-Forschung kann es als Ausgangspunkt für klassische Vergleichsexperimente dienen. Eine sinnvolle Erweiterung besteht darin, einzelne klassische Fusionskomponenten durch Quantenschaltungen zu ersetzen und dabei Datenpartitionen, Trainingsbudgets und Evaluationsmetriken unverändert zu lassen. Dadurch lässt sich der tatsächliche Beitrag der Quantenkomponente besser isolieren.
  • OpenFHE Development Team: OpenFHE Documentation, fortlaufend aktualisiert.
    • OpenFHE ist eine Open-Source-Bibliothek für vollständig homomorphe Verschlüsselung und unterstützt unter anderem CKKS, BFV, BGV und weitere Verfahren. Für die technische Reproduktion von MQFL-FHE-Ansätzen kann die Dokumentation zur Parametrisierung verschlüsselter Arithmetik, Schlüsselverwaltung, Multiplikationstiefe und Bootstrapping herangezogen werden. OpenFHE ist eine Implementierungsressource; die kryptografische Begründung sollte zusätzlich durch Primärliteratur und aktuelle Sicherheitsempfehlungen abgesichert werden.
Abstrakte Qubits

Abstrakte Qubits

...

QBism (Quantum Bayesianism)

QBism (Quantum Bayesianism)

...

Mesonen

Mesonen

...

Quantum Sensing for Biophysics and Bioengineering (QuBBE)

Quantum Sensing for Biophysics and Bioengineering (QuBBE)

...

Unschärferelation

Unschärferelation

...

Plasmon

Plasmon

...