Quantum-Assisted Federated Learning (QAFL) verbindet das Prinzip des föderierten maschinellen Lernens mit ausgewählten Verfahren des Quantencomputings. Das Ziel besteht nicht darin, sämtliche Bestandteile eines Lernsystems durch Quantentechnologie zu ersetzen. Stattdessen sollen Quantencomputer, Quantenschaltkreise oder quantenbasierte Kommunikationsverfahren genau dort eingesetzt werden, wo sie einen konkreten Beitrag leisten können. Dazu gehören beispielsweise die Merkmalsextraktion, die Optimierung von Modellen, die Verarbeitung von Quantendaten, die Absicherung der Kommunikation oder die kompakte Darstellung bestimmter Lernfunktionen.

QAFL steht damit zwischen zwei technologischen Welten. Auf der einen Seite befindet sich das klassische Federated Learning, bei dem mehrere Teilnehmer gemeinsam ein Modell trainieren, ohne ihre Rohdaten an eine zentrale Stelle zu übertragen. Auf der anderen Seite steht das Quantum Machine Learning, das quantenmechanische Zustände und Operationen für Aufgaben des maschinellen Lernens nutzt. Die Verbindung beider Gebiete eröffnet neue Möglichkeiten, erzeugt aber auch zusätzliche technische, mathematische und sicherheitsbezogene Probleme.

Der entscheidende Maßstab ist nicht, ob ein Verfahren Quantenhardware verwendet. Entscheidend ist, ob das Gesamtsystem gegenüber einem gut entwickelten klassischen Verfahren einen nachvollziehbaren Vorteil erzielt. Ein einzelner schneller Quantenschritt genügt nicht, wenn Datenkodierung, Messungen, Netzwerkkommunikation und Fehlerkorrektur den Vorteil wieder aufheben. QAFL muss deshalb als vollständige Verarbeitungskette betrachtet werden.

Einleitung

Ausgangslage

Moderne Verfahren des maschinellen Lernens benötigen große, vielfältige und möglichst repräsentative Datenbestände. In vielen Bereichen liegen diese Daten jedoch nicht an einem einzigen Ort. Krankenhäuser verwalten getrennte Patientendaten, Banken speichern Transaktionen in voneinander abgeschotteten Systemen, industrielle Anlagen erzeugen lokale Sensordaten und mobile Endgeräte sammeln nutzerspezifische Informationen. Eine zentrale Zusammenführung wäre technisch oft aufwendig und kann durch Datenschutz, Geschäftsgeheimnisse, Sicherheitsvorgaben oder organisatorische Grenzen verhindert werden.

Federated Learning begegnet diesem Problem mit einem verteilten Trainingsverfahren. Die Daten bleiben bei ihren jeweiligen Eigentümern. Statt Rohdaten auszutauschen, trainieren die Teilnehmer lokale Modelle und übermitteln ausgewählte Modellaktualisierungen. Eine koordinierende Instanz verbindet diese Aktualisierungen zu einem globalen Modell. Dieses Modell wird anschließend erneut an die Teilnehmer verteilt.

Das Verfahren verringert die Notwendigkeit, sensible Daten zentral zu speichern. Es löst jedoch nicht automatisch alle Datenschutzprobleme. Modellparameter, Gradienten und Kommunikationsmuster können Informationen über lokale Trainingsdaten offenlegen. Außerdem können bösartige Teilnehmer den Lernprozess manipulieren. Hinzu kommen hohe Kommunikationskosten, heterogene Datenbestände und unterschiedlich leistungsfähige Endgeräte.

Parallel dazu entwickelt sich das Quantencomputing. Quantenprozessoren verarbeiten Informationen mithilfe von Qubits, Quantengattern und Messungen. Für bestimmte mathematische Probleme versprechen Quantenalgorithmen neue Berechnungswege. Im maschinellen Lernen werden insbesondere parametrisierte Quantenschaltkreise, Quantenkernel und hybride quantenklassische Modelle untersucht.

QAFL entsteht aus der Frage, ob solche quantenbasierten Verfahren einzelne Schwächen des föderierten Lernens verringern können. Dabei reicht das Spektrum von einem klassischen Federated-Learning-System mit einer kleinen quantenbasierten Modellkomponente bis zu vollständig verteilten Quantennetzwerken, in denen Quantendaten lokal verarbeitet werden.

Problemstellung

Ein föderiertes System muss mehrere widersprüchliche Ziele gleichzeitig erfüllen. Das globale Modell soll eine hohe Qualität erreichen, obwohl der Server die lokalen Daten nicht direkt kontrollieren kann. Die Teilnehmer sollen möglichst wenige Informationen übertragen, obwohl ihre Beiträge für die Aggregation ausreichend aussagekräftig sein müssen. Das Training soll schnell konvergieren, obwohl die lokalen Daten oft unterschiedlich verteilt sind.

Quantenunterstützung erweitert diesen Zielkonflikt. Ein quantenbasiertes Modell kann bestimmte Datenstrukturen kompakt darstellen, benötigt aber eine aufwendige Kodierung der Eingaben. Ein Quantenprozessor kann spezielle Operationen effizient ausführen, liefert nach einer Messung jedoch nur begrenzte klassische Informationen. Parametrisierte Quantenschaltkreise können trainierbar sein, reagieren aber empfindlich auf Rauschen, Schaltkreistiefe und ungeeignete Initialisierung.

Die zentrale Problemstellung lautet deshalb nicht, ob QAFL grundsätzlich möglich ist. Experimentelle Prototypen zeigen, dass föderiertes Training quantenbasierter Modelle technisch umgesetzt werden kann. Die entscheidende Frage ist vielmehr, unter welchen Bedingungen diese Verbindung sinnvoll, skalierbar, sicher und wirtschaftlich vertretbar ist.

Zielsetzung

Diese Abhandlung erläutert die Grundlagen, Architekturen und Arbeitsweisen von QAFL. Sie zeigt, welche Komponenten eines föderierten Lernsystems durch Quantentechnologie unterstützt werden können und welche Grenzen dabei bestehen. Besonderes Gewicht liegt auf der Unterscheidung zwischen theoretischem Potenzial und praktisch belegter Leistungsfähigkeit.

Darüber hinaus werden Sicherheitsrisiken, Datenschutzfragen, Ressourcenanforderungen und mögliche Anwendungsfelder untersucht. Abschließend wird bewertet, welche Entwicklungen notwendig sind, damit QAFL über kleine Forschungsprototypen hinaus praktische Bedeutung erlangen kann.

Grundlagen des Federated Learning und des Quantum Machine Learning

Grundprinzip des Federated Learning

Federated Learning ist ein Verfahren des verteilten maschinellen Lernens. Mehrere Teilnehmer trainieren gemeinsam ein Modell, ohne ihre vollständigen lokalen Datensätze an einen zentralen Server zu übertragen. Jeder Teilnehmer berechnet auf seinen eigenen Daten eine lokale Modellaktualisierung. Der Server empfängt diese Aktualisierungen, aggregiert sie und erzeugt daraus einen neuen globalen Modellzustand.

Das gemeinsame Optimierungsziel lässt sich vereinfacht als gewichtete Summe lokaler Zielfunktionen darstellen:

\(F(w) = \sum_{k=1}^{K} \frac{n_k}{n} F_k(w)\)

Dabei bezeichnet die lokale Zielfunktion des jeweiligen Teilnehmers den Fehler seines Modells auf den eigenen Daten. Die Gewichtung richtet sich häufig nach der Anzahl der lokalen Trainingsbeispiele. Die Gesamtzahl der verwendeten Trainingsbeispiele ergibt sich aus:

\(n = \sum_{k=1}^{K} n_k\)

Der Server besitzt im Grundmodell keinen direkten Zugriff auf die Rohdaten. Er erhält nur die für das Training vorgesehenen Aktualisierungen. Damit unterscheidet sich Federated Learning von zentralem Lernen, bei dem sämtliche Trainingsdaten in einem gemeinsamen Rechenzentrum gesammelt werden.

Typischer Trainingsablauf

Zu Beginn initialisiert der Server ein globales Modell. Danach wählt er eine Gruppe verfügbarer Teilnehmer aus und überträgt den aktuellen Modellzustand. Jeder ausgewählte Teilnehmer trainiert das Modell für eine bestimmte Zahl lokaler Schritte. Anschließend sendet er die veränderten Parameter oder Gradienten an den Server zurück.

Bei einer einfachen lokalen Gradientenaktualisierung gilt:

\(w_k^{t+1} = w^t - \eta \nabla F_k(w^t)\)

Hier steht der aktuelle globale Modellzustand am Anfang der Trainingsrunde. Die Lernrate bestimmt die Größe des Optimierungsschritts. Der lokale Gradient beschreibt, in welche Richtung sich die Parameter verändern müssen, damit der Fehler auf den lokalen Daten sinkt.

Beim verbreiteten Federated-Averaging-Verfahren bildet der Server einen gewichteten Mittelwert der lokalen Modellzustände:

\(w^{t+1} = \sum_{k=1}^{K} \frac{n_k}{n} w_k^{t+1}\)

Nach der Aggregation beginnt die nächste Runde. Der Prozess wird beendet, wenn die Modellqualität ausreichend ist, ein festgelegtes Trainingsbudget verbraucht wurde oder sich das Modell nicht mehr wesentlich verbessert.

Formen des Federated Learning

Beim horizontalen Federated Learning besitzen die Teilnehmer ähnliche Merkmale, aber unterschiedliche Datensätze. Mehrere Krankenhäuser können beispielsweise medizinische Aufnahmen in derselben Struktur speichern, jedoch jeweils andere Patienten behandeln.

Beim vertikalen Federated Learning beziehen sich die Datensätze auf teilweise dieselben Personen oder Objekte, enthalten aber unterschiedliche Merkmale. Eine Bank könnte finanzielle Informationen besitzen, während ein Versicherer andere Eigenschaften derselben Kunden verwaltet. Die Daten müssen über sichere Zuordnungs- und Berechnungsverfahren verbunden werden.

Cross-Device Federated Learning umfasst häufig eine große Zahl mobiler oder eingebetteter Geräte. Diese Geräte sind nur zeitweise verfügbar und verfügen über begrenzte Rechenleistung, Energie und Bandbreite. Cross-Silo Federated Learning verbindet dagegen eine kleinere Zahl vergleichsweise stabiler Organisationen oder Rechenzentren.

Dezentrales Federated Learning verzichtet auf einen dauerhaft zentralen Aggregationsserver. Teilnehmer tauschen Aktualisierungen direkt oder über wechselnde Nachbarschaften aus. Diese Architektur kann einzelne zentrale Ausfallpunkte vermeiden, erhöht jedoch den Koordinationsaufwand.

Grundlagen des Quantencomputings

Ein klassisches Bit besitzt den Wert null oder eins. Ein Qubit kann sich vor der Messung in einer quantenmechanischen Überlagerung beider Basiszustände befinden:

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

Die komplexen Amplituden müssen die Normalisierungsbedingung erfüllen:

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

Eine Messung liefert einen klassischen Wert. Die Wahrscheinlichkeit für das Ergebnis null beträgt:

\(P(0) = |\alpha|^2\)

Für das Ergebnis eins gilt entsprechend:

\(P(1) = |\beta|^2\)

Mehrere Qubits können verschränkt werden. Der Zustand des Gesamtsystems lässt sich dann nicht mehr als unabhängige Kombination einzelner Qubit-Zustände beschreiben. Quantenalgorithmen nutzen Superposition, Verschränkung und Interferenz, um Wahrscheinlichkeitsamplituden gezielt zu verändern.

Quantengatter führen kontrollierte Zustandsänderungen aus. Mehrere Gatter bilden einen Quantenschaltkreis. Am Ende des Schaltkreises werden ausgewählte Qubits gemessen. Da eine einzelne Messung nur ein stichprobenartiges Ergebnis liefert, muss derselbe Schaltkreis häufig mehrfach ausgeführt werden.

Quantum Machine Learning

Quantum Machine Learning untersucht, wie Quantencomputer für Lernaufgaben eingesetzt werden können. Eine verbreitete Architektur ist der parametrisierte Quantenschaltkreis. Seine Gatter enthalten veränderbare Parameter, die durch einen klassischen Optimierer angepasst werden.

Ein vereinfachtes Modell kann als quantenmechanischer Operator beschrieben werden:

\(|\psi(\theta,x)\rangle = U(\theta)U_{\mathrm{enc}}(x)|0\rangle^{\otimes q}\)

Die Eingabedaten werden durch den Kodierungsschaltkreis in einen Quantenzustand überführt. Der parametrisierte Schaltkreis verarbeitet diesen Zustand. Die Ausgabe entsteht aus dem Erwartungswert eines Messoperators:

\(y(x,\theta) = \langle \psi(\theta,x)|O|\psi(\theta,x)\rangle\)

Die gemessenen Werte können direkt als Vorhersage dienen oder an eine klassische Modellschicht übergeben werden. Ein solches System wird als hybrides quantenklassisches Modell bezeichnet.

Quantum Machine Learning bedeutet nicht automatisch, dass ein Modell schneller oder genauer als ein klassisches Modell ist. Ein praktischer Vorteil muss die Kosten der Datenkodierung, der Messungen, des Rauschens und der klassischen Steuerung einschließen.

Definition und Einordnung von QAFL

Arbeitsdefinition

Quantum-Assisted Federated Learning bezeichnet ein föderiertes Lernsystem, in dem quantenbasierte Verfahren gezielt einen oder mehrere Bestandteile des Lernprozesses unterstützen. Die Rohdaten bleiben grundsätzlich bei den beteiligten Einrichtungen oder Geräten. Ausgetauscht werden Modellparameter, Gradienten, verdichtete Repräsentationen, Messergebnisse oder andere für die Zusammenarbeit notwendige Informationen.

Der Begriff „assisted“ ist wesentlich. Er verdeutlicht, dass die Quantenkomponente nicht den gesamten Prozess übernehmen muss. Ein QAFL-System kann einen klassischen Server, klassische Kommunikationskanäle und klassische Optimierer verwenden, während nur die Merkmalsextraktion auf einem Quantenprozessor erfolgt.

Ebenso kann ein klassisches lokales Modell durch einen Quantenalgorithmus bei der Optimierung unterstützt werden. Eine weitere Möglichkeit ist die Nutzung von Quantentechnologie für Schlüsselaustausch, Zufallszahlen oder sichere delegierte Berechnungen.

Abgrenzung zu Quantum Federated Learning

Die Begriffe Quantum-Assisted Federated Learning und Quantum Federated Learning werden in der Fachliteratur nicht immer einheitlich verwendet. Für eine präzise Betrachtung ist eine funktionale Unterscheidung sinnvoll.

Bei QAFL bleibt das Gesamtsystem überwiegend klassisch. Quantenhardware übernimmt klar abgegrenzte Aufgaben. Bei hybridem Quantum Federated Learning enthalten die lokalen Modelle klassische und quantenbasierte Schichten. Die trainierbaren Parameter des Quantenschaltkreises werden föderiert zusammengeführt.

Vollständig quantenbasiertes Federated Learning verarbeitet dagegen originäre Quantendaten oder Zustände, die nicht sinnvoll als klassische Datensätze betrachtet werden können. Lokale Quantenknoten trainieren gemeinsame Quantenschaltkreise, ohne die empfindlichen Quantendaten zentral zu sammeln.

Quantum-Secure Federated Learning konzentriert sich primär auf die Sicherheit des föderierten Prozesses. Dabei können Quantenkommunikation, Quantum Key Distribution oder postquantenkryptografische Verfahren eingesetzt werden. Post-Quantum-Kryptografie ist allerdings keine Quantenberechnung. Sie besteht aus klassischen Algorithmen, die gegen bekannte Quantenangriffe widerstandsfähig sein sollen.

Integrationsstufen

Die einfachste Integrationsstufe verwendet Quantenhardware als externen Beschleuniger. Ein Teilnehmer bereitet klassische Daten vor, sendet einen Rechenauftrag an einen Quantencloud-Dienst und verarbeitet die Messergebnisse lokal weiter.

Eine tiefere Integration verwendet lokale hybride Modelle. Jeder Teilnehmer besitzt denselben Aufbau aus klassischen und quantenbasierten Schichten. Nach dem lokalen Training werden die Parameter ausgewählter Schichten an den Server übertragen.

In einer heterogenen Architektur besitzen nur einige Teilnehmer direkten Zugang zu Quantenhardware. Andere Teilnehmer trainieren klassische Ersatzmodelle, verwenden Simulatoren oder greifen auf gemeinsame Quantenressourcen zu. Die Aggregation muss dann berücksichtigen, dass nicht alle lokalen Modelle dieselbe Struktur und Messqualität besitzen.

Die höchste Integrationsstufe verbindet mehrere Quantenknoten über ein Quantennetzwerk. Solche Systeme könnten zukünftig Quantenzustände, Verschränkungsressourcen oder quantenbasierte Teilmodelle verteilen. Gegenwärtig ist diese Form deutlich weniger ausgereift als hybride quantenklassische Ansätze.

Zielsetzung von QAFL

QAFL kann unterschiedliche Ziele verfolgen. Ein quantenbasiertes Teilmodell soll möglicherweise mit wenigen Parametern komplexe Datenbeziehungen abbilden. Ein Quantenkernel kann Ähnlichkeiten in einem schwer zugänglichen Merkmalsraum berechnen. Ein Quantenoptimierer kann ein kombinatorisches Auswahlproblem bearbeiten. Quantenbasierte Sicherheitsverfahren können den Schlüsselaustausch oder die Delegation von Berechnungen absichern.

Diese Ziele dürfen nicht vermischt werden. Ein System, das höhere Sicherheit bietet, ist nicht automatisch schneller. Ein Modell mit weniger trainierbaren Parametern benötigt nicht zwingend weniger Gesamtrechenzeit. Eine wissenschaftlich belastbare Bewertung muss deshalb für jedes QAFL-System genau festlegen, welchen Engpass die Quantenkomponente adressiert.

Systemarchitektur und Arbeitsablauf

Beteiligte Komponenten

Ein typisches QAFL-System besteht aus lokalen Teilnehmern, einer Koordinationsinstanz, klassischen Rechenressourcen, optionalen Quantenprozessoren und einem Kommunikationsnetz. Je nach Anwendungsfall kommen Identitätsverwaltung, Zugriffssteuerung, sichere Aggregation und Protokollierung hinzu.

Die Teilnehmer können Krankenhäuser, Unternehmen, Forschungseinrichtungen, Sensorplattformen oder Endgeräte sein. Jeder Teilnehmer verwaltet seinen lokalen Datenbestand und führt die vorgesehenen Trainingsschritte aus. Der Server organisiert die Runden, verteilt Modelle und aggregiert Aktualisierungen.

Der Quantenprozessor kann lokal betrieben oder über eine Cloudschnittstelle angesprochen werden. Bei einer Cloudlösung müssen klassische Daten, Schaltkreisbeschreibungen oder Parameter an einen externen Anbieter übertragen werden. Das erzeugt zusätzliche Vertrauens- und Datenschutzfragen.

Lokale Datenvorbereitung

Vor der quantenbasierten Verarbeitung müssen klassische Daten bereinigt, normalisiert und häufig in ihrer Dimension reduziert werden. Aktuelle Quantenprozessoren können keine beliebig großen Merkmalsvektoren direkt aufnehmen. Praktische Versuche verwenden deshalb oft kleine Datenausschnitte, verdichtete Merkmale oder bereits klassisch extrahierte Repräsentationen.

Eine Standardisierung der Eingaben ist im föderierten Umfeld besonders wichtig. Wenn verschiedene Teilnehmer Merkmale unterschiedlich skalieren, repräsentiert derselbe Drehwinkel im Quantenschaltkreis unterschiedliche Werte. Dadurch entstehen lokale Modelle, deren Parameter nur eingeschränkt vergleichbar sind.

Die Datenvorbereitung muss möglichst einheitlich definiert sein, ohne dass zentrale Statistiken unnötig viele Informationen über lokale Datenbestände offenlegen. Globale Normalisierungswerte können über sichere Aggregation bestimmt oder aus einem öffentlichen Referenzdatensatz abgeleitet werden.

Kodierung klassischer Daten

Klassische Daten müssen in eine Form übersetzt werden, die ein Quantenschaltkreis verarbeiten kann. Bei der Winkelkodierung steuern Merkmalswerte die Drehwinkel einzelner Qubits. Eine einfache Rotation kann beispielsweise so beschrieben werden:

\(R_y(x) = \begin{pmatrix} \cos(x/2) & -\sin(x/2) \\ \sin(x/2) & \cos(x/2) \end{pmatrix}\)

Die Winkelkodierung ist relativ einfach, benötigt jedoch häufig ein Qubit oder mehrere Schaltkreisschichten pro Merkmal. Beim Data Re-Uploading werden dieselben Qubits wiederholt mit Daten und trainierbaren Operationen verarbeitet. Dadurch lassen sich mehr Merkmale mit wenigen Qubits darstellen, allerdings auf Kosten einer größeren Schaltkreistiefe.

Die Amplitudenkodierung kann einen normierten Vektor in die Amplituden eines Quantenzustands einbetten:

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

Dafür muss die Normalisierung gelten:

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

Diese Darstellung kann viele Werte mit vergleichsweise wenigen Qubits aufnehmen. Die Vorbereitung eines beliebigen Zustands kann jedoch aufwendig sein. Ein theoretischer Vorteil der anschließenden Quantenoperation verliert an Bedeutung, wenn bereits die Eingabevorbereitung unverhältnismäßig viele Operationen benötigt.

Aufbau des lokalen Modells

Nach der Kodierung verarbeitet ein parametrisierter Quantenschaltkreis die Daten. Häufig wechseln sich lokale Rotationen und verschränkende Gatter ab. Die Rotationen enthalten trainierbare Parameter. Verschränkungsgatter verbinden die Qubits und ermöglichen eine gemeinsame Darstellung mehrerer Merkmale.

Ein Schaltkreis mit mehreren Schichten lässt sich allgemein schreiben als:

\(U(\theta) = U_L(\theta_L)U_{L-1}(\theta_{L-1})\cdots U_1(\theta_1)\)

Die Reihenfolge ist wichtig, weil Quantenoperationen im Allgemeinen nicht vertauschbar sind. Eine kleine Parameteränderung in einer frühen Schicht kann sich auf alle nachfolgenden Zustände und Messwerte auswirken.

Das Ergebnis wird durch Messungen gewonnen. Für binäre Klassifikationen kann der Erwartungswert eines Pauli-Operators als Ausgabe dienen:

\(\hat{y} = \frac{1 + \langle Z \rangle}{2}\)

Der Wert liegt idealisiert zwischen null und eins und kann als Klassifikationswahrscheinlichkeit interpretiert werden. In einem hybriden Modell werden mehrere Erwartungswerte als Eingabe einer klassischen Schicht genutzt.

Lokales Training

Der Teilnehmer führt den Quantenschaltkreis für seine lokalen Trainingsbeispiele aus. Aus den Messergebnissen berechnet er eine Verlustfunktion. Für eine binäre Klassifikation kann die Kreuzentropie verwendet werden:

\(L(\theta) = -\frac{1}{m}\sum_{i=1}^{m}\left[y_i\log(\hat{y}_i) + (1-y_i)\log(1-\hat{y}_i)\right]\)

Ein klassischer Optimierer verändert die Schaltkreisparameter so, dass der Verlust sinkt. Der Quantenprozessor erzeugt die Messwerte, während der klassische Rechner Datenauswahl, Verlustberechnung, Parameterverwaltung und Optimierung übernimmt.

Diese Aufteilung ist für aktuelle Systeme typisch. Die Quantenkomponente ist kein eigenständiger Lernapparat, sondern Teil einer iterativen klassischen Steuerungsschleife. Jede Optimierungsrunde kann zahlreiche Schaltkreisausführungen erfordern.

Gradientenschätzung

Bei bestimmten parametrisierten Quantengattern kann die Ableitung eines Erwartungswertes mit der Parameter-Shift-Regel bestimmt werden:

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

Für jeden trainierbaren Parameter müssen zusätzliche Schaltkreise mit verschobenen Parameterwerten ausgeführt werden. Bei vielen Parametern und mehreren Messwiederholungen wächst der Aufwand schnell. Die Zahl der Modellparameter allein beschreibt daher nicht vollständig die Trainingskosten.

Alternative Optimierer verwenden nur Funktionswerte oder stochastische Schätzungen. Solche Verfahren können die Zahl der Ausführungen verringern, reagieren aber empfindlich auf Messrauschen und ungeeignete Hyperparameter.

Übertragung der Aktualisierungen

Nach dem lokalen Training überträgt ein Teilnehmer typischerweise klassische Zahlenwerte. Dazu gehören Parameter des Quantenschaltkreises, Parameter klassischer Modellschichten, Gradienten oder komprimierte Modellunterschiede. Die Quantenzustände selbst werden in den meisten heutigen Architekturen nicht an den Server gesendet.

Die Kommunikation ähnelt damit klassischem Federated Learning. Der wesentliche Unterschied liegt im Ursprung der Parameter. Sie beschreiben nicht nur Gewichte eines neuronalen Netzes, sondern auch Rotationen, Kopplungen oder andere Eigenschaften eines Quantenschaltkreises.

Vor der Übertragung können Aktualisierungen quantisiert, komprimiert oder verschlüsselt werden. Jede Kompression verändert jedoch möglicherweise die Wirkung des globalen Quantenschaltkreises. Wegen der nichtlinearen Abhängigkeit der Messwerte von den Parametern kann eine kleine Rundungsabweichung je nach Schaltkreis unterschiedliche Folgen haben.

Globale Aggregation

Wenn alle Teilnehmer dieselbe Schaltkreisarchitektur verwenden, können ihre Parameter komponentenweise gemittelt werden. Ein gewichteter globaler Parametervektor ergibt sich aus:

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

Diese einfache Aggregation setzt voraus, dass derselbe Parameter bei allen Teilnehmern dieselbe funktionale Bedeutung besitzt. Das ist bei identischen Schaltkreisen gegeben, aber nicht automatisch bei unterschiedlichen Hardwaretranspilationen oder variierenden Modellstrukturen.

Außerdem muss beachtet werden, dass Winkel periodisch sind. Zwei numerisch weit auseinanderliegende Winkel können dieselbe Quantenoperation beschreiben. Ein naiver arithmetischer Mittelwert kann daher ungeeignet sein. Für periodische Parameter können zirkuläre Mittelwerte verwendet werden:

\(\bar{\theta} = \mathrm{atan2}\left(\sum_{k=1}^{K} a_k\sin(\theta_k),\sum_{k=1}^{K} a_k\cos(\theta_k)\right)\)

Komplexere Aggregationsverfahren bewerten die Zuverlässigkeit der Teilnehmer, ihre lokale Datenqualität, die Messunsicherheit oder die Ähnlichkeit ihrer Aktualisierungen. Dadurch soll verhindert werden, dass verrauschte oder manipulierte Beiträge das globale Modell dominieren.

Rückverteilung und nächste Runde

Nach der Aggregation verteilt der Server die aktualisierten Parameter. Die Teilnehmer setzen diese in ihre lokalen Schaltkreise ein und beginnen eine neue Trainingsrunde. Dabei kann jeder Teilnehmer seine Schaltung an die eigene Hardware anpassen, solange die logische Modellstruktur erhalten bleibt.

Das Training endet nicht allein aufgrund einer niedrigen lokalen Verlustfunktion. Maßgeblich ist die Leistung des globalen Modells auf geeigneten Validierungsdaten. In datenschutzkritischen Umgebungen kann auch die Validierung föderiert erfolgen. Die Teilnehmer melden aggregierbare Qualitätswerte, ohne einzelne Beispiele offenzulegen.

Quantenbasierte Unterstützungsfunktionen

Quantenunterstützte Merkmalsextraktion

Eine mögliche Rolle der Quantenkomponente ist die Erzeugung neuer Merkmale. Klassische Eingaben werden kodiert, durch einen Quantenschaltkreis verarbeitet und anschließend gemessen. Die Messergebnisse bilden einen neuen Merkmalsvektor für ein klassisches Modell.

Dieser Ansatz begrenzt den quantenbasierten Teil auf eine klar definierte Funktion. Das lokale Hauptmodell kann weiterhin mit etablierten klassischen Verfahren trainiert werden. Föderiert werden entweder die Parameter der quantenbasierten Merkmalsextraktion, die Parameter des klassischen Modells oder beide Komponenten.

Der mögliche Nutzen liegt in der nichtlinearen Abbildung der Eingaben in einen quantenmechanischen Zustandsraum. Ob diese Abbildung tatsächlich bessere Merkmale liefert, hängt von der Kodierung, dem Schaltkreis, dem Datensatz und dem klassischen Vergleichsmodell ab.

Quantum Neural Networks

Ein Quantum Neural Network ist kein neuronales Netz im klassischen physikalischen Sinn. Es handelt sich meist um einen parametrisierten Quantenschaltkreis, dessen trainierbare Operationen eine lernfähige Funktion bilden. Der Begriff verweist auf die strukturelle Ähnlichkeit zu trainierbaren Schichten und Gewichten.

Im QAFL kann jeder Teilnehmer eine lokale Kopie desselben Quantum Neural Network trainieren. Der Server aggregiert anschließend die Parameter. Diese Architektur ist besonders naheliegend, weil nur klassische Parameterwerte übertragen werden müssen.

Quantum Neural Networks können sehr kompakt erscheinen, wenn ausschließlich die Zahl ihrer trainierbaren Parameter betrachtet wird. Ein fairer Vergleich muss jedoch zusätzlich die Zahl der Qubits, die Schaltkreistiefe, die Messwiederholungen, den Kodierungsaufwand und die klassische Vorverarbeitung einbeziehen.

Quantenkernel

Kernelverfahren bewerten die Ähnlichkeit zweier Datenpunkte in einem Merkmalsraum. Ein Quantenkernel verwendet einen Quantenschaltkreis, um eine solche Ähnlichkeit zu bestimmen. Eine typische Form basiert auf der Überlappung zweier kodierter Zustände:

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

Die Zustände entstehen durch dieselbe quantenbasierte Merkmalsabbildung. Der Kernelwert kann anschließend in klassischen Verfahren wie Support Vector Machines verwendet werden.

Im föderierten Umfeld können Teilnehmer lokale Kernelmatrizen, Modellkoeffizienten oder verdichtete Informationen berechnen. Die direkte Zusammenführung ist jedoch schwieriger als bei einem gemeinsamen Parametervektor. Kernelmatrizen wachsen mit der Zahl der Datenpunkte und können selbst sensible Beziehungen zwischen Beispielen offenlegen.

Quantenunterstützte Optimierung

Neben dem Modelltraining enthält Federated Learning mehrere kombinatorische Entscheidungen. Der Server muss Teilnehmer auswählen, Kommunikationsressourcen zuweisen, Trainingszeiten koordinieren und möglicherweise unterschiedliche Modellvarianten verteilen.

Solche Aufgaben können als Optimierungsprobleme formuliert werden. Eine vereinfachte Teilnehmerauswahl könnte folgende Zielfunktion verwenden:

\(\min_{s_1,\ldots,s_K} \sum_{k=1}^{K} c_k s_k - \lambda \sum_{k=1}^{K} q_k s_k\)

Dabei repräsentiert die erste Summe die Kosten der ausgewählten Teilnehmer und die zweite ihren erwarteten Qualitätsbeitrag. Die Auswahlvariablen besitzen die Werte null oder eins.

Quantenannealing oder variationale Optimierungsalgorithmen können für solche Probleme untersucht werden. Ein praktischer Vorteil ist jedoch nicht garantiert. Klassische Optimierungsbibliotheken sind für viele realistische Problemgrößen sehr leistungsfähig. Der Quantenansatz muss deshalb gegen geeignete Heuristiken und exakte klassische Verfahren verglichen werden.

Quantenbasierte Zufallszahlen

Föderierte Systeme benötigen Zufallszahlen für Teilnehmerauswahl, Initialisierung, Datenschutzmechanismen und kryptografische Protokolle. Quantenbasierte Zufallszahlengeneratoren nutzen grundsätzlich nichtdeterministische Messergebnisse quantenmechanischer Prozesse.

Diese Funktion kann ein klassisches Federated-Learning-System unterstützen, ohne dass das Lernmodell selbst quantenbasiert ist. Der Nutzen liegt primär in überprüfbarer oder physikalisch begründeter Zufälligkeit, nicht in einer Beschleunigung des Trainings.

Quantenkommunikation

Ein zukünftiges QAFL-System könnte quantenbasierte Kommunikationskanäle verwenden. Quantum Key Distribution ermöglicht es zwei Parteien, Schlüsselmaterial auszutauschen und bestimmte Abhörversuche zu erkennen. Die eigentlichen Modellparameter können anschließend klassisch verschlüsselt übertragen werden.

Quantenkommunikation verhindert jedoch nicht automatisch manipulierte Daten, kompromittierte Endgeräte oder bösartige Modellaktualisierungen. Sie schützt einen bestimmten Teil der Kommunikationskette. Die Sicherheit des Gesamtsystems bleibt von Identitäten, Software, Hardware, Protokollen und Aggregationsmechanismen abhängig.

Blind Quantum Computing

Viele Teilnehmer werden auf absehbare Zeit keinen eigenen Quantenprozessor besitzen. Sie können Berechnungen an einen Cloudanbieter delegieren. Blind Quantum Computing untersucht Protokolle, bei denen der Anbieter bestimmte Informationen über Eingaben, Schaltkreis oder Ergebnisse nicht erfahren soll.

Für QAFL ist dies relevant, wenn lokale Daten oder Modellparameter sensibel sind. Die praktische Umsetzung erfordert jedoch zusätzliche Ressourcen, spezielle Protokolle und teilweise quantenfähige Kommunikation auf der Clientseite. Blindheit, Verifizierbarkeit und Effizienz müssen getrennt bewertet werden.

Trainingsverfahren und Aggregationsmechanismen

Übertragung klassischer Verfahren

Viele QAFL-Prototypen übernehmen zunächst klassische Federated-Learning-Algorithmen. Federated Averaging ist aufgrund seiner Einfachheit besonders verbreitet. Die lokalen Parameter werden nach der Datenmenge gewichtet und gemittelt.

Dieses Verfahren funktioniert am besten, wenn die lokalen Datenverteilungen ähnlich sind und alle Teilnehmer vergleichbare Trainingsbedingungen besitzen. Bei stark unterschiedlichen Daten kann sich jedes lokale Modell in eine andere Richtung bewegen. Der Mittelwert bildet dann nicht zwangsläufig ein gutes globales Modell.

Proximale Verfahren ergänzen die lokale Zielfunktion um einen Abstand zum globalen Modell:

\(F_k^{\mathrm{prox}}(w) = F_k(w) + \frac{\mu}{2}||w-w^t||_2^2\)

Der Zusatzterm begrenzt, wie weit sich ein lokales Modell während einer Runde vom globalen Ausgangspunkt entfernen darf. Das kann auch bei quantenbasierten Parametervektoren eingesetzt werden.

Nicht identisch verteilte Daten

In realen Föderationen sind Daten selten unabhängig und identisch verteilt. Ein Krankenhaus behandelt andere Patientengruppen als ein anderes. Eine Fabrik betreibt Maschinen unter anderen Umweltbedingungen. Ein Mobilgerät repräsentiert das Verhalten eines einzelnen Nutzers.

Diese Heterogenität führt zu widersprüchlichen lokalen Optimierungsrichtungen. Bei QAFL kommt hinzu, dass kleine Datensätze und Messrauschen die lokalen Gradienten weiter verzerren können. Ein globaler Mittelwert kann dadurch instabil werden.

Mögliche Gegenmaßnahmen sind personalisierte Modelle, Teilnehmercluster, adaptive Gewichtungen und gemeinsame Basisschichten mit lokalen Ergänzungen. Ein quantenbasierter Kern kann global trainiert werden, während eine klassische Ausgabeschicht lokal bleibt.

Personalisierung

Ein einziges globales Modell ist nicht immer das beste Ziel. Personalisierte Verfahren erzeugen ein gemeinsames Grundmodell und passen es an die lokalen Bedingungen an. Eine lokale Zielfunktion kann den globalen und den persönlichen Modellanteil verbinden:

\(L_k(\theta_g,\theta_k) = L_k^{\mathrm{data}}(\theta_g,\theta_k) + \lambda ||\theta_k-\theta_g||_2^2\)

Der globale Parameteranteil erfasst gemeinsame Strukturen. Der lokale Anteil berücksichtigt Besonderheiten des Teilnehmers. Die Regularisierung verhindert, dass sich das persönliche Modell vollständig vom gemeinsamen Wissen entfernt.

Für QAFL ist Personalisierung besonders interessant, wenn Teilnehmer unterschiedliche Quantenhardware oder Fehlerprofile besitzen. Lokale Parameter können hardwarebedingte Abweichungen ausgleichen, während logische Modellbestandteile global geteilt werden.

Asynchrones Training

Synchrones Federated Learning wartet am Ende jeder Runde auf eine festgelegte Gruppe von Teilnehmern. Langsame Geräte oder lange Warteschlangen bei Quantenclouds können den gesamten Prozess verzögern.

Asynchrone Verfahren integrieren Aktualisierungen, sobald sie eintreffen. Ältere Aktualisierungen erhalten häufig ein geringeres Gewicht. Eine mögliche Gewichtungsfunktion lautet:

\(a(\tau) = \frac{1}{1+\tau}\)

Die Verzögerung beschreibt, wie viele globale Aktualisierungen seit dem Ausgangsmodell des Teilnehmers erfolgt sind. Asynchronität erhöht die Auslastung, erschwert aber Konvergenzanalyse, Reproduzierbarkeit und Angriffserkennung.

Hardwarebewusste Aggregation

Quantenprozessoren besitzen unterschiedliche Fehlerraten, Kopplungsstrukturen und verfügbare Gatter. Zwei Teilnehmer können denselben logischen Schaltkreis ausführen, aber Messergebnisse unterschiedlicher Qualität erhalten.

Eine hardwarebewusste Aggregation kann neben der Datenmenge auch einen Zuverlässigkeitswert berücksichtigen:

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

Der Zuverlässigkeitswert kann aus Kalibrierungsdaten, Messunsicherheit oder Validierungsleistung abgeleitet werden. Ein solches Verfahren darf Teilnehmer mit schwächerer Hardware jedoch nicht dauerhaft ausschließen. Andernfalls kann das globale Modell bestimmte Datenverteilungen systematisch unterrepräsentieren.

Datenschutz, Sicherheit und Vertrauenswürdigkeit

Lokale Datenhaltung ist kein vollständiger Datenschutz

Federated Learning reduziert den direkten Austausch von Rohdaten. Daraus folgt jedoch nicht, dass keine privaten Informationen das Gerät verlassen. Gradienten und Parameteränderungen hängen von den lokalen Trainingsbeispielen ab. Unter bestimmten Bedingungen können Angreifer daraus Eigenschaften, Mitgliedschaften oder sogar approximierte Eingaben ableiten.

QAFL beseitigt diese Gefahr nicht automatisch. Auch die Parameter eines Quantenschaltkreises können Informationen über lokale Daten enthalten. Messergebnisse und Gradienten bleiben datenabhängige klassische Signale.

Die Aussage, dass Daten lokal bleiben, beschreibt daher nur einen Teil des Datenschutzmodells. Entscheidend ist, welche Informationen übertragen werden, wer sie beobachten kann und welche Zusatzkenntnisse einem Angreifer zur Verfügung stehen.

Angriffe auf die Vertraulichkeit

Bei Membership-Inference-Angriffen versucht ein Angreifer festzustellen, ob ein bestimmter Datensatz am Training beteiligt war. Modellinversionsangriffe versuchen, charakteristische Merkmale der Trainingsdaten zu rekonstruieren. Gradient-Inversion kann aus lokalen Aktualisierungen approximierte Eingaben erzeugen.

Ein quantenbasiertes Modell kann solche Angriffe verändern, aber nicht grundsätzlich ausschließen. Die gemessene Ausgabe ist klassisch und kann statistisch analysiert werden. Gleichzeitig erschweren endliche Messzahlen und Quantenrauschen möglicherweise bestimmte Rekonstruktionen. Ob dies einen belastbaren Schutz bietet, muss für das jeweilige Modell untersucht werden.

Poisoning- und Backdoor-Angriffe

Ein bösartiger Teilnehmer kann manipulierte Daten verwenden oder seine Modellaktualisierung direkt verändern. Beim Data Poisoning werden lokale Trainingsbeispiele verfälscht. Beim Model Poisoning wird der übertragene Parametervektor manipuliert. Ein Backdoor-Angriff soll bewirken, dass das globale Modell bei einem bestimmten versteckten Muster gezielt falsch reagiert.

QAFL erzeugt zusätzliche Angriffsflächen. Ein Angreifer kann Rotationsparameter verändern, Messstatistiken fälschen, Schaltkreise austauschen oder Hardwarefehler vortäuschen. Bei einer Quantencloud kann außerdem die korrekte Ausführung eines eingereichten Schaltkreises infrage stehen.

Byzantine Teilnehmer

Byzantine Teilnehmer können beliebige fehlerhafte oder widersprüchliche Aktualisierungen senden. Ein einfacher Mittelwert ist gegenüber extremen Werten empfindlich. Robuste Aggregationsverfahren verwenden Mediane, getrimmte Mittelwerte oder Ähnlichkeitsprüfungen.

Der komponentenweise Median kann beschrieben werden als:

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

Bei Quantenparametern muss erneut die Periodizität der Winkel berücksichtigt werden. Außerdem können koordinierte Angreifer Aktualisierungen erzeugen, die statistisch unauffällig wirken, aber gemeinsam eine schädliche Richtung durchsetzen.

Secure Aggregation

Secure Aggregation soll verhindern, dass der Server einzelne Modellaktualisierungen im Klartext sieht. Der Server erfährt nur die Summe oder den aggregierten Wert einer ausreichend großen Teilnehmergruppe.

Für QAFL kann dieses Prinzip klassische Parameter quantenbasierter Modelle schützen. Es verhindert jedoch nicht, dass ein bösartiger Teilnehmer manipulierte Werte einbringt. Vertraulichkeit und Integrität sind unterschiedliche Sicherheitsziele.

Zudem muss das Protokoll mit Teilnehmerausfällen umgehen. Wenn Maskierungswerte nicht korrekt aufgehoben werden können, kann die Aggregation scheitern. Cross-Device-Systeme benötigen deshalb fehlertolerante Protokolle.

Differential Privacy

Differential Privacy begrenzt den Einfluss einzelner Trainingsbeispiele auf die veröffentlichten Ergebnisse. Dazu werden lokale Beiträge begrenzt und mit Zufallsrauschen versehen. Eine übliche Begrenzung eines Gradienten lautet:

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

Danach kann Rauschen hinzugefügt werden:

\(\tilde{g} = \frac{1}{K}\sum_{k=1}^{K}\bar{g}_k + \mathcal{N}(0,\sigma^2 C^2 I)\)

Das Verfahren verbessert den formalen Datenschutz, senkt aber häufig die Modellgenauigkeit. Quantenmessungen erzeugen bereits statistische Schwankungen, doch dieses natürliche Rauschen ersetzt nicht automatisch einen nachgewiesenen Differential-Privacy-Mechanismus.

Quantenkryptografie und Post-Quantum-Kryptografie

Quantenkryptografie verwendet quantenphysikalische Prozesse. Quantum Key Distribution ist das bekannteste Beispiel. Post-Quantum-Kryptografie verwendet dagegen klassische mathematische Verfahren, die bekannten Angriffen durch Quantencomputer widerstehen sollen.

Für ein reales QAFL-System können beide Ansätze relevant sein. Quantenkommunikation kann ausgewählte Verbindungen schützen, während postquantenkryptografische Algorithmen für große bestehende Netzwerke leichter integrierbar sein können.

Keiner der Ansätze schützt allein den Lernprozess. Ein gültig verschlüsselter Kanal kann eine bösartige Aktualisierung zuverlässig übertragen. Sicherheit benötigt deshalb eine Kombination aus Vertraulichkeit, Authentifizierung, Integritätsprüfung, robuster Aggregation und Überwachung.

Vertrauen in Quantenclouds

Cloudbasierte Quantencomputer sind für Forschung und frühe Anwendungen wichtig. Sie erzeugen jedoch eine zusätzliche externe Partei. Der Anbieter sieht möglicherweise Schaltkreisbeschreibungen, Zeitpunkte, Parameter und Messergebnisse.

Selbst wenn keine Rohdaten übertragen werden, können kodierte Parameter Rückschlüsse erlauben. Vertragliche, technische und kryptografische Schutzmaßnahmen müssen daher gemeinsam betrachtet werden.

Verifizierbare Quantenberechnung soll einem Auftraggeber ermöglichen, die korrekte Ausführung zu prüfen. Solche Protokolle sind wissenschaftlich bedeutsam, aber für großflächige QAFL-Systeme noch mit erheblichem Aufwand verbunden.

Leistung, Ressourcenbedarf und Skalierbarkeit

Geeignete Bewertungsgrößen

Die Genauigkeit allein genügt nicht zur Bewertung eines QAFL-Systems. Zusätzlich müssen Trainingszeit, Kommunikationsvolumen, Energiebedarf, Zahl der Quantenaufträge, Schaltkreistiefe, Qubit-Anzahl und Messwiederholungen betrachtet werden.

Eine vereinfachte Gesamtlaufzeit kann dargestellt werden als:

\(T_{\mathrm{gesamt}} = T_{\mathrm{vor}} + T_{\mathrm{kod}} + T_{\mathrm{quant}} + T_{\mathrm{mess}} + T_{\mathrm{komm}} + T_{\mathrm{agg}}\)

Die Vorverarbeitung, Kodierung, Quantenberechnung, Messung, Kommunikation und Aggregation tragen jeweils zum tatsächlichen Aufwand bei. Ein Vorteil in einem einzelnen Term ist wertlos, wenn andere Terme überproportional wachsen.

Parameterzahl und Rechenaufwand

Ein Quantum Neural Network kann mit relativ wenigen trainierbaren Parametern auskommen. Daraus kann ein geringeres Kommunikationsvolumen entstehen. Ein kleiner Parametervektor bedeutet jedoch nicht automatisch ein schnelles Training.

Wenn für jeden Parameter mehrere verschobene Schaltkreise und viele Messwiederholungen benötigt werden, kann die Zahl der Hardwareausführungen groß sein. Für einen Schaltkreis mit einer bestimmten Zahl trainierbarer Parameter und Messwiederholungen kann der Aufwand einer vollständigen Parameter-Shift-Auswertung näherungsweise wachsen wie:

\(N_{\mathrm{shots}} \approx 2PSB\)

Dabei stehen die Faktoren für die Zahl der Parameter, die Messwiederholungen und die Zahl der verarbeiteten Datenbeispiele oder Minibatches. Weitere Messoperatoren erhöhen den Aufwand zusätzlich.

Kommunikationskosten

Federated Learning kann durch große Modellaktualisierungen belastet werden. Ein kompakter Quantenschaltkreis könnte weniger Parameter als ein tiefes klassisches Netz besitzen. Dadurch sinkt möglicherweise die übertragene Datenmenge.

Dieser Vorteil gilt nur, wenn das quantenbasierte Modell eine vergleichbare Aufgabe mit ähnlicher Qualität erfüllt. Außerdem entstehen bei Cloudzugriffen zusätzliche Kommunikationsvorgänge zwischen Client und Quantenanbieter. Diese Aufträge gehören zur Gesamtbilanz.

Messrauschen

Der Erwartungswert eines Operators wird aus endlich vielen Messungen geschätzt. Für eine binäre Messgröße nimmt der Standardfehler näherungsweise mit der Wurzel der Messzahl ab:

\(\mathrm{SE}(\hat{p}) = \sqrt{\frac{\hat{p}(1-\hat{p})}{S}}\)

Eine Halbierung des statistischen Fehlers erfordert daher ungefähr die vierfache Zahl an Messungen. In föderierten Systemen kann jeder Teilnehmer eine andere Messgenauigkeit verwenden. Das erschwert die faire Aggregation.

Hardwarefehler

NISQ-Prozessoren sind durch Gate-Fehler, Auslesefehler und Dekohärenz begrenzt. Tiefe Schaltkreise sammeln mehr Fehler an. Fehlervermeidung, Schaltkreisoptimierung und Error Mitigation können die Ergebnisse verbessern, benötigen aber zusätzliche Messungen oder Kalibrierungen.

Vollständige Quantenfehlerkorrektur würde logische Qubits aus vielen physischen Qubits aufbauen. Für großflächige QAFL-Anwendungen ist dies eine langfristige Perspektive. Gegenwärtige Experimente müssen mit fehleranfälliger Hardware oder Simulatoren arbeiten.

Skalierbarkeit

Ein QAFL-System muss mit steigender Teilnehmerzahl umgehen können. Mehr Teilnehmer liefern potenziell vielfältigere Daten, erhöhen aber Kommunikation, Koordination und Angriffsfläche. Bei begrenztem Zugang zu Quantenhardware entstehen Warteschlangen.

Hierarchische Architekturen können Teilnehmer zunächst regional oder organisatorisch zusammenfassen. Lokale Aggregatoren bilden Zwischenmodelle, die auf einer höheren Ebene verbunden werden. Dies reduziert zentrale Last, erzeugt jedoch zusätzliche Vertrauensstellen.

Mögliche Anwendungsfelder

Medizin und Gesundheitswesen

Medizinische Daten sind sensibel, institutionell verteilt und häufig schwer zentral zusammenzuführen. Krankenhäuser könnten gemeinsam Diagnosemodelle trainieren, ohne vollständige Patientenakten auszutauschen.

Eine quantenbasierte Komponente könnte verdichtete Bildmerkmale, genomische Repräsentationen oder multimodale Daten verarbeiten. Realistisch ist zunächst ein hybrides Modell, bei dem klassische Verfahren die hochdimensionalen Rohdaten reduzieren und ein kleiner Quantenschaltkreis ausgewählte Merkmale weiterverarbeitet.

Die medizinische Eignung hängt nicht nur von der Genauigkeit ab. Modelle müssen robust, nachvollziehbar, validiert und regulatorisch einsetzbar sein. Ein quantenbasierter Aufbau befreit nicht von diesen Anforderungen.

Finanzwesen

Banken und Zahlungsdienstleister verfügen über getrennte Transaktionsdaten. Gemeinsame Modelle könnten Betrugsmuster erkennen, die innerhalb eines einzelnen Instituts nur selten auftreten.

QAFL könnte Quantenkernel oder hybride Klassifikatoren für Anomalieerkennung untersuchen. Quantenoptimierung kann außerdem bei Portfolio-, Risiko- oder Ressourcenzuordnungsproblemen eingesetzt werden.

Finanzanwendungen erfordern besonders strenge Sicherheits-, Prüfungs- und Nachweispflichten. Ein Modell muss reproduzierbare Entscheidungen liefern und gegen Manipulation geschützt sein. Die Nutzung externer Quantenclouds kann zusätzliche regulatorische Fragen auslösen.

Industrie und vorausschauende Wartung

Maschinen, Produktionslinien und Energieanlagen erzeugen große Mengen lokaler Sensordaten. Hersteller und Betreiber können gemeinsame Fehlerdiagnosemodelle trainieren, ohne Betriebsdaten vollständig offenzulegen.

Ein quantenunterstütztes Modell könnte kompakte Zustandsmerkmale oder komplexe Wechselwirkungen zwischen Sensorwerten verarbeiten. Besonders relevant sind Situationen mit wenigen Fehlerbeispielen, ungleichen Betriebsbedingungen und hohen Kosten ungeplanter Ausfälle.

Industrielle Anwendungen benötigen niedrige Latenzen und stabile Verfügbarkeit. Eine entfernte Quantencloud ist für unmittelbare Sicherheitsabschaltungen ungeeignet. QAFL wäre hier eher für langfristige Modellverbesserung als für zeitkritische Steuerung einsetzbar.

Cybersicherheit

Organisationen beobachten jeweils nur einen Ausschnitt der globalen Bedrohungslage. Federierte Modelle können Angriffsmuster aus mehreren Netzwerken lernen, ohne vollständige Protokolldaten auszutauschen.

Quantenbasierte Anomaliedetektoren oder Kernelverfahren können als Teil solcher Systeme erforscht werden. Gleichzeitig ist die Föderation selbst ein Angriffsziel. Ein kompromittierter Teilnehmer könnte manipulierte Muster einspeisen oder eine Hintertür erzeugen.

Cybersicherheitsmodelle müssen sich schnell an neue Angriffe anpassen. Die Aktualisierungsgeschwindigkeit und Verfügbarkeit der Quantenressourcen sind deshalb ebenso wichtig wie die reine Klassifikationsleistung.

Mobilität und vernetzte Fahrzeuge

Fahrzeuge erzeugen Sensordaten über Verkehr, Umgebung, Komponenten und Fahrverhalten. Ein föderiertes System kann Modelle verbessern, ohne sämtliche Rohdaten an einen Hersteller zu übertragen.

QAFL könnte bei Optimierungsproblemen, Angriffserkennung oder komplexen Sensorkombinationen eingesetzt werden. Die unmittelbare Fahrzeugsteuerung muss jedoch lokal und zuverlässig funktionieren. Quantenunterstützung ist eher für zentrale Trainings- und Analysephasen geeignet.

Quantensensorik und wissenschaftliche Forschung

Besonders naheliegend ist QAFL, wenn die lokalen Daten selbst quantenmechanischer Natur sind. Verteilte Quantensensoren, Quantenexperimente oder Materialsimulationen können Zustände erzeugen, deren vollständige klassische Beschreibung sehr groß ist.

Ein föderierter Ansatz könnte gemeinsame Quantenschaltkreise trainieren, ohne empfindliche Zustände zu einem zentralen Rechner zu transportieren. Das No-Cloning-Theorem verhindert ohnehin das beliebige Kopieren unbekannter Quantenzustände.

Dieser Bereich unterscheidet sich grundlegend von klassischem Federated Learning. Die Teilnehmer verwalten nicht nur sensible klassische Daten, sondern physische Quantenzustände. Kommunikation, Speicherung und Aggregation benötigen deshalb neue Protokolle.

Technische und wissenschaftliche Herausforderungen

Begrenzte NISQ-Hardware

Aktuelle Quantenprozessoren besitzen eine begrenzte Zahl zuverlässig nutzbarer Qubits. Ihre Operationen sind fehlerbehaftet, und die Kohärenzzeit begrenzt die mögliche Schaltkreistiefe. Diese Geräte werden als Noisy Intermediate-Scale Quantum Systeme bezeichnet.

QAFL vervielfacht die Hardwareprobleme, weil mehrere Teilnehmer oder Aufträge beteiligt sind. Kalibrierungswerte ändern sich, Gerätegenerationen unterscheiden sich und Ergebnisse verschiedener Prozessoren sind nur eingeschränkt vergleichbar.

Hardwarebewusste Schaltkreise müssen deshalb kurz, anpassbar und fehlertolerant sein. Ein theoretisch ausdrucksstarker Schaltkreis ist praktisch nutzlos, wenn er auf realer Hardware keine stabilen Messergebnisse erzeugt.

Barren Plateaus

Parametrisierte Quantenschaltkreise können Bereiche ihrer Optimierungslandschaft besitzen, in denen die Gradienten extrem klein werden. Dieses Problem wird als Barren Plateau bezeichnet. Der Optimierer erhält dann kaum eine verwertbare Richtung.

Vereinfacht kann die Varianz eines Gradienten mit wachsender Systemgröße sehr stark abnehmen:

\(\mathrm{Var}\left(\frac{\partial L}{\partial \theta_j}\right) \propto \frac{1}{2^q}\)

Die genaue Entwicklung hängt von Schaltkreis, Initialisierung, Kostenfunktion und Datenkodierung ab. Lokale Kostenfunktionen, strukturierte Ansätze und problembezogene Initialisierungen können das Risiko verringern.

Im föderierten Training können lokale Teilnehmer unterschiedliche flache Bereiche erleben. Die Aggregation sehr kleiner und verrauschter Gradienten führt dann nicht zu einem stabilen globalen Lernsignal.

Datenkodierungsengpass

Viele theoretische Quantenalgorithmen setzen voraus, dass Daten bereits effizient als Quantenzustand verfügbar sind. Bei klassischen Daten muss dieser Zustand erst erzeugt werden. Die dafür erforderlichen Operationen können einen möglichen Geschwindigkeitsvorteil aufzehren.

Im QAFL wiederholt jeder Teilnehmer die Kodierung für viele Datenpunkte und Trainingsschritte. Die Kodierung ist daher kein einmaliger Nebenschritt, sondern ein wesentlicher Teil der Rechenkosten.

Praktische Systeme müssen zeigen, dass die gewählte Kodierung nicht nur mathematisch elegant, sondern auch mit realistischer Hardware, Datenmenge und Messzahl sinnvoll ist.

Statistische Heterogenität

Unterschiedliche Datenverteilungen sind bereits im klassischen Federated Learning eine zentrale Herausforderung. QAFL fügt keine automatische Lösung hinzu. Ein ausdrucksstarker Quantenschaltkreis kann lokale Unterschiede sogar stärker abbilden und dadurch die Divergenz der Modelle erhöhen.

Teilnehmerauswahl, Clusterbildung, Personalisierung und robuste Optimierung bleiben notwendig. Forschungsergebnisse auf gleichmäßig aufgeteilten kleinen Standarddatensätzen lassen sich nicht ohne Weiteres auf reale Föderationen übertragen.

Systemheterogenität

Einige Teilnehmer besitzen leistungsfähige klassische Hardware, andere verwenden kleine Edge-Geräte. Manche haben Zugriff auf Quantenprozessoren, andere nur auf Simulatoren. Zusätzlich unterscheiden sich Netzwerkbandbreite, Verfügbarkeit und Energieversorgung.

Ein realistisches QAFL-Protokoll muss verschiedene Teilnahmestufen erlauben. Andernfalls besteht die Föderation nur aus wenigen spezialisierten Einrichtungen und verliert einen Teil der Skalierbarkeit des ursprünglichen Federated-Learning-Gedankens.

Fehlende Benchmarks

Ein aussagekräftiger Benchmark benötigt identische Datensätze, vergleichbare Trainingsbudgets und starke klassische Baselines. Die Zahl trainierbarer Parameter darf nicht das einzige Effizienzmaß sein.

Zu dokumentieren sind mindestens Schaltkreisstruktur, Qubit-Zahl, Messwiederholungen, Optimierer, Hardware, Fehlerminderung, Kommunikationsrunden und Vorverarbeitung. Ohne diese Angaben sind Ergebnisse schwer reproduzierbar.

Außerdem muss zwischen Simulation und realer Quantenhardware unterschieden werden. Ein idealer Simulator enthält keine Hardwarefehler und kann quantenmechanische Zustände intern mit klassischen Ressourcen berechnen. Gute Simulationsergebnisse beweisen daher keine praktische Überlegenheit auf einem Quantenprozessor.

Nachweis eines Quantenvorteils

Ein Quantenvorteil liegt nicht schon dann vor, wenn ein Quantenmodell eine Aufgabe erfolgreich löst. Es muss einen relevanten klassischen Vergleich unter vergleichbaren Bedingungen übertreffen.

Die Gesamtressourcen müssen einbezogen werden. Dazu gehören Datenvorbereitung, Rechenzeit, Hardwarezugriff, Energie, Kommunikation und statistische Unsicherheit. Auch die Kosten für Entwicklung, Fehleranalyse und Wartung sind für praktische Anwendungen relevant.

Ein begrenzter Vorteil kann dennoch wertvoll sein. Ein QAFL-Modell muss nicht in jeder Dimension überlegen sein. Es könnte beispielsweise bei ähnlicher Genauigkeit deutlich weniger Kommunikationsdaten übertragen. Die Behauptung muss jedoch konkret und messbar formuliert werden.

Wirtschaftliche Grenzen

Quantenhardware ist spezialisiert und der Zugang häufig cloudbasiert. Unternehmen benötigen zusätzlich Fachwissen in Quanteninformation, maschinellem Lernen, verteilter Systemarchitektur und Sicherheit.

Der wirtschaftliche Nutzen muss deshalb einen realen Engpass lösen. Ein klassisches Verfahren ist vorzuziehen, wenn es dieselbe Aufgabe günstiger, stabiler und einfacher erfüllt. QAFL ist keine sinnvolle Investition allein aufgrund seines technologischen Neuheitswertes.

Forschungsstand und Entwicklungsperspektiven

Gegenwärtiger Stand

QAFL und Quantum Federated Learning befinden sich in einer frühen Forschungsphase. Es existieren theoretische Modelle, Simulationen und erste praktische Demonstrationen mit kleinen Datensätzen und begrenzten Quantenschaltkreisen.

Hybride Architekturen dominieren, weil aktuelle Quantenprozessoren klassische Steuerung benötigen und nur kleine Modellteile übernehmen können. Häufig werden parametrisierte Quantenschaltkreise lokal trainiert und ihre klassischen Parameter über Federated Averaging verbunden.

Die bisherigen Arbeiten zeigen vor allem, dass die Kombination grundsätzlich umsetzbar ist. Sie liefern noch keinen allgemeinen Beleg dafür, dass QAFL klassische föderierte Verfahren in realistischen Großsystemen übertrifft.

Kurzfristige Entwicklung

Kurzfristig sind Fortschritte bei kompakten Schaltkreisen, besserer Kodierung, Error Mitigation und hardwarebewusstem Training zu erwarten. Ebenso wichtig sind standardisierte Softwarekomponenten, die klassische Federated-Learning-Frameworks mit Quantenbibliotheken verbinden.

Forschung wird stärker auf faire Vergleiche und realistische Datenverteilungen achten müssen. Kleine Bilddatensätze sind für Machbarkeitsstudien nützlich, bilden aber industrielle, medizinische oder wissenschaftliche Anforderungen nur begrenzt ab.

Ein weiterer Schwerpunkt wird die Sicherheit sein. Quantenspezifische Poisoning-, Manipulations- und Cloudangriffe müssen systematisch untersucht werden. Schutzmechanismen dürfen nicht ausschließlich aus klassischen Systemen übernommen werden, ohne die Eigenschaften von Quantenschaltkreisen zu berücksichtigen.

Mittelfristige Entwicklung

Mit leistungsfähigeren Quantenprozessoren könnten größere hybride Modelle und komplexere Kernelverfahren möglich werden. Mehrere Quantenclouds könnten föderiert zusammenarbeiten, ohne dass alle Teilnehmer denselben Anbieter verwenden.

Dafür werden portable Schaltkreisbeschreibungen, einheitliche Messprotokolle und geräteübergreifende Kalibrierungsverfahren benötigt. Ein globales Modell muss auf unterschiedlichen Hardwarearchitekturen logisch dieselbe Funktion ausführen können.

Auch Quantenkommunikationsnetze könnten eine größere Rolle spielen. Zunächst werden sie wahrscheinlich nur ausgewählte Verbindungen oder Forschungseinrichtungen verbinden. Eine flächendeckende quantenbasierte Infrastruktur ist keine kurzfristige Voraussetzung für hybride QAFL-Systeme.

Langfristige Perspektive

Fehlerkorrigierte Quantencomputer könnten tiefere und zuverlässigere Schaltkreise ermöglichen. Dann wären vollständig quantenbasierte föderierte Systeme mit Quantendaten und verteilten logischen Quantenprozessoren realistischer.

Langfristig könnte QAFL Teil einer heterogenen Recheninfrastruktur werden. Klassische CPUs, GPUs, spezialisierte Beschleuniger und Quantenprozessoren übernehmen jeweils die Aufgaben, für die sie geeignet sind. Der Nutzer muss nicht zwingend erkennen, welche Hardware eine einzelne Modellkomponente ausführt.

Die erfolgreiche Entwicklung hängt jedoch nicht allein von der Qubit-Zahl ab. Benötigt werden bessere Algorithmen, zuverlässige Netze, Sicherheitsstandards, verständliche Schnittstellen und belastbare wirtschaftliche Anwendungsfälle.

Voraussetzungen für praktische Relevanz

Ein praktisch relevantes QAFL-System muss einen klar definierten Vorteil besitzen. Dieser kann in Genauigkeit, Kommunikationseffizienz, Datenschutz, Modellkompaktheit oder der Verarbeitung originärer Quantendaten liegen.

Die Ergebnisse müssen reproduzierbar sein. Vergleichsstudien benötigen starke klassische Baselines. Das System muss auch bei heterogenen Daten, Geräteausfällen und bösartigen Teilnehmern funktionieren.

Darüber hinaus muss die Quantenkomponente in bestehende Arbeitsabläufe integrierbar sein. Ein Modell, das nur unter Laborbedingungen mit manueller Betreuung funktioniert, ist keine produktionsreife Lösung.

Fazit

Quantum-Assisted Federated Learning verbindet zwei anspruchsvolle Forschungsgebiete. Federated Learning ermöglicht gemeinsames Modelltraining über organisatorische und technische Grenzen hinweg, ohne sämtliche Rohdaten zentral zu sammeln. Quantencomputing eröffnet neue Formen der Datenrepräsentation, Optimierung und sicheren Kommunikation.

Die Verbindung ist technisch plausibel, aber nicht automatisch vorteilhaft. Aktuelle QAFL-Systeme sind überwiegend hybride Architekturen. Klassische Rechner übernehmen Datenvorbereitung, Steuerung, Optimierung und Kommunikation. Quantenprozessoren führen begrenzte Modell- oder Berechnungsschritte aus.

Die aussichtsreichsten frühen Einsatzformen sind klar abgegrenzte Quantenkomponenten: kleine trainierbare Quantenschaltkreise, Quantenkernel, spezialisierte Optimierungsverfahren, quantenbasierte Zufallszahlen und ausgewählte Sicherheitsprotokolle. Vollständig quantenbasierte Föderationen bleiben langfristiger orientiert.

Die wichtigsten Grenzen sind Datenkodierung, Messaufwand, Hardwarefehler, heterogene Daten, unterschiedliche Geräte und fehlende Benchmarks. Zusätzlich bleiben alle grundlegenden Sicherheitsprobleme des Federated Learning bestehen. Lokale Datenhaltung allein garantiert keinen vollständigen Datenschutz.

QAFL sollte deshalb nicht als Ersatz für klassisches Federated Learning dargestellt werden. Es ist ein Werkzeugkasten für Situationen, in denen eine Quantenkomponente einen konkret messbaren Engpass adressiert. Der Nutzen muss für die gesamte Verarbeitungskette nachgewiesen werden.

Die zentrale wissenschaftliche Aufgabe besteht nicht darin, möglichst viele quantenbasierte Elemente in ein föderiertes System einzubauen. Sie besteht darin, die kleinste sinnvolle Quantenkomponente zu identifizieren, die unter realistischen Bedingungen einen nachvollziehbaren Mehrwert erzeugt. Erst wenn dieser Mehrwert reproduzierbar, sicher und wirtschaftlich belastbar ist, wird QAFL von einem Forschungsgebiet zu einer praktisch einsetzbaren Technologie.

Mit freundlichen Grüßen Jörg-Owe Schneppat

Anhang

Wissenschaftliche Zeitschriften und Artikel

Die folgende Auswahl verbindet grundlegende Primärliteratur zu Quantum-Assisted Federated Learning und Quantum Federated Learning mit spezialisierten Arbeiten zu Sicherheit, Rauschen, Modellarchitekturen und praktischen Anwendungen. Da die Terminologie des Forschungsfeldes noch nicht vollständig vereinheitlicht ist, verwenden einige Publikationen den Begriff Quantum Federated Learning auch für hybride Systeme, die funktional als quantenunterstützte föderierte Lernverfahren eingeordnet werden können.

Grundlegende Primärliteratur zu QAFL

  • Samuel Yen-Chi Chen und Shinjae Yoo: Federated Quantum Machine Learning, Entropy, Band 23, Ausgabe 4, Artikel 460, 2021.
    • Diese frühe Primärarbeit führt ein föderiertes Training hybrider quantenklassischer Modelle vor. Sie eignet sich als zentrale Quelle für die historische Einordnung von QAFL, die Beschreibung lokaler Quantum Neural Networks und die föderierte Aggregation trainierbarer Quantenschaltkreisparameter.
  • Qi Xia und Qun Li: QuantumFed: A Federated Learning Framework for Collaborative Quantum Training, IEEE Global Communications Conference, 2021.
    • QuantumFed gehört zur grundlegenden Primärliteratur über das gemeinschaftliche Training eines globalen Quantenmodells durch mehrere verteilte Quantenknoten. Die Arbeit kann für die Beschreibung föderierter Quantenmodellparameter, gemeinsamer Quantum Neural Networks und der Robustheit gegenüber verrauschten lokalen Daten verwendet werden.
  • Mahdi Chehimi und Walid Saad: Quantum Federated Learning with Quantum Data, IEEE International Conference on Acoustics, Speech and Signal Processing, Seiten 8617–8621, 2022.
  • Weikang Li, Sirui Lu und Dong-Ling Deng: Quantum Federated Learning Through Blind Quantum Computing, Science China Physics, Mechanics & Astronomy, Band 64, Artikel 100312, 2021.
    • Diese Primärarbeit verbindet verteiltes Lernen mit Blind Quantum Computing und Differential Privacy. Sie ist für Abschnitte über delegierte Quantenberechnungen, nicht vertrauenswürdige Quantenclouds, private Modellparameter und quantenbasierte Sicherheitsprotokolle besonders relevant.
  • Yuxuan Song, Yujie Wu, Shuaishuai Wu et al.: A Quantum Federated Learning Framework for Classical Clients, Science China Physics, Mechanics & Astronomy, Band 67, Artikel 250311, 2024.
    • Die Arbeit untersucht, wie klassische Clients an einem quantenunterstützten föderierten Lernsystem teilnehmen können. Sie eignet sich für die Darstellung heterogener Architekturen, in denen nicht jeder Teilnehmer eigene Quantenhardware besitzt und Quantenressourcen über eine zentrale oder externe Infrastruktur bereitgestellt werden.
  • Mahdi Chehimi, Samuel Yen-Chi Chen, Walid Saad, Don Towsley und Mérouane Debbah: Foundations of Quantum Federated Learning Over Classical and Quantum Networks, IEEE Network, Band 38, Ausgabe 1, Seiten 124–130, 2024.
    • Diese konzeptionelle Grundlagenarbeit ordnet die Komponenten von Quantum Federated Learning in klassische und quantenbasierte Kommunikationsnetze ein. Sie kann zur Beschreibung von Systemarchitekturen, Netzwerktopologien, Kommunikationsproblemen, Sicherheitsanforderungen und zukünftigen Quantennetzen herangezogen werden.

Spezialisierte Arbeiten zu Datenschutz, Rauschen und Modellarchitekturen

  • 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, Seiten 9811–9815, 2024.
    • Die Arbeit kombiniert föderiertes Quantum Machine Learning mit Differential Privacy. Sie ist Spezialliteratur für die Untersuchung von Datenschutzbudgets, Modellinversionsangriffen und der Frage, wie gezielt hinzugefügtes Rauschen die Genauigkeit hybrider Quantenmodelle beeinflusst.
  • Liangjun Chen, Lili Yan und Shibin Zhang: Robust Quantum Federated Learning with Noise, Physica Scripta, Band 99, Ausgabe 7, Artikel 076003, 2024.
    • Diese Spezialarbeit konzentriert sich auf die Robustheit föderierter Quantenmodelle unter Rauscheinflüssen. Sie kann für die Analyse von NISQ-Hardware, verrauschten lokalen Modellen, instabilen Messergebnissen und der Konvergenz unter realistischeren Quantenfehlern genutzt werden.
  • 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 ist eine spezialisierte Arbeit über die föderierte Ausbildung von Quantum Neural Networks. Sie eignet sich für die Untersuchung trainierbarer Quantenschaltkreise, lokaler Modelloptimierung, Aggregation von QNN-Parametern und praktischer Implementierungsabläufe in hybriden Systemen.
  • Mahdi Chehimi, Samuel Yen-Chi Chen, Walid Saad und Shinjae Yoo: Federated Quantum Long Short-Term Memory, Quantum Machine Intelligence, Band 6, Artikel 43, 2024.
    • Die Arbeit erweitert das Forschungsfeld auf föderierte Quantum-LSTM-Modelle und zeitabhängige Daten. Sie kann als Spezialquelle für sequenzielle Daten, Funktionsapproximation, Kommunikationsrunden und den Vergleich quantenbasierter mit klassischen rekurrenten Modellen verwendet werden.
  • Arnaldo Rafael Camara Araujo, Ogobuchi Daniel Okey, Muhammad Saadi et al.: Quantum-Assisted Federated Intelligent Diagnosis Algorithm with Variational Training Supported by 5G Networks, Scientific Reports, Band 14, Artikel 26333, 2024.
    • Diese anwendungsorientierte Primärarbeit stellt einen ausdrücklich als quantum-assisted bezeichneten Ansatz für die föderierte medizinische Diagnose vor. Sie ist für Abschnitte über hybride Variationsalgorithmen, Gesundheitsdaten, Internet-of-Medical-Things-Geräte, 5G-Kommunikation und reale Anwendungsgrenzen von QAFL geeignet.

Übersichtsarbeiten und systematische Einordnungen

  • Rocco Ballester, Jesus Cerquides und Luis Artiles: Quantum Federated Learning: A Comprehensive Literature Review of Foundations, Challenges, and Future Directions, Quantum Machine Intelligence, Band 7, Artikel 73, 2025.
    • Die systematische Literaturübersicht ordnet die vorhandenen QFL-Arbeiten anhand einer Taxonomie und identifiziert Forschungsrichtungen, methodische Unterschiede und offene Probleme. Sie ist besonders geeignet, um die Struktur einer Abhandlung abzusichern und Primärquellen nach Architektur, Datenart, Modell und Anwendung zu klassifizieren.
  • Chao Qiao, Mingzhe Li, Yuanwei Liu und Zhi Tian: Transitioning from Federated Learning to Quantum Federated Learning in Internet of Things: A Comprehensive Survey, IEEE Communications Surveys & Tutorials, Band 27, Ausgabe 1, Seiten 509–545, 2025.
    • Diese umfangreiche Übersichtsarbeit verbindet klassische Federated-Learning-Konzepte mit QFL-Architekturen im Internet der Dinge. Sie ist für die Untersuchung von Netzwerken, Edge-Systemen, Kommunikationseffizienz, Sicherheitsmodellen und der Entwicklung von klassischem FL zu quantenunterstützten Varianten relevant.
  • Dinh C. Nguyen, Md Raihan Uddin, Shaba Shaon, Ratun Rahman, Octavia Dobre und Dusit Niyato: Quantum Federated Learning: A Comprehensive Survey, arXiv, 2025.
    • Die aktuelle Überblicksarbeit behandelt Architekturen, Netzwerktopologien, Kommunikationsmodelle, Optimierung, Sicherheit, Anwendungen und Softwareplattformen. Da es sich um eine Vorveröffentlichung handelt, sollte sie als Recherche- und Orientierungsquelle verwendet und bei zentralen Aussagen durch begutachtete Primärliteratur ergänzt werden.

Hintergrundliteratur zu Federated Learning und Quantum Machine Learning

  • H. Brendan McMahan, Eider Moore, Daniel Ramage, Seth Hampson und Blaise Agüera y Arcas: Communication-Efficient Learning of Deep Networks from Decentralized Data, Proceedings of Machine Learning Research, Band 54, Seiten 1273–1282, 2017.
    • Diese grundlegende Primärarbeit führte das praktische Federated-Averaging-Verfahren für tiefe neuronale Netze ein. Sie sollte zur Erklärung des klassischen föderierten Trainingszyklus, der lokalen Updates, der gewichteten Aggregation und der Kommunikationseffizienz verwendet werden.
  • Peter Kairouz et al.: Advances and Open Problems in Federated Learning, Foundations and Trends in Machine Learning, Band 14, Ausgaben 1–2, Seiten 1–210, 2021.
    • Diese umfassende Grundlagen- und Überblicksarbeit behandelt Optimierung, Datenschutz, Sicherheit, Kommunikation, Heterogenität und offene Forschungsprobleme des klassischen Federated Learning. Sie ist der geeignete Referenzrahmen, um zu prüfen, welche Probleme durch QAFL tatsächlich neu entstehen und welche bereits aus klassischen föderierten Systemen bekannt sind.
  • M. Cerezo, Andrew Arrasmith, Ryan Babbush et al.: Variational Quantum Algorithms, Nature Reviews Physics, Band 3, Seiten 625–644, 2021.
    • Die Übersichtsarbeit bildet eine wesentliche Grundlage für das Verständnis hybrider quantenklassischer Optimierung. Sie ist für die Beschreibung parametrisierter Quantenschaltkreise, klassischer Optimierer, NISQ-Beschränkungen, Messkosten und Trainierbarkeitsprobleme in QAFL-Modellen geeignet.
  • Maria Schuld und Nathan Killoran: Quantum Machine Learning in Feature Hilbert Spaces, Physical Review Letters, Band 122, Artikel 040504, 2019.
  • 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.
    • Die Arbeit ist die zentrale Primärquelle zum Barren-Plateau-Problem. Sie sollte verwendet werden, um das Verschwinden von Gradienten, die eingeschränkte Skalierbarkeit tiefer Quantenschaltkreise und die besonderen Optimierungsprobleme verteilter variationaler Quantenmodelle zu erklären.
  • John Preskill: Quantum Computing in the NISQ Era and Beyond, Quantum, Band 2, Artikel 79, 2018.
    • Preskills Arbeit prägt den Begriff der Noisy Intermediate-Scale Quantum Era und liefert den technologischen Hintergrund für aktuelle QAFL-Prototypen. Sie kann zur realistischen Einordnung begrenzter Qubit-Zahlen, fehlender vollständiger Fehlerkorrektur und der Rolle hybrider Algorithmen verwendet werden.

Bücher und Monographien

Die Bücher und Monographien dienen der systematischen Vertiefung der drei fachlichen Säulen von QAFL: Quanteninformation, Quantum Machine Learning und Federated Learning. Standardwerke sollten vor allem für Definitionen und mathematische Grundlagen genutzt werden, während neuere Fachbücher den Stand der Algorithmen, Datenschutzverfahren und Systemarchitekturen abdecken.

Standardwerke zur Quanteninformation

  • Michael A. Nielsen und Isaac L. Chuang: Quantum Computation and Quantum Information, 10th Anniversary Edition, Cambridge University Press, 2010.
    • Das Werk ist die grundlegende Referenz für Qubits, Quantenzustände, Messungen, Verschränkung, Quantengatter, Quantenalgorithmen, Quantenkommunikation und Fehlerkorrektur. Es sollte für alle physikalischen und informationstheoretischen Definitionen verwendet werden, auf denen die Erklärung von QAFL aufbaut.
  • Eleanor G. Rieffel und Wolfgang H. Polak: Quantum Computing: A Gentle Introduction, MIT Press, 2011.
    • Dieses Lehrbuch bietet eine mathematisch fundierte, zugleich zugängliche Einführung in Quanteninformation und Quantenberechnung. Es eignet sich zur Absicherung einführender Erläuterungen, wenn die Abhandlung Quantenbegriffe verständlich darstellen soll, ohne die physikalische Genauigkeit zu verlieren.

Fachliteratur zu Quantum Machine Learning

  • Maria Schuld und Francesco Petruccione: Supervised Learning with Quantum Computers, Springer, 2018.
    • Das Buch verbindet Quantenberechnung mit überwachtem maschinellem Lernen. Es ist für die Darstellung von Datenkodierung, Klassifikation, Quantenmodellen, Kernelverfahren und den Grenzen kurzfristig verfügbarer Quantenhardware geeignet.
  • Maria Schuld und Francesco Petruccione: Machine Learning with Quantum Computers, Springer, 2021.
    • Die überarbeitete und erweiterte Darstellung behandelt moderne Quantum-Machine-Learning-Verfahren, Datenrepräsentationen und trainierbare Quantenschaltkreise. Sie kann als Hauptquelle für die methodischen Grundlagen lokaler Quantenmodelle innerhalb einer QAFL-Architektur dienen.
  • Peter Wittek: Quantum Machine Learning: What Quantum Computing Means to Data Mining, Academic Press, 2014.
    • Das Buch gehört zu den frühen Monographien über die Verbindung von Quantenalgorithmen und maschinellem Lernen. Es ist vor allem als historische und konzeptionelle Hintergrundquelle geeignet und sollte bei Aussagen über den aktuellen Hardware- oder Softwarestand durch neuere Literatur ergänzt werden.

Standardwerke zu Federated Learning und Datenschutz

  • Qiang Yang, Yang Liu, Yong Cheng, Yan Kang, Tianjian Chen und Han Yu: Federated Learning, Springer, 2020.
    • Die Monographie behandelt horizontales, vertikales und transferbasiertes Federated Learning sowie verteilte Optimierung, Sicherheit und Anwendungsfälle. Sie eignet sich als grundlegende Buchquelle für die klassische Systemseite von QAFL.
  • Heiko Ludwig und Nathalie Baracaldo: Federated Learning: A Comprehensive Overview of Methods and Applications, Springer, 2022.
    • Der Sammelband deckt Algorithmen, Datenschutz, Sicherheit, verteilte Systeme und reale Anwendungen ab. Er ist besonders geeignet, um QAFL nicht isoliert als Quantenverfahren, sondern als Erweiterung einer bereits komplexen föderierten Systemarchitektur zu bewerten.
  • Qiang Yang, Lixin Fan und Han Yu: Federated Learning: Privacy and Incentive, Springer, 2020.
    • Dieser Sammelband konzentriert sich auf Datenschutzangriffe, Schutzmechanismen, Datenbewertung und Anreize für Teilnehmer. Er ist für die Analyse von Gradient Leakage, Poisoning, robustem Training und den organisatorischen Voraussetzungen einer Föderation relevant.
  • My T. Thai, Hai N. Phan und Bhavani Thuraisingham: Handbook of Trustworthy Federated Learning, Springer, 2024.
    • Das Handbuch bietet aktuelle Hintergrundliteratur zu vertrauenswürdigem Federated Learning, Datenschutz, Angriffen, robusten Verteidigungsverfahren und Edge Intelligence. Es ist für eine kritische Bewertung der Sicherheitsversprechen von QAFL besonders geeignet.
  • Cynthia Dwork und Aaron Roth: The Algorithmic Foundations of Differential Privacy, Foundations and Trends in Theoretical Computer Science, 2014.
    • Diese Monographie ist die maßgebliche Grundlagenquelle für Differential Privacy. Sie sollte verwendet werden, um Datenschutzgarantien, Datenschutzbudgets und Rauschmechanismen mathematisch korrekt von informellen Behauptungen über Privatsphäre abzugrenzen.

Online-Ressourcen und Datenbanken

Online-Ressourcen sind in einem dynamischen Forschungsgebiet unverzichtbar, müssen jedoch nach ihrer Funktion unterschieden werden. Literaturdatenbanken dienen der systematischen Recherche, Verlagsportale liefern bibliografisch verbindliche Journal-Versionen und Softwareplattformen unterstützen die reproduzierbare Implementierung. Dokumentationen ersetzen keine wissenschaftliche Primärquelle, sind aber für technische Angaben zu Programmierschnittstellen und aktuellen Softwareversionen maßgeblich.

Fachjournale und Verlage

  • IEEE Xplore: Digitale Bibliothek des Institute of Electrical and Electronics Engineers, fortlaufend.
    • IEEE Xplore enthält zahlreiche Primärarbeiten zu Federated Learning, Quantum Federated Learning, Kommunikationsnetzen, Edge Computing und Sicherheit. Die Plattform sollte zur Prüfung verbindlicher Konferenz- und Journal-Versionen, Seitenzahlen, DOI-Angaben und Veröffentlichungsjahre verwendet werden.
  • ACM Digital Library: Forschungsdatenbank der Association for Computing Machinery, fortlaufend.
    • Die ACM Digital Library ist für Arbeiten über verteilte Systeme, maschinelles Lernen, Datenschutz, Softwarearchitektur und sichere Berechnung relevant. Sie unterstützt insbesondere die Recherche nach robusten Aggregationsmethoden und Systemlösungen, die auch für QAFL benötigt werden.
  • SpringerLink: Wissenschaftliches Portal für Zeitschriften, Konferenzbände und Monographien, fortlaufend.
    • SpringerLink stellt unter anderem Arbeiten aus Quantum Machine Intelligence und Science China Physics, Mechanics & Astronomy bereit. Das Portal eignet sich zur Prüfung der endgültigen Journal-Fassungen und zur Recherche nach Fachbüchern über Quantum Machine Learning und Federated Learning.
  • Nature Portfolio: Fachzeitschriften und Forschungsartikel zu Quanteninformation und maschinellem Lernen, fortlaufend.
    • Das Portal enthält grundlegende und anwendungsorientierte Arbeiten aus Nature Communications, Nature Reviews Physics, Scientific Reports und weiteren Fachzeitschriften. Es ist für Primärliteratur über NISQ-Systeme, Variationsalgorithmen, Quantenkernel und quantenunterstützte Anwendungen relevant.
  • IOPscience: Wissenschaftliches Portal des Institute of Physics, fortlaufend.
    • IOPscience erschließt Fachzeitschriften wie Quantum Science and Technology und Physica Scripta. Die Plattform ist für Arbeiten über Quantenschaltkreise, Quantenrauschen, Quantenhardware und robuste Quantum-Machine-Learning-Verfahren relevant.

Literaturdatenbanken und Rechercheportale

  • arXiv: Open-Access-Repositorium für wissenschaftliche Vorabveröffentlichungen, Cornell University, fortlaufend.
    • arXiv ist für QAFL besonders wichtig, weil neue Ansätze häufig vor der formalen Journal- oder Konferenzveröffentlichung verfügbar werden. Preprints sollten für die Ermittlung aktueller Forschungsrichtungen genutzt, aber eindeutig als nicht zwingend begutachtete Vorabfassungen gekennzeichnet werden.
  • Google Scholar: Fachübergreifende Suchmaschine für wissenschaftliche Literatur, fortlaufend.
    • Google Scholar eignet sich zur Suche nach Zitierungen, verschiedenen Fassungen einer Publikation und verwandten Forschungsarbeiten. Bibliografische Angaben sollten anschließend über den Verlag, den DOI-Datensatz oder die offizielle Konferenzseite überprüft werden.
  • dblp Computer Science Bibliography: Bibliografische Datenbank für Informatik, fortlaufend.
    • dblp bietet strukturierte Angaben zu Autoren, Konferenzen, Journal-Ausgaben und verwandten Veröffentlichungen. Die Datenbank ist besonders nützlich, um Veröffentlichungsreihen im Bereich Federated Learning, verteilte Systeme und Quantum Computing nachzuverfolgen.
  • Crossref: DOI-Metadaten und bibliografische Nachweise wissenschaftlicher Veröffentlichungen, fortlaufend.
    • Crossref eignet sich zur Kontrolle von DOI, Titel, Autoren, Verlag und Veröffentlichungsdatum. Die Plattform ist besonders hilfreich, wenn Preprint, Konferenzfassung und spätere Journal-Version einer Arbeit voneinander unterschieden werden müssen.

Lern- und Forschungsplattformen

  • IBM Quantum und Qiskit: Dokumentation für Quantenschaltkreise, Transpilation, Simulation und Quantenhardware, fortlaufend.
    • Qiskit ermöglicht die Konstruktion, Optimierung und Ausführung von Quantenschaltkreisen. Die Dokumentation ist für reproduzierbare QAFL-Prototypen relevant, wenn lokale Quantenmodelle simuliert oder auf IBM-Quantenprozessoren ausgeführt werden. Versionsabhängige technische Angaben sollten stets direkt aus der aktuellen Dokumentation übernommen werden.
  • PennyLane: Softwarebibliothek für differenzierbare Quantenprogrammierung und Quantum Machine Learning, fortlaufend.
    • PennyLane verbindet parametrisierte Quantenschaltkreise mit klassischen Machine-Learning-Systemen. Die Plattform ist besonders relevant für Quantum Neural Networks, automatische Gradientenermittlung, hybride Optimierung und die Entwicklung kleiner QAFL-Demonstratoren.
  • TensorFlow Quantum: Framework für hybride quantenklassische Modelle, Google, fortlaufend.
    • TensorFlow Quantum verbindet Quantenschaltkreise mit TensorFlow-Modellen. Die Plattform ist für die prototypische Umsetzung hybrider QAFL-Modelle und für die Reproduktion früher Arbeiten relevant, die TensorFlow Quantum gemeinsam mit föderierten Lernbibliotheken verwenden.
  • TensorFlow Federated: Framework für maschinelles Lernen auf dezentralen Daten, Google, fortlaufend.
    • TensorFlow Federated stellt Bausteine für föderiertes Training, Evaluation und Aggregation bereit. Es kann verwendet werden, um den klassischen Föderationsprozess eines QAFL-Prototyps zu implementieren und mit einer über TensorFlow Quantum aufgebauten Quantenkomponente zu verbinden.
  • Flower: Framework für plattformunabhängiges Federated Learning, Flower Labs, fortlaufend.
    • Flower unterstützt föderierte Experimente mit unterschiedlichen Machine-Learning-Bibliotheken und heterogenen Clients. Es eignet sich für QAFL-Architekturen, in denen klassische, simulierte und quantenfähige Teilnehmer über eine gemeinsame Föderationsschicht koordiniert werden sollen.
Halbleiter-Loch-Qubits

Halbleiter-Loch-Qubits

...

Squarks

Squarks

...

Kontroll-Qubits

Kontroll-Qubits

...

Strange-Quarks

Strange-Quarks

...

Quantenüberlegenheit

Quantenüberlegenheit

...

Chargino

Chargino

...