Maschinelles Lernen beruht häufig auf großen Datenbeständen, die an einem zentralen Ort gesammelt, gespeichert und verarbeitet werden. Dieses Vorgehen ist technisch bequem, verursacht jedoch erhebliche Probleme. Medizinische Daten, Finanzinformationen, industrielle Messwerte oder persönliche Nutzerdaten dürfen nicht beliebig zwischen Organisationen, Staaten oder technischen Plattformen ausgetauscht werden. Zusätzlich entstehen zentrale Angriffspunkte, hohe Übertragungskosten und eine starke Abhängigkeit von einzelnen Infrastrukturbetreibern.

Federated Learning verfolgt deshalb einen dezentralen Ansatz. Die Daten bleiben bei den beteiligten Einrichtungen oder Endgeräten. Statt Rohdaten an einen zentralen Server zu übertragen, trainieren die Teilnehmer lokale Modelle und senden lediglich Modellparameter, Gradienten oder daraus abgeleitete Aktualisierungen. Eine koordinierende Instanz führt diese Beiträge zu einem globalen Modell zusammen. Auf diese Weise können mehrere Teilnehmer kooperieren, obwohl ihre Daten räumlich, rechtlich oder organisatorisch getrennt bleiben.

Quantum-Enhanced Federated Learning erweitert dieses Grundprinzip um Komponenten des Quantencomputings. Dabei kann ein Quantenprozessor das lokale Lernmodell, die Optimierung, die Merkmalsabbildung, die Aggregation oder einzelne Sicherheitsverfahren unterstützen. Der Ansatz ist nicht mit einem vollständig quantenbasierten Netzwerk gleichzusetzen. In der gegenwärtigen Forschung dominieren hybride Systeme, in denen klassische Rechner und Quantenprozessoren klar abgegrenzte Aufgaben übernehmen.

Das Forschungsgebiet verbindet damit drei anspruchsvolle Bereiche: verteiltes maschinelles Lernen, Quantenalgorithmen und sichere Kommunikation. Seine wissenschaftliche Relevanz liegt nicht darin, klassisches Federated Learning pauschal zu ersetzen. Entscheidend ist vielmehr die Frage, ob bestimmte Teilaufgaben durch quantenmechanische Verfahren effizienter, ausdrucksstärker oder sicherer bearbeitet werden können.

Problemstellung

Federated Learning löst das Problem der zentralen Datensammlung nicht vollständig. Auch Modellaktualisierungen können Informationen über lokale Trainingsdaten enthalten. Angreifer können versuchen, Eingabedaten aus Gradienten zu rekonstruieren, die Mitgliedschaft bestimmter Datensätze im Training zu erkennen oder das globale Modell durch manipulierte Beiträge zu beeinflussen. Hinzu kommen Kommunikationskosten, ungleich verteilte Daten, unterschiedlich leistungsfähige Clients und zeitweise ausfallende Teilnehmer.

Quantencomputing bringt weitere Schwierigkeiten mit sich. Gegenwärtige Quantenprozessoren besitzen nur eine begrenzte Zahl zuverlässig nutzbarer Qubits. Quantenzustände sind empfindlich gegenüber Rauschen, unvollständigen Gatteroperationen und Dekohärenz. Viele Schaltkreise müssen wiederholt ausgeführt werden, damit sich aus den Messungen belastbare Erwartungswerte bestimmen lassen. Ein theoretisch kompakter Quantenalgorithmus kann deshalb in der praktischen Ausführung erhebliche Laufzeit- und Ressourcenanforderungen verursachen.

Die zentrale Problemstellung lautet daher nicht, ob Quantencomputer grundsätzlich in einem föderierten Lernsystem eingesetzt werden können. Dies ist technisch bereits in kleinen Experimenten möglich. Entscheidend ist, ob der Einsatz unter realistischen Bedingungen einen nachweisbaren Vorteil erzeugt. Dieser Vorteil muss gegenüber optimierten klassischen Verfahren bestehen und den gesamten Aufwand einschließen: Datenkodierung, Schaltkreisausführung, Messungen, Kommunikation, Fehlerreduktion und klassische Nachverarbeitung.

Ziel und Leitfragen

Diese Abhandlung erklärt die technischen Grundlagen von Quantum-Enhanced Federated Learning, ordnet die wichtigsten Architekturen ein und bewertet die derzeit erkennbaren Chancen und Grenzen. Im Mittelpunkt stehen die Komponenten, bei denen Quantenverfahren tatsächlich ansetzen können. Dazu gehören parametrische Quantenschaltkreise, Quanten-Kernel, hybride neuronale Modelle, quantenbasierte Optimierung und Verfahren für zukünftige Quantennetzwerke.

Die Untersuchung folgt fünf Leitfragen:

  • Wie funktioniert Federated Learning technisch und welche Schwächen besitzt es?
  • Welche Eigenschaften des Quantencomputings sind für verteilte Lernverfahren relevant?
  • Welche Architekturen und Modelltypen werden unter Quantum-Enhanced Federated Learning zusammengefasst?
  • Unter welchen Bedingungen könnte ein praktischer Quantenvorteil entstehen?
  • Welche technischen, sicherheitsbezogenen und methodischen Probleme müssen noch gelöst werden?

Grundlagen des Federated Learning

Grundprinzip

Federated Learning ist ein Verfahren zum gemeinsamen Training eines Modells über mehrere getrennte Datenquellen hinweg. Jeder Teilnehmer besitzt einen lokalen Datensatz. Dieser Datensatz verbleibt auf dem jeweiligen Gerät oder innerhalb der jeweiligen Organisation. Ein zentraler Koordinator verteilt zunächst ein globales Ausgangsmodell. Die Clients trainieren dieses Modell lokal und geben anschließend nur die entstandenen Modellaktualisierungen zurück.

Für einen Client mit dem Index k kann die lokale Zielfunktion folgendermaßen beschrieben werden:

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

Dabei bezeichnet \(\theta\) die Modellparameter, \(n_k\) die Zahl der lokalen Trainingsbeispiele, \(f_\theta\) das Modell und \(\ell\) die verwendete Verlustfunktion. Das globale Lernziel ergibt sich als gewichtete Summe der lokalen Zielfunktionen:

\(F(\theta)=\sum_{k=1}^{K}p_kF_k(\theta)\)

Die Gewichte \(p_k\) spiegeln häufig den Anteil der lokalen Datenmenge an der gesamten Trainingsmenge wider. Das föderierte System versucht somit, ein globales Modell zu finden, das die verteilten lokalen Ziele möglichst gut zusammenführt.

Typischer Trainingsablauf

Eine Trainingsrunde beginnt mit der Auswahl einer Gruppe verfügbarer Clients. Der Server sendet ihnen den aktuellen Stand des globalen Modells. Jeder Client führt eine festgelegte Zahl lokaler Optimierungsschritte aus. Anschließend übermittelt er entweder die neuen Parameter, die Parameterdifferenz oder die berechneten Gradienten.

Beim weit verbreiteten Federated Averaging werden die lokalen Parameter gewichtet gemittelt:

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

Hier bezeichnet \(t\) die globale Trainingsrunde und \(\theta_k^{(t+1)}\) den lokal aktualisierten Parametersatz des Clients. Der Server verwendet das Aggregationsergebnis als neues globales Modell und verteilt es in der nächsten Runde erneut.

Das Verfahren wirkt einfach, ist jedoch empfindlich gegenüber den Eigenschaften der lokalen Daten. Wenn die Datenverteilungen stark voneinander abweichen, bewegen sich die lokalen Modelle während des Trainings in unterschiedliche Richtungen. Die Mittelung kann dann zu langsamer Konvergenz, schwankender Modellqualität oder einem globalen Modell führen, das für keinen Teilnehmer optimal ist.

Organisationsformen

Cross-Device Federated Learning

Beim Cross-Device Federated Learning nehmen sehr viele Endgeräte teil, beispielsweise Smartphones, Fahrzeuge oder Sensoren. Die einzelnen Geräte besitzen meist kleine Datenmengen, begrenzte Rechenleistung und unzuverlässige Verbindungen. Nur ein Teil der Geräte steht in einer bestimmten Trainingsrunde zur Verfügung. Das System muss deshalb mit häufigen Ausfällen, wechselnden Teilnehmern und stark unterschiedlichen Hardwareprofilen umgehen.

Cross-Silo Federated Learning

Cross-Silo Federated Learning verbindet eine kleinere Zahl stabiler Organisationen, etwa Krankenhäuser, Banken oder Industrieunternehmen. Die Teilnehmer verfügen über leistungsfähige Infrastruktur und größere lokale Datenbestände. Die Kommunikation ist zuverlässiger, zugleich steigen jedoch die Anforderungen an Verträge, Governance, Nachvollziehbarkeit und rechtliche Verantwortlichkeit.

Horizontales und vertikales Federated Learning

Beim horizontalen Federated Learning besitzen die Teilnehmer ähnliche Merkmale, aber unterschiedliche Datensätze. Mehrere Krankenhäuser können beispielsweise vergleichbare Patientendaten speichern, jedoch für unterschiedliche Personen. Beim vertikalen Federated Learning betreffen die Daten dieselben Personen oder Objekte, während die Teilnehmer unterschiedliche Merkmale besitzen. Eine Bank und ein Versicherungsunternehmen könnten etwa verschiedene Informationen über teilweise identische Kunden verarbeiten.

Die vertikale Variante ist technisch komplexer, weil nicht nur Modellparameter koordiniert werden müssen. Auch die sichere Zuordnung gemeinsamer Datensätze und die Berechnung verteilter Zwischenwerte spielen eine zentrale Rolle.

Zentrale Herausforderungen

Die wichtigste Herausforderung ist die statistische Heterogenität. Lokale Daten sind in der Praxis selten unabhängig und identisch verteilt. Ein Krankenhaus behandelt andere Patientengruppen als ein anderes, ein Produktionsstandort verwendet andere Maschinen, und ein mobiles Gerät spiegelt das individuelle Verhalten seines Nutzers wider. Ein globales Modell muss diese Unterschiede berücksichtigen, ohne dominante Teilnehmer übermäßig zu bevorzugen.

Eine zweite Herausforderung ist die Systemheterogenität. Clients unterscheiden sich hinsichtlich Rechenleistung, Speicher, Energieversorgung und Netzwerkqualität. In einem quantenerweiterten System kommen unterschiedliche Qubit-Technologien, Fehlerraten, Schaltkreistiefen und Warteschlangen hinzu.

Die dritte Herausforderung betrifft Sicherheit und Datenschutz. Lokale Datenhaltung reduziert den direkten Datenaustausch, verhindert aber weder Informationslecks aus Gradienten noch absichtliche Manipulationen. Federated Learning ist daher kein eigenständiges Datenschutzverfahren, sondern eine Systemarchitektur, die zusätzliche Schutzmechanismen benötigt.

Grundlagen des Quantencomputings

Qubits und Quantenzustände

Ein klassisches Bit besitzt den Zustand null oder eins. Ein Qubit kann sich in einer Superposition beider Basiszustände befinden:

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

Die komplexen Amplituden \(\alpha\) und \(\beta\) müssen die Normierungsbedingung erfüllen:

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

Bei einer Messung in der Rechenbasis wird der Zustand null mit der Wahrscheinlichkeit \(|\alpha|^2\) und der Zustand eins mit der Wahrscheinlichkeit \(|\beta|^2\) beobachtet. Die Superposition bedeutet nicht, dass ein Qubit nach der Messung gleichzeitig beide klassischen Werte liefert. Der Informationsgewinn entsteht durch die kontrollierte Entwicklung von Amplituden und Interferenzen innerhalb eines Quantenschaltkreises.

Mehrere Qubits werden durch einen gemeinsamen Zustandsraum beschrieben. Für \(n\) Qubits umfasst dieser Raum \(2^n\) Basiszustände. Diese exponentiell wachsende Zustandsbeschreibung ist eine wesentliche Quelle der theoretischen Leistungsfähigkeit von Quantencomputern. Sie bedeutet jedoch nicht automatisch, dass alle darin enthaltenen Informationen effizient ausgelesen werden können. Jede Messung liefert nur begrenzte klassische Information.

Quantengatter und Schaltkreise

Quantengatter verändern Quantenzustände durch unitäre Operationen. Für eine unitäre Matrix gilt:

\(U^\dagger U=I\)

Ein Quantenschaltkreis besteht aus einer Folge solcher Operationen, gefolgt von Messungen. Für maschinelles Lernen sind besonders parametrische Quantengatter relevant. Ihre Wirkung hängt von einstellbaren Winkeln oder anderen Parametern ab. Diese Parameter übernehmen eine ähnliche Funktion wie trainierbare Gewichte in klassischen neuronalen Netzen.

Ein typischer parametrischer Schaltkreis enthält mehrere Schichten. Zunächst werden klassische Daten in Quantenzustände kodiert. Danach folgen trainierbare Rotationen und Verschränkungsoperationen. Am Ende werden Observablen gemessen. Der Erwartungswert einer Observablen \(O\) kann geschrieben werden als:

\(\langle O\rangle=\langle\psi(\theta)|O|\psi(\theta)\rangle\)

Dieser Erwartungswert dient beispielsweise als Klassifikationswert, Regressionsausgabe oder Zwischenmerkmal eines hybriden Modells.

Quantenverschränkung

Quantenverschränkung beschreibt Zustände mehrerer Qubits, die sich nicht als unabhängige Einzelzustände darstellen lassen. Ein einfaches Beispiel ist ein Bell-Zustand:

\(|\Phi^+\rangle=\frac{1}{\sqrt{2}}(|00\rangle+|11\rangle)\)

Verschränkung ermöglicht Korrelationen, die mit rein klassischen Zustandsmodellen nicht vollständig reproduziert werden können. In Quantum Machine Learning kann sie genutzt werden, um Wechselwirkungen zwischen Merkmalen darzustellen. In zukünftigen Quantennetzwerken könnte sie außerdem eine Grundlage für Teleportationsprotokolle, verteilte Quantenberechnungen und sichere Kommunikationsverfahren bilden.

Für gegenwärtige föderierte Lernsysteme spielt Verschränkung zwischen räumlich getrennten Clients jedoch kaum eine praktische Rolle. Die meisten Experimente verwenden lokale Quantenschaltkreise und übertragen klassische Parameter über herkömmliche Netzwerke. Ein vollständig verschränktes föderiertes System setzt stabile Quantenspeicher, Quantenrepeater und zuverlässige Quantennetzwerke voraus.

NISQ-Systeme

Der Begriff NISQ bezeichnet Quantenprozessoren mit mittlerer Qubit-Zahl, aber ohne umfassende Fehlerkorrektur. Solche Systeme können bestimmte Schaltkreise ausführen, sind jedoch durch Rauschen und begrenzte Kohärenzzeiten eingeschränkt. Je tiefer ein Schaltkreis ist, desto größer wird typischerweise der Einfluss kumulierter Fehler.

Diese Hardwarelage erklärt, weshalb hybride Algorithmen dominieren. Ein klassischer Rechner übernimmt Datenverwaltung, Optimierung und Steuerung. Der Quantenprozessor berechnet nur ausgewählte Schaltkreiswerte. Dadurch bleibt die Quantenkomponente klein genug, um auf realer Hardware ausgeführt zu werden.

NISQ-Systeme sind für Forschung und Prototypen wertvoll, liefern aber noch keine allgemeine Grundlage für großskalige föderierte Lernsysteme. Ein realistisches Quantum-Enhanced-Federated-Learning-Verfahren muss daher mit kleinen Schaltkreisen, begrenzter Qubit-Zahl und statistisch verrauschten Messwerten umgehen können.

Quantum Machine Learning als technische Grundlage

Datenkodierung

Ein Quantenmodell kann klassische Daten erst verarbeiten, nachdem diese in einen Quantenzustand oder in Schaltkreisparameter überführt wurden. Diese Datenkodierung ist kein nebensächlicher Schritt. Sie beeinflusst die Ausdrucksstärke, Laufzeit, Schaltkreistiefe und Skalierbarkeit des gesamten Verfahrens.

Beim Basis-Encoding werden diskrete Werte direkt auf Basiszustände abgebildet. Angle-Encoding verwendet Datenwerte als Rotationswinkel. Für einen Merkmalswert \(x_j\) kann beispielsweise eine Rotation der Form \(R_y(x_j)\) eingesetzt werden. Das Verfahren ist relativ einfach, benötigt jedoch häufig ein Qubit pro Merkmal oder wiederholte Kodierungsschichten.

Amplitude-Encoding kann einen normierten Vektor mit vielen Komponenten in die Amplituden eines Quantenzustands schreiben. Theoretisch ist diese Darstellung sehr kompakt. Die Vorbereitung eines beliebigen Amplitudenzustands kann jedoch selbst aufwendig sein. Ein möglicher Geschwindigkeitsvorteil darf daher nicht allein aus der kompakten Zustandsdarstellung abgeleitet werden.

Quantum Feature Maps bilden Eingabedaten durch festgelegte Quantenschaltkreise in einen hochdimensionalen Merkmalsraum ab. Dort können anschließend Ähnlichkeiten oder Entscheidungsgrenzen untersucht werden. Der Nutzen hängt davon ab, ob die gewählte Merkmalsabbildung Strukturen sichtbar macht, die ein klassisches Verfahren nur mit höherem Aufwand erfasst.

Parametrisierte Quantenschaltkreise

Parametrisierte Quantenschaltkreise bilden den Kern vieler gegenwärtiger Quantum-Machine-Learning-Modelle. Sie bestehen aus Datenkodierung, trainierbaren Operationen und Messungen. Ein klassischer Optimierer passt die Parameter so an, dass eine Verlustfunktion minimiert wird.

Ein hybrider Trainingsschritt läuft typischerweise folgendermaßen ab: Der klassische Rechner wählt Parameter, sendet den Schaltkreis an den Quantenprozessor und erhält Messergebnisse zurück. Aus diesen Ergebnissen wird die Verlustfunktion berechnet. Anschließend werden neue Parameter bestimmt. Dieser Zyklus wiederholt sich, bis ein Abbruchkriterium erreicht ist.

Die Modellkapazität hängt nicht nur von der Zahl der Parameter ab. Entscheidend sind auch die Struktur der Verschränkung, die Wiederholung der Datenkodierung, die Wahl der Messoperatoren und die Anpassung an die Hardwaretopologie. Ein unnötig tiefer Schaltkreis erhöht häufig nur die Fehleranfälligkeit, ohne die Lernleistung entsprechend zu verbessern.

Gradienten und Optimierung

Für bestimmte parametrische Gatter können Gradienten mit der Parameter-Shift-Regel bestimmt werden:

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

Dabei ist \(C\) die Kostenfunktion und \(\theta_j\) ein trainierbarer Parameter. Für jeden Gradientenwert sind mindestens zwei verschobene Schaltkreisauswertungen erforderlich. Bei vielen Parametern und zahlreichen Clients wächst die Zahl notwendiger Schaltkreisausführungen schnell an.

Da jede Schaltkreisauswertung auf realer Hardware mehrfach gemessen wird, entstehen zusätzliche Kosten. Wird ein Erwartungswert aus \(S\) Messungen geschätzt, sinkt seine statistische Unsicherheit im Regelfall nur mit zunehmender Messzahl. Vereinfacht gilt:

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

Eine Verdopplung der Genauigkeit verlangt deshalb häufig deutlich mehr Messungen. In einem föderierten System vervielfacht sich dieser Aufwand über Clients, Parameter und Trainingsrunden.

Grenzen quantenbasierter Lernmodelle

Ein zentrales Trainingsproblem sind Barren Plateaus. Dabei werden die Gradienten einer Kostenfunktion in bestimmten Schaltkreisarchitekturen extrem klein. Der Optimierer erhält dann kaum verwertbare Richtungsinformationen. Das Problem kann mit wachsender Qubit-Zahl und ungünstiger Initialisierung stärker werden.

Weitere Grenzen entstehen durch Hardwarefehler, Messrauschen und die Abhängigkeit von spezifischen Quantengeräten. Ein Modell, das auf einem Simulator gut funktioniert, kann auf realer Hardware deutlich schlechtere Ergebnisse liefern. Deshalb müssen Simulationsergebnisse und Hardwareergebnisse getrennt bewertet werden.

Ein kleines Quantenmodell kann weniger Parameter als ein klassisches neuronales Netz besitzen. Daraus folgt jedoch nicht automatisch ein geringerer Gesamtaufwand. Die Zahl der Schaltkreisausführungen, Messungen und Kommunikationsvorgänge kann den Vorteil einer kompakten Parameterdarstellung vollständig aufheben.

Definition von Quantum-Enhanced Federated Learning

Begriffliche Einordnung

Quantum-Enhanced Federated Learning bezeichnet föderierte Lernsysteme, in denen mindestens eine wesentliche Komponente durch ein quantenmechanisches Verfahren erweitert wird. Diese Komponente kann auf der Client-Seite, auf der Server-Seite oder innerhalb der Kommunikation liegen. Der Begriff umfasst daher mehrere unterschiedliche Architekturen.

In einer einfachen Variante trainieren mehrere Clients lokale parametrische Quantenschaltkreise und übertragen deren klassische Parameter an einen klassischen Server. In einer anderen Variante bleiben die lokalen Modelle klassisch, während ein Quantenalgorithmus die Auswahl von Clients, die Aggregation oder eine kombinatorische Optimierungsaufgabe unterstützt. Zukünftige Systeme könnten darüber hinaus Quantenzustände oder verschränkte Ressourcen zwischen Knoten austauschen.

Der Zusatz „enhanced“ ist entscheidend. Er behauptet zunächst nur, dass eine Quantenkomponente eingebunden wird. Er beweist keinen Leistungsvorteil. Ob das System tatsächlich verbessert wird, muss anhand klarer Metriken und geeigneter klassischer Vergleichsverfahren gezeigt werden.

Mögliche Quantenkomponenten

Eine Quantenkomponente kann fünf grundsätzliche Funktionen übernehmen:

  • Sie kann als lokales Lernmodell dienen.
  • Sie kann klassische Modelle durch eine Quantenschicht ergänzen.
  • Sie kann Merkmalsabbildungen oder Kernelwerte berechnen.
  • Sie kann Optimierungs- und Auswahlprobleme unterstützen.
  • Sie kann Bestandteil zukünftiger Kommunikations- und Sicherheitsprotokolle sein.

Diese Funktionen müssen getrennt bewertet werden. Ein quantenbasierter Klassifikator löst andere Probleme als Quantum Key Distribution. Ebenso ist ein Quanten-Kernel nicht mit einer vollständig quantenmechanischen Aggregation gleichzusetzen.

Abgrenzung zu verwandten Begriffen

Federated Quantum Machine Learning bezeichnet meist das föderierte Training von Quantum-Machine-Learning-Modellen. Quantum-Assisted Federated Learning kann auch klassische Modelle umfassen, deren Optimierung durch Quantenalgorithmen unterstützt wird. Fully Quantum Federated Learning beschreibt eine weitergehende Architektur, in der Daten, Modelle oder Kommunikationsressourcen selbst quantenmechanisch repräsentiert werden.

Distributed Quantum Machine Learning ist breiter gefasst. Es umfasst auch verteilte Quantenberechnungen ohne föderiertes Datenschutz- oder Organisationsmodell. Nicht jede verteilte Quantenanwendung ist deshalb Federated Learning.

Ebenso darf post-quanten-sichere Kommunikation nicht mit Quantum Machine Learning verwechselt werden. Ein klassisches föderiertes System kann durch Post-Quanten-Kryptografie gegen zukünftige Quantenangriffe abgesichert werden, ohne selbst ein Quantenlernmodell zu verwenden.

Systemarchitekturen

Quantenbasierte Clients mit klassischem Server

Die derzeit naheliegendste Architektur verwendet Quantenmodelle auf den Clients und einen klassischen Aggregationsserver. Jeder Client kodiert seine lokalen Daten, trainiert einen parametrischen Quantenschaltkreis und übermittelt die resultierenden Parameter oder Parameteränderungen.

Der Vorteil dieser Architektur liegt in ihrer Nähe zu klassischem Federated Learning. Kommunikationsprotokolle, Client-Auswahl und Serverlogik können weitgehend übernommen werden. Die Quantenhardware bleibt lokal oder wird über einen Cloud-Zugang angesprochen. Übertragen werden weiterhin klassische Daten.

Die zentrale Schwierigkeit besteht in der Vergleichbarkeit der lokalen Modelle. Unterschiedliche Quantengeräte können dieselben Schaltkreise mit verschiedenen Fehlerraten ausführen. Selbst bei identischen Parametern entstehen dadurch abweichende Messergebnisse. Eine einfache Mittelung behandelt diese Unterschiede nicht angemessen.

Klassische Clients mit quantenbasiertem Server

In dieser Architektur trainieren die Clients klassische Modelle. Der Server verwendet Quantenverfahren für eine spezielle zentrale Aufgabe. Denkbar sind die Auswahl einer günstigen Client-Gruppe, die Gewichtung von Beiträgen, die Optimierung einer Aggregationsstrategie oder die Erkennung auffälliger Aktualisierungen.

Der Ansatz reduziert den Bedarf an verteilter Quantenhardware. Nur die koordinierende Instanz benötigt Zugriff auf einen Quantenprozessor. Allerdings muss der gewählte Quantenalgorithmus ein relevantes Problem besser lösen als klassische Optimierungsverfahren. Bei kleinen Client-Zahlen oder einfachen Aggregationsregeln besteht dafür häufig kein überzeugender Grund.

Hybride Clients und hybrider Server

Hybride Systeme kombinieren klassische und quantenbasierte Modelle auf mehreren Ebenen. Ein Client kann beispielsweise ein klassisches neuronales Netz für die Merkmalsextraktion verwenden und die verdichteten Merkmale an einen kleinen Quantenschaltkreis übergeben. Der Server aggregiert nur ausgewählte Parameter oder trainiert einen zusätzlichen globalen Modellteil.

Diese Architektur ist flexibel und an heutige Hardware angepasst. Rechenintensive Vorverarbeitung verbleibt auf klassischen Prozessoren. Die Quantenkomponente konzentriert sich auf einen eng definierten Teil des Modells. Gleichzeitig entsteht eine komplexere Optimierung, weil klassische und quantenbasierte Parameter unterschiedliche Skalierungen, Gradientenstrukturen und Fehlerquellen besitzen.

Vollständig quantenbasierte Föderation

Eine vollständig quantenbasierte Föderation würde Quantendaten, Quantenzustände oder verschränkte Modelle zwischen mehreren Knoten verarbeiten. Teilnehmer könnten lokale Quantendaten besitzen, die nicht sinnvoll in klassische Form überführt werden sollen. Beispiele wären Messdaten aus Quantensensoren oder Zustände aus verteilten Quantenexperimenten.

Ein solches System benötigt stabile Quantenspeicher, kohärente Übertragung, Quantenrepeater und Protokolle zur verteilten Fehlerkorrektur. Außerdem verhindert das No-Cloning-Theorem das beliebige Kopieren unbekannter Quantenzustände. Klassische Vorstellungen von Modellverteilung und Sicherungskopien lassen sich daher nicht unverändert übertragen.

Diese Architektur ist langfristig wissenschaftlich bedeutend, gegenwärtig jedoch überwiegend theoretisch oder auf kleine Laboraufbauten beschränkt.

Hierarchische und dezentrale Architekturen

Hierarchische Systeme ordnen Clients lokalen Gruppen zu. Ein Zwischenaggregator fasst die Beiträge einer Region, Organisation oder Hardwareklasse zusammen. Erst danach erfolgt die globale Aggregation. Dies kann Kommunikationswege verkürzen und hardwarebedingte Unterschiede lokal ausgleichen.

Dezentrale Systeme verzichten auf einen zentralen Server. Clients tauschen Modellinformationen direkt aus und nähern sich über Konsensverfahren einem gemeinsamen Zustand. Das reduziert die Abhängigkeit von einer einzelnen Instanz, erhöht jedoch die Anforderungen an Synchronisation, Authentifizierung und Manipulationsschutz.

Für Quantennetzwerke könnten dezentrale Architekturen langfristig besonders relevant sein. Solange die Kommunikation überwiegend klassisch erfolgt, gelten jedoch zunächst dieselben Grundprobleme wie bei klassischem dezentralem Lernen.

Technischer Ablauf eines quantenerweiterten Trainings

Initialisierung und Datenvorbereitung

Zu Beginn werden Modellarchitektur, Datenkodierung, Optimierer, Aggregationsverfahren und Zahl der lokalen Trainingsschritte festgelegt. Zusätzlich müssen die Eigenschaften der verfügbaren Quantenhardware berücksichtigt werden. Dazu zählen Qubit-Zahl, Konnektivität, native Gatter, Fehlerraten und maximale Schaltkreistiefe.

Die lokalen Daten werden normalisiert, gegebenenfalls dimensional reduziert und in eine für den Quantenschaltkreis geeignete Form gebracht. Diese Vorverarbeitung ist häufig entscheidend, weil reale Datensätze mehr Merkmale besitzen, als auf einem kleinen Quantenprozessor direkt dargestellt werden können.

Dimensionsreduktion darf jedoch nicht nur als technische Hilfsmaßnahme betrachtet werden. Sie verändert die Information, die dem Modell zur Verfügung steht. Ein Vergleich mit klassischen Verfahren muss deshalb dieselbe Vorverarbeitung verwenden.

Lokales Training

Jeder ausgewählte Client erhält die aktuellen globalen Parameter. Er setzt diese in seinen lokalen Quantenschaltkreis ein und verarbeitet seine Trainingsdaten. Für jedes Beispiel oder jeden Mini-Batch werden Schaltkreise ausgeführt und Messwerte gesammelt.

Aus den Messergebnissen berechnet der Client eine lokale Verlustfunktion. Danach bestimmt er Gradienten oder verwendet ein gradientenfreies Optimierungsverfahren. Der lokale Parametersatz wird über mehrere Schritte verändert. Eine zu große Zahl lokaler Schritte kann die Kommunikation reduzieren, zugleich aber die Abweichung zwischen den Clients verstärken.

Bei verrauschter Hardware schwankt das lokale Training stärker als auf einem idealen Simulator. Das System sollte deshalb nicht nur Parameter, sondern auch Qualitätsinformationen berücksichtigen, etwa Messunsicherheiten, Validierungswerte oder eine Schätzung des Hardwarefehlers.

Übertragung und Aggregation

Nach Abschluss des lokalen Trainings senden die Clients ihre Aktualisierungen an den Server. Da die Parameter klassisch dargestellt werden, ist kein Quantenkanal erforderlich. Die Übertragung kann komprimiert, verschlüsselt oder durch Secure Aggregation geschützt werden.

Der Server prüft die Aktualisierungen auf Plausibilität. Anschließend werden sie gewichtet zusammengeführt. Neben der lokalen Datenmenge können Modellqualität, Hardwarezuverlässigkeit und Aktualität des Beitrags in die Gewichtung einfließen.

Eine allgemeine gewichtete Aggregation kann geschrieben werden als:

\(\theta^{(t+1)}=\sum_{k\in S_t}w_k^{(t)}\theta_k^{(t+1)}\)

Dabei bezeichnet \(S_t\) die Menge der in Runde \(t\) beteiligten Clients. Die Gewichte erfüllen:

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

Die Bestimmung geeigneter Gewichte ist bei heterogener Quantenhardware ein offenes Forschungsproblem.

Konvergenz und Abbruch

Nach der Aggregation wird das globale Modell auf einem Validierungsdatensatz oder anhand verteilter lokaler Metriken bewertet. Das Training endet, wenn die Modellqualität ausreichend ist, die Verbesserung über mehrere Runden ausbleibt oder ein festgelegtes Ressourcenlimit erreicht wurde.

Für ein Quantenmodell reicht es nicht, nur die Zahl der Kommunikationsrunden zu betrachten. Auch Schaltkreisausführungen, Messungen, Warteschlangenzeiten und Fehlerminderungsverfahren müssen erfasst werden. Ein Verfahren, das in wenigen Runden konvergiert, kann trotzdem ineffizient sein, wenn jede Runde extrem viele Quantenausführungen benötigt.

Quantenbasierte Modelltypen

Variational Quantum Circuits

Variational Quantum Circuits sind die am häufigsten untersuchte Modellklasse. Sie kodieren Eingabedaten in Qubits, wenden trainierbare Gatter an und messen ausgewählte Observablen. Die gemessenen Erwartungswerte werden als Vorhersagen oder als Eingaben für weitere klassische Schichten verwendet.

Für föderiertes Lernen sind diese Modelle attraktiv, weil ihre Parameter klassisch gespeichert und übertragen werden können. Ein Client muss keinen Quantenzustand an den Server senden. Die Kommunikation bleibt damit technisch beherrschbar.

Die Schwierigkeit liegt in der Parametergeometrie. Viele Parameter repräsentieren Winkel und sind periodisch. Eine naive arithmetische Mittelung kann problematisch sein, wenn zwei Winkel numerisch weit auseinanderliegen, aber physikalisch nahezu denselben Zustand beschreiben. Aggregationsverfahren sollten deshalb die Periodizität und mögliche Symmetrien der Schaltkreise berücksichtigen.

Quantum Neural Networks

Quantum Neural Networks sind ein Sammelbegriff für trainierbare Quantenmodelle, deren Aufbau funktional an neuronale Netze erinnert. Sie können vollständig quantenbasiert oder hybrid sein. In einem hybriden Modell erzeugt ein klassischer Encoder einen Merkmalsvektor, der anschließend durch einen Quantenschaltkreis verarbeitet wird.

Ein Vorteil kann entstehen, wenn der Quantenschaltkreis mit wenigen Parametern komplexe Wechselwirkungen zwischen Merkmalen darstellt. Ob dies bei realen Daten tatsächlich besser gelingt als mit klassischen Schichten, muss experimentell gezeigt werden.

In föderierten Szenarien ist außerdem zu prüfen, ob alle Clients dieselbe Architektur ausführen können. Geräte mit unterschiedlicher Qubit-Zahl benötigen möglicherweise verschieden große Modelle. Dann ist eine direkte Parameteraggregation nicht mehr ohne Weiteres möglich.

Quantum Kernel Methods

Quantum Kernel Methods nutzen einen Quantenschaltkreis, um Ähnlichkeiten zwischen Datenpunkten in einem quantenmechanischen Merkmalsraum zu bestimmen. Ein Kernel kann vereinfacht als Überlappung zweier kodierter Zustände beschrieben werden:

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

Die Idee besteht darin, Daten so abzubilden, dass relevante Klassen im Merkmalsraum leichter getrennt werden können. In einem föderierten System könnten Clients lokale Kernelinformationen berechnen und daraus ein gemeinsames Modell erzeugen.

Die Herausforderung ist der Kommunikations- und Speicheraufwand großer Kernelmatrizen. Außerdem kann ein klassischer Algorithmus viele Quantum Feature Maps effizient approximieren. Ein belastbarer Vorteil setzt daher eine Merkmalsabbildung voraus, die sowohl praktisch ausführbar als auch klassisch schwer nachzubilden ist.

Quantum Convolutional Neural Networks

Quantum Convolutional Neural Networks verwenden lokale Quantenoperationen und schrittweise Reduktion, um hierarchische Strukturen zu verarbeiten. Sie eignen sich konzeptionell für Daten mit räumlicher oder physikalischer Struktur.

In föderierten Anwendungen könnten sie für kleine Bildausschnitte, Sensorsignale oder quantenphysikalische Zustände eingesetzt werden. Für hochauflösende klassische Bilder ist eine direkte Kodierung auf heutiger Hardware jedoch unrealistisch. Praktischer sind hybride Modelle, bei denen klassische Schichten die Daten stark verdichten.

Quantenbasierte Autoencoder und generative Modelle

Quanten-Autoencoder versuchen, relevante Information in weniger Qubits zu komprimieren. In einem föderierten System könnten sie lokale Merkmalsdarstellungen erzeugen, ohne Rohdaten zu übertragen. Generative Quantenmodelle könnten synthetische Daten oder Wahrscheinlichkeitsverteilungen lernen.

Solche Ansätze sind wissenschaftlich interessant, aber schwer zu bewerten. Synthetische Daten können Datenschutzrisiken enthalten, wenn das Modell Trainingsbeispiele zu genau reproduziert. Zudem ist die Bewertung generativer Qualität bereits bei klassischen Modellen anspruchsvoll.

Aggregation und Optimierung

Grenzen einfacher Mittelwertbildung

Federated Averaging setzt voraus, dass lokale Parameter in einem gemeinsamen Koordinatensystem sinnvoll gemittelt werden können. Bei klassischen neuronalen Netzen ist diese Annahme bereits nicht immer erfüllt. Bei Quantenschaltkreisen kommen Periodizität, Gatter-Symmetrien und hardwarebedingte Verzerrungen hinzu.

Zwei unterschiedliche Parametersätze können denselben oder einen sehr ähnlichen Quantenzustand erzeugen. Umgekehrt kann eine scheinbar kleine Parameteränderung die Messverteilung deutlich verändern. Eine Aggregation sollte deshalb nicht ausschließlich den Abstand zwischen Parametervektoren betrachten.

Alternativen sind zustands- oder ausgabebasierte Aggregationen, Wissensdestillation und die gemeinsame Optimierung auf öffentlichen Referenzdaten. Dabei übermitteln Clients nicht zwingend ihre vollständigen Parameter, sondern beispielsweise Vorhersageverteilungen oder komprimierte Modellinformationen.

Hardwarebewusste Gewichtung

Ein Client mit hoher Fehlerrate sollte möglicherweise weniger stark gewichtet werden als ein Client mit stabiler Hardware. Eine mögliche Gewichtung kann von Datenmenge, Validierungsleistung und geschätzter Messqualität abhängen:

\(w_k=\frac{n_kq_k}{\sum_j n_jq_j}\)

Dabei steht \(q_k\) für einen Qualitätsfaktor. Die Definition dieses Faktors ist nicht trivial. Wird er aus der lokalen Modellleistung bestimmt, können Clients mit seltenen, aber wichtigen Daten systematisch benachteiligt werden. Wird er aus Hardwaremetriken bestimmt, ist unklar, wie stark diese die tatsächliche Lernleistung beeinflussen.

Gradientenfreie Verfahren

Auf verrauschter Quantenhardware können gradientenfreie Optimierer stabiler sein. Sie bewerten mehrere Parametersätze und suchen nach Verbesserungen, ohne jeden partiellen Gradienten einzeln zu bestimmen. Beispiele sind evolutionäre Verfahren, Bayesian Optimization und stochastische Perturbationsmethoden.

Der Vorteil liegt in der geringeren Empfindlichkeit gegenüber verrauschten Einzelgradienten. Der Nachteil ist häufig ein hoher Bedarf an Funktionsauswertungen. In einem föderierten System muss deshalb geprüft werden, ob die eingesparte Gradientenschätzung den zusätzlichen Suchaufwand tatsächlich kompensiert.

Asynchrones Training

Synchrones Federated Learning wartet auf eine festgelegte Zahl von Clients. Langsame Geräte verlängern dadurch die gesamte Runde. Asynchrone Verfahren verarbeiten Aktualisierungen, sobald sie eintreffen. Dies ist für Cloud-basierte Quantenhardware relevant, weil Warteschlangenzeiten stark schwanken können.

Asynchrone Aktualisierungen können jedoch veraltet sein. Ein Client trainiert möglicherweise auf einem globalen Modell, das inzwischen mehrfach aktualisiert wurde. Der Server kann solche Beiträge abhängig von ihrer Verzögerung abwerten.

Kommunikationsreduktion

Die Zahl übertragener Parameter ist bei kleinen Quantenschaltkreisen oft geringer als bei großen klassischen Netzen. Dieser mögliche Vorteil darf jedoch nicht isoliert betrachtet werden. Häufig werden zusätzliche Metadaten, Qualitätsmetriken oder mehrfach gemessene Ausgaben benötigt.

Kommunikation lässt sich durch Sparsifizierung, Quantisierung, seltenere Synchronisation oder Teilmodelltraining reduzieren. Auch hier gilt: Eine stärkere Kompression darf die Konvergenz und Robustheit nicht übermäßig verschlechtern.

Datenheterogenität und Personalisierung

Nicht identisch verteilte Daten

In realen föderierten Systemen besitzen Clients unterschiedliche Datenverteilungen. Ein globales Modell sieht daher keine einheitliche Stichprobe, sondern viele lokale Ausschnitte. Diese Nicht-IID-Situation ist eine der wichtigsten Ursachen für instabiles Training.

Quantenmodelle lösen dieses Problem nicht automatisch. Eine komplexe Merkmalsabbildung kann lokale Unterschiede sogar verstärken. Wenn jeder Client einen anderen Bereich des Merkmalsraums abdeckt, führen lokale Optimierungen zu stark abweichenden Schaltkreisparametern.

Die Datenverteilung muss deshalb explizit untersucht werden. Experimente sollten nicht nur zufällige, gleichmäßige Aufteilungen verwenden. Klassenungleichgewichte, lokale Schwerpunkte, zeitliche Veränderungen und seltene Ereignisse gehören zu einem realistischen Test.

Personalisierte Modelle

Ein einziges globales Modell ist nicht immer das beste Ziel. Personalisierte Federated-Learning-Verfahren kombinieren globale Wissensanteile mit lokalen Anpassungen. Ein Client kann beispielsweise gemeinsame Quantenschichten übernehmen und nur die letzten klassischen Schichten lokal trainieren.

Eine andere Möglichkeit besteht darin, einen gemeinsamen Encoder zu lernen und lokale Klassifikatoren zu verwenden. Dadurch werden übertragbare Merkmale global geteilt, während lokale Besonderheiten erhalten bleiben.

Personalisierung ist besonders wichtig, wenn Clients unterschiedliche Hardware verwenden. Ein gemeinsames abstraktes Modell kann auf verschiedene lokale Schaltkreisarchitekturen abgebildet werden. Die Aggregation erfolgt dann nicht direkt auf allen Gatterparametern, sondern auf gemeinsam definierten Repräsentationen.

Clusterbildung

Clients mit ähnlichen Daten oder ähnlichem Modellverhalten können zu Gruppen zusammengefasst werden. Jede Gruppe trainiert ein eigenes Modell. Dies reduziert Konflikte zwischen stark unterschiedlichen Teilnehmern.

Quantenbasierte Ähnlichkeitsmaße könnten langfristig bei der Clusterbildung eingesetzt werden. Ein praktischer Nutzen entsteht jedoch nur, wenn diese Ähnlichkeitsberechnung gegenüber klassischen Verfahren einen zusätzlichen Informationswert liefert.

Datenschutz und Sicherheit

Informationslecks aus Modellaktualisierungen

Die Tatsache, dass Rohdaten lokal bleiben, bedeutet nicht, dass sie geschützt sind. Gradienten und Parameter können statistische Spuren einzelner Trainingsbeispiele enthalten. Bei kleinen Batch-Größen oder überparametrisierten Modellen ist es teilweise möglich, Eingabedaten näherungsweise zu rekonstruieren.

Auch Quantenschaltkreise sind nicht grundsätzlich immun gegen solche Angriffe. Wenn ein Angreifer die Architektur, Parameter und Ausgaben kennt, kann er versuchen, Rückschlüsse auf lokale Daten zu ziehen. Der konkrete Informationsgehalt hängt von der Kodierung, der Messstrategie und dem übertragenen Aktualisierungstyp ab.

Membership Inference

Membership-Inference-Angriffe untersuchen, ob ein bestimmter Datensatz am Training beteiligt war. Ein Modell reagiert auf bekannte Trainingsdaten häufig anders als auf unbekannte Daten. Diese Unterschiede können ausgenutzt werden.

Quantenmodelle können ebenso überanpassen wie klassische Modelle. Eine geringe Parameterzahl verhindert Überanpassung nicht automatisch. Entscheidend sind Modellkapazität, Trainingsdauer, Datenmenge und Regularisierung.

Poisoning und Backdoors

Ein bösartiger Client kann seine lokalen Daten oder Modellaktualisierungen manipulieren. Beim Data Poisoning werden Trainingsbeispiele verändert. Beim Model Poisoning wird direkt ein schädlicher Parameterbeitrag erzeugt. Backdoor-Angriffe zielen darauf, dass das globale Modell bei bestimmten Eingabemustern ein vom Angreifer gewünschtes Verhalten zeigt.

Quantenmodelle schaffen neue Angriffsflächen. Ein Angreifer könnte hardwareabhängiges Rauschen vortäuschen, Schaltkreisparameter gezielt verschieben oder Messstatistiken manipulieren. Der Server muss daher zwischen natürlicher Hardwareunsicherheit und absichtlicher Manipulation unterscheiden.

Secure Aggregation

Secure Aggregation ermöglicht dem Server, eine Summe oder einen Mittelwert lokaler Beiträge zu berechnen, ohne einzelne Aktualisierungen im Klartext zu sehen. Dadurch wird der direkte Zugriff auf Client-Parameter eingeschränkt.

Das Verfahren schützt jedoch nicht automatisch vor vergifteten Beiträgen. Wenn der Server nur die Summe sieht, wird die Erkennung einzelner Angreifer sogar schwieriger. Datenschutz und Robustheit müssen deshalb gemeinsam entworfen werden.

Differential Privacy

Differential Privacy begrenzt den Einfluss einzelner Datensätze auf die veröffentlichte Ausgabe. Ein Mechanismus \(M\) erfüllt näherungsweise Differential Privacy, wenn für benachbarte Datensätze \(D\) und \(D'\) gilt:

\(P(M(D)\in S)\leq e^\epsilon P(M(D')\in S)+\delta\)

Der Parameter \(\epsilon\) beschreibt die Stärke des Datenschutzes, während \(\delta\) eine geringe Ausnahmewahrscheinlichkeit zulässt. In der Praxis wird Rauschen zu Gradienten oder Modellparametern hinzugefügt.

Bei Quantenmodellen trifft dieses zusätzliche Rauschen auf bereits vorhandenes Mess- und Hardware-Rauschen. Das kann den Datenschutz unterstützen, aber auch das Training unkontrollierbar verschlechtern. Natürliches Quantenrauschen ersetzt keinen formal analysierten Datenschutzmechanismus.

Quantenkryptografie und Post-Quanten-Sicherheit

Quantum Key Distribution kann Schlüsselmaterial zwischen Kommunikationspartnern verteilen und dabei Abhörversuche physikalisch erkennbar machen. Für ein föderiertes System kann dies die Transportverschlüsselung unterstützen. Das Lernverfahren selbst wird dadurch jedoch nicht automatisch sicher.

Post-Quanten-Kryptografie verfolgt einen anderen Ansatz. Sie verwendet klassische Algorithmen, die gegen bekannte Angriffe leistungsfähiger Quantencomputer widerstandsfähig sein sollen. Für heutige Federated-Learning-Systeme ist diese Methode häufig praktischer als der Aufbau eines Quantennetzwerks.

Der mögliche Quantenvorteil

Notwendigkeit einer klaren Definition

Der Begriff Quantenvorteil darf nicht unscharf verwendet werden. Ein Quantenmodell besitzt nicht bereits deshalb einen Vorteil, weil es auf einem Quantenprozessor läuft. Ein sinnvoller Vorteil muss sich in einer relevanten Metrik zeigen: höhere Genauigkeit, geringere Laufzeit, weniger Kommunikation, geringerer Energiebedarf, bessere Skalierung oder die Lösung einer klassisch unzugänglichen Aufgabe.

Außerdem muss der Vergleich fair sein. Das klassische Referenzverfahren sollte optimiert und für denselben Datensatz geeignet sein. Ein kleines Quantenmodell mit einem bewusst schwachen klassischen Modell zu vergleichen, liefert keine belastbare Aussage.

Ausdrucksstärke

Quantenmodelle können bestimmte hochdimensionale Zustandsräume kompakt darstellen. Durch Interferenz und Verschränkung entstehen Funktionsklassen, die sich strukturell von klassischen neuronalen Netzen unterscheiden. Dies kann für spezielle Datenverteilungen vorteilhaft sein.

Eine hohe theoretische Ausdrucksstärke garantiert jedoch kein erfolgreiches Training. Ein Modell kann sehr viele Funktionen darstellen und trotzdem schwer optimierbar sein. Barren Plateaus, Messrauschen und begrenzte Trainingsdaten können den praktischen Nutzen verhindern.

Rechenkomplexität

Für bestimmte lineare Algebra-, Such- oder Optimierungsprobleme existieren Quantenalgorithmen mit theoretisch günstiger Skalierung. In föderierten Lernsystemen müssen jedoch Ein- und Ausgabekosten berücksichtigt werden. Klassische Daten müssen vorbereitet, kodiert und nach der Messung wieder ausgewertet werden.

Ein theoretischer Algorithmus kann einen Quantenzustand effizient verarbeiten, aber nur wenige klassische Werte daraus ausgeben. Wird eine vollständige Parameterliste benötigt, kann die Messung den Vorteil reduzieren oder beseitigen.

Kommunikationsvorteil

Parametrische Quantenschaltkreise können kompakte Modelle darstellen. Wenn ein Quantenmodell mit wenigen Parametern dieselbe Qualität wie ein großes klassisches Netz erreicht, sinkt möglicherweise die übertragene Datenmenge.

Dieser Vorteil ist empirisch zu belegen. Ein kleiner Parametersatz kann eine große Zahl von Schaltkreisausführungen benötigen. Außerdem können klassische Kompressionsverfahren neuronale Netze ebenfalls stark verkleinern. Der Vergleich muss daher moderne Quantisierung, Sparsifizierung und Wissensdestillation einschließen.

Vorteil bei nativen Quantendaten

Der überzeugendste langfristige Anwendungsfall könnten native Quantendaten sein. Wenn lokale Teilnehmer Quantenzustände aus Sensoren, Experimenten oder Quantenprozessoren besitzen, kann eine klassische Umwandlung Information zerstören oder exponentiell aufwendig sein.

Ein föderiertes Quantenmodell könnte solche Daten lokal verarbeiten und nur verdichtete Ergebnisse austauschen. In diesem Szenario wird die Quantenkomponente nicht künstlich auf klassische Daten angewendet, sondern verarbeitet Information in ihrer ursprünglichen physikalischen Form.

Benchmarking und experimentelle Methodik

Geeignete Vergleichsmodelle

Jede Studie sollte mindestens vier Systeme vergleichen: ein zentrales klassisches Modell, ein klassisches föderiertes Modell, ein lokales Modell ohne Föderation und das quantenerweiterte föderierte Modell. Nur dadurch lässt sich erkennen, welcher Anteil des Ergebnisses auf die Föderation und welcher auf die Quantenkomponente zurückzuführen ist.

Bei hybriden Modellen sollte zusätzlich ein klassisches Modell mit vergleichbarer Parameterzahl getestet werden. Andernfalls bleibt unklar, ob ein Vorteil aus der Quantenstruktur oder lediglich aus der kleineren Modellgröße stammt.

Datensätze und Aufteilungen

Kleine Standarddatensätze sind für erste Tests geeignet, reichen aber nicht für Aussagen über Skalierbarkeit. Ein aussagekräftiges Experiment benötigt verschiedene Datenmengen, Merkmalszahlen und Client-Zahlen.

Die Daten sollten sowohl identisch verteilt als auch gezielt heterogen aufgeteilt werden. Klassen können ungleich verteilt, Merkmale clientabhängig verschoben oder lokale Datenmengen stark variiert werden. Zusätzlich sollten einzelne Clients zeitweise ausfallen.

Simulator und reale Hardware

Simulatoren ermöglichen reproduzierbare Experimente ohne Hardwarefehler. Sie sind wichtig für die Prüfung algorithmischer Eigenschaften. Ihre Aussagekraft ist jedoch begrenzt, wenn das Verfahren später auf realer Hardware eingesetzt werden soll.

Reale Quantenprozessoren erzeugen Messfehler, Gatterfehler und zeitabhängige Kalibrierungsunterschiede. Eine Studie sollte deshalb klar angeben, welche Ergebnisse simuliert und welche auf Hardware erzeugt wurden. Auch verwendete Fehlerminderungsverfahren müssen dokumentiert werden.

Relevante Metriken

Die Modellqualität kann durch Genauigkeit, Präzision, Sensitivität, F1-Wert, Verlustfunktion und Kalibrierung bewertet werden. Für föderierte Systeme kommen Fairness zwischen Clients, Personalisierungsleistung und Robustheit gegenüber Ausfällen hinzu.

Technische Metriken umfassen Kommunikationsrunden, übertragene Datenmenge, lokale Laufzeit, Gesamtlaufzeit, Qubit-Zahl, Schaltkreistiefe, Zahl der Messungen und Zahl der Schaltkreisausführungen.

Eine einfache Genauigkeit reicht nicht aus. Ein Quantenmodell, das minimal besser klassifiziert, aber ein Vielfaches der Laufzeit und Energie benötigt, besitzt möglicherweise keinen praktischen Vorteil.

Reproduzierbarkeit

Reproduzierbare Forschung erfordert vollständige Angaben zu Datenaufteilung, Initialisierung, Optimierer, Lernrate, Schaltkreisarchitektur, Messzahl, Hardwaretyp und Aggregationsverfahren. Zufallssamen und Wiederholungszahlen sollten dokumentiert werden.

Da Quantenmessungen stochastisch sind, müssen Ergebnisse über mehrere Läufe gemittelt und mit Unsicherheitsintervallen angegeben werden. Einzelne besonders gute Trainingsläufe sind kein belastbarer Leistungsnachweis.

Anwendungsszenarien

Medizin und Gesundheitswesen

Krankenhäuser besitzen große Mengen sensibler Daten, dürfen diese jedoch nur unter strengen Bedingungen austauschen. Federated Learning ermöglicht gemeinsames Modelltraining für Diagnostik, Bildanalyse oder Risikobewertung.

Eine Quantenkomponente könnte kleine, stark verdichtete Merkmalsräume verarbeiten oder spezielle Kernel berechnen. Der medizinische Nutzen hängt jedoch von Zuverlässigkeit, Erklärbarkeit und klinischer Validierung ab. Ein geringfügiger experimenteller Genauigkeitsgewinn reicht nicht aus.

Besonders wichtig ist die Fairness zwischen Einrichtungen. Ein globales Modell darf kleine Krankenhäuser oder seltene Patientengruppen nicht benachteiligen. Quantenmodelle unterliegen denselben ethischen Anforderungen wie klassische Systeme.

Finanzwesen

Banken und Versicherungen könnten föderierte Modelle zur Betrugserkennung, Risikobewertung oder Anomalieanalyse einsetzen. Daten dürfen häufig nicht zwischen Unternehmen oder Rechtsräumen frei übertragen werden.

Quantenbasierte Optimierung könnte langfristig bei komplexen Auswahl- und Portfolioproblemen unterstützen. Für das eigentliche Modelltraining ist jedoch ein Vergleich mit hochentwickelten klassischen Verfahren notwendig. Finanzdaten sind häufig tabellarisch und können von klassischen Gradient-Boosting- oder Deep-Learning-Verfahren sehr effizient verarbeitet werden.

Industrie und Predictive Maintenance

Produktionsstandorte erzeugen lokale Sensordaten, Maschinenprotokolle und Qualitätsmessungen. Ein föderiertes Modell kann über mehrere Standorte hinweg lernen, ohne vertrauliche Produktionsdaten zentral zu sammeln.

Hybride Quantenmodelle könnten verdichtete Zustandsmerkmale verarbeiten oder kombinatorische Wartungsentscheidungen unterstützen. Die zentrale Anforderung ist Robustheit. Ein System muss trotz Sensorfehlern, wechselnden Maschinen und ungleichen Datenmengen zuverlässig arbeiten.

Internet der Dinge und Edge Computing

IoT-Geräte erzeugen kontinuierlich lokale Daten, verfügen aber nur über begrenzte Energie und Bandbreite. Federated Learning reduziert die Übertragung großer Rohdatenmengen.

Der direkte Einsatz von Quantenhardware auf kleinen Edge-Geräten ist gegenwärtig unrealistisch. Denkbar ist jedoch eine hierarchische Architektur, in der klassische Endgeräte lokale Merkmale berechnen und regionale Knoten auf Quantenressourcen zugreifen.

Ein solcher Aufbau muss den zusätzlichen Kommunikationsweg zum Quantenprozessor berücksichtigen. Wenn die Quantenausführung ausschließlich über eine entfernte Cloud erfolgt, kann die Latenz den Nutzen verringern.

Wissenschaftliche Quantennetzwerke

Langfristig könnten mehrere Forschungseinrichtungen lokale Quantendaten gemeinsam auswerten. Beispiele sind verteilte Quantensensoren, Materialsimulationen oder Quantenexperimente mit räumlich getrennten Messstationen.

Hier besitzt Quantum-Enhanced Federated Learning eine besondere inhaltliche Nähe zur Datenquelle. Die Modelle würden nicht nur klassische Daten mit Quantenhardware bearbeiten, sondern echte Quantenzustände oder quantenmechanisch erzeugte Statistiken verarbeiten.

Technische Grenzen

Begrenzte Qubit-Zahl

Reale Datensätze besitzen oft Hunderte oder Tausende Merkmale. Gegenwärtige Quantenprozessoren können nur einen kleinen Teil davon direkt verarbeiten. Die Daten müssen daher reduziert, segmentiert oder wiederholt kodiert werden.

Diese Vorverarbeitung kann relevante Information verlieren. Außerdem übernimmt der klassische Teil dadurch möglicherweise bereits den größten Anteil der eigentlichen Lernaufgabe. Die Quantenkomponente verarbeitet dann nur noch eine stark verdichtete Darstellung.

Rauschen und Dekohärenz

Quantenzustände verlieren durch Wechselwirkungen mit ihrer Umgebung ihre Kohärenz. Gatteroperationen und Messungen sind unvollkommen. Die resultierenden Fehler verändern die Modellausgabe.

Fehlerminderung kann Messwerte korrigieren oder systematische Verzerrungen abschätzen. Sie ersetzt jedoch keine vollständige Quantenfehlerkorrektur und erhöht häufig die Zahl benötigter Ausführungen.

In einem föderierten System summieren sich mehrere Unsicherheitsquellen: lokale Datenstreuung, stochastische Optimierung, Messrauschen und hardwareabhängige Fehler. Eine saubere Analyse muss diese Quellen getrennt erfassen.

Datenladungsproblem

Viele theoretische Quantenalgorithmen setzen voraus, dass Daten effizient als Quantenzustand verfügbar sind. Bei klassischen Datensätzen ist diese Annahme häufig unrealistisch. Die Zustandsvorbereitung kann einen großen Teil der Gesamtlaufzeit beanspruchen.

Ein fairer Benchmark beginnt deshalb nicht erst nach der Kodierung. Er erfasst den vollständigen Weg vom klassischen Datensatz bis zum nutzbaren Ergebnis.

Messaufwand

Ein Quantenschaltkreis liefert keine exakte reelle Zahl in einer einzigen Ausführung. Erwartungswerte müssen aus vielen Messungen geschätzt werden. Je höher die gewünschte Präzision, desto mehr Messungen sind erforderlich.

Bei vielen Clients, Parametern und Trainingsrunden entsteht ein erheblicher Aufwand. Dieser Faktor wird in rein theoretischen Beschreibungen häufig unterschätzt.

Barren Plateaus

Barren Plateaus führen zu nahezu verschwindenden Gradienten. Das Modell kann dann trotz großer Ausdrucksstärke kaum trainiert werden. Flache, problemangepasste Schaltkreise und lokale Kostenfunktionen können das Risiko reduzieren.

In föderierten Systemen kann das Problem unterschiedlich stark auftreten, weil Clients verschiedene Datenverteilungen besitzen. Ein Client kann noch verwertbare Gradienten erhalten, während ein anderer praktisch nicht mehr lernt.

Anbieter- und Hardwareabhängigkeit

Quantenplattformen unterscheiden sich bei Gattermengen, Qubit-Konnektivität, Fehlerraten und Softwarewerkzeugen. Ein Schaltkreis muss häufig für ein bestimmtes Gerät transpiliert werden. Dabei entstehen zusätzliche Gatter und damit zusätzliche Fehler.

Ein produktives föderiertes System sollte nicht voraussetzen, dass alle Teilnehmer dieselbe Hardware verwenden. Hardwareunabhängige Modellrepräsentationen und standardisierte Schnittstellen werden deshalb langfristig wichtig.

Rechtliche, ethische und organisatorische Fragen

Datenschutzrecht

Auch wenn Rohdaten lokal bleiben, können Modellparameter personenbezogene Informationen enthalten. Verantwortliche müssen deshalb prüfen, ob die übertragenen Aktualisierungen als personenbezogene oder personenbeziehbare Daten gelten.

Zweckbindung, Datenminimierung, Löschkonzepte und Zugriffskontrollen bleiben notwendig. Ein Quantenmodell verändert diese rechtlichen Anforderungen nicht. Technische Neuartigkeit ist keine Ausnahme von bestehenden Datenschutzpflichten.

Verantwortlichkeit

In einem föderierten System tragen mehrere Organisationen zum globalen Modell bei. Bei Fehlentscheidungen stellt sich die Frage, welcher Teilnehmer verantwortlich ist. Ein fehlerhafter lokaler Datensatz kann die globale Ausgabe beeinflussen, ohne dass der Server den Ursprung unmittelbar erkennt.

Klare Governance-Regeln müssen festlegen, wer Clients zulässt, Updates prüft, Modelle freigibt und Vorfälle untersucht. Diese organisatorische Struktur ist ebenso wichtig wie die Wahl des Lernalgorithmus.

Erklärbarkeit

Parametrische Quantenschaltkreise sind für Anwender schwer zu interpretieren. Die Bedeutung einzelner Parameter oder Verschränkungsoperationen lässt sich nicht direkt in fachliche Regeln übersetzen.

In regulierten Bereichen müssen deshalb zusätzliche Erklärungsverfahren entwickelt werden. Dazu gehören Sensitivitätsanalysen, lokale Erklärmodelle und Vergleiche mit fachlich nachvollziehbaren Referenzverfahren.

Fairness

Ein globales Modell kann Gruppen benachteiligen, wenn ihre Daten nur bei wenigen Clients vorkommen. Hardwareunterschiede können diese Verzerrung verstärken. Teilnehmer mit stabileren Quantenprozessoren liefern möglicherweise Beiträge mit geringerer Messunsicherheit und erhalten dadurch größere Gewichte.

Eine rein technische Qualitätsgewichtung kann daher soziale oder organisatorische Ungleichheiten erzeugen. Fairness muss auf Ebene der Daten, der Clients und der betroffenen Personengruppen geprüft werden.

Nachhaltigkeit

Quantenprozessoren benötigen komplexe Infrastruktur, beispielsweise Kryotechnik, Lasersysteme oder präzise Steuerungselektronik. Der Energiebedarf darf nicht nur anhand der eigentlichen Schaltkreisausführung bewertet werden.

Ein Quantenvorteil sollte deshalb auch den Gesamtressourcenverbrauch berücksichtigen. Ein Verfahren, das weniger Rechenschritte benötigt, aber eine deutlich aufwendigere Infrastruktur voraussetzt, ist nicht automatisch nachhaltiger.

Stand der Forschung

Bisherige Schwerpunkte

Die bisherige Forschung konzentriert sich vor allem auf kleine hybride Modelle. Mehrere simulierte Clients trainieren parametrische Quantenschaltkreise und aggregieren deren Parameter mit Varianten von Federated Averaging. Häufig werden kleine Bild- oder Tabellendatensätze verwendet.

Weitere Arbeiten untersuchen Differential Privacy, robuste Aggregation, Quanten-Kernel und heterogene Client-Architekturen. Ein kleinerer Teil beschäftigt sich mit vollständig quantenbasierten Kommunikations- und Lernprotokollen.

Aussagekraft bisheriger Ergebnisse

Viele Experimente zeigen, dass föderiertes Training von Quantenmodellen grundsätzlich möglich ist. Dies ist ein wichtiger Machbarkeitsnachweis. Daraus folgt jedoch noch kein praktischer Vorteil.

Die Teilnehmerzahl ist häufig klein, die Datenaufteilung vereinfacht und die Schaltkreise werden auf idealen Simulatoren ausgeführt. Klassische Vergleichsmodelle sind teilweise nicht optimal abgestimmt. Dadurch bleibt die Übertragbarkeit auf reale Anwendungen begrenzt.

Ein allgemein anerkannter Quantenvorteil für Federated Learning ist bisher nicht nachgewiesen. Das Forschungsgebiet befindet sich in einer Phase, in der Architekturfragen, Trainingsstabilität und Benchmarking noch grundlegend untersucht werden.

Fehlende Standards

Es fehlen einheitliche Benchmarks, standardisierte Client-Profile und allgemein akzeptierte Metriken. Studien verwenden unterschiedliche Datensätze, Qubit-Zahlen, Messzahlen und Fehlermodelle. Ergebnisse lassen sich deshalb nur eingeschränkt vergleichen.

Eine belastbare Forschungsgrundlage benötigt offene Referenzimplementierungen, dokumentierte Hardwaredaten und wiederholbare Experimente. Ebenso wichtig ist eine klare Trennung zwischen Simulation, verrauschter Simulation und realer Hardware.

Zukünftige Entwicklung

Kurzfristige Entwicklung

Kurzfristig werden hybride Modelle im Mittelpunkt stehen. Die Quantenkomponente bleibt klein und übernimmt eine eng definierte Aufgabe. Forschung wird sich auf flachere Schaltkreise, bessere Initialisierung, Fehlerminderung und hardwarebewusste Aggregation konzentrieren.

Auch standardisierte Testumgebungen sind entscheidend. Sie sollten klassische und quantenbasierte Clients, realistische Netzwerkeigenschaften und unterschiedliche Datenverteilungen simulieren können.

Mittelfristige Entwicklung

Mit leistungsfähigeren Quantenprozessoren können größere Client-Modelle und komplexere Feature Maps untersucht werden. Mehrere Hardwareanbieter könnten in einem gemeinsamen föderierten System zusammenarbeiten.

Dies erfordert portable Schaltkreisrepräsentationen und Aggregationsverfahren, die unterschiedliche Geräte berücksichtigen. Auch die Kombination aus Post-Quanten-Kryptografie, Secure Aggregation und quantenbasierten Modellen wird an Bedeutung gewinnen.

Langfristige Entwicklung

Langfristig könnten fehlerkorrigierte Quantencomputer und Quantennetzwerke vollständig neue Lernarchitekturen ermöglichen. Clients könnten verschränkte Ressourcen teilen, Quantenzustände teleportieren oder gemeinsame Operationen auf verteilten Registern ausführen.

Besonders relevant wäre das föderierte Lernen auf nativen Quantendaten. In diesem Fall dient der Quantencomputer nicht als Beschleuniger für eine klassische Aufgabe, sondern als notwendige Verarbeitungsplattform für quantenmechanische Information.

Entscheidende Forschungsfragen

Die weitere Entwicklung hängt von klaren Antworten auf mehrere Fragen ab:

  • Welche realen Aufgaben besitzen eine Struktur, die Quantenmodelle tatsächlich besser nutzen können?
  • Wie lässt sich der gesamte Rechen- und Kommunikationsaufwand transparent erfassen?
  • Wie können heterogene Quantenclients stabil zusammenarbeiten?
  • Wie werden Sicherheit und Datenschutz formal nachgewiesen?
  • Welche Modellinformationen sollten aggregiert werden, wenn lokale Schaltkreise unterschiedlich aufgebaut sind?
  • Wie kann ein Ergebnis unabhängig auf verschiedenen Plattformen reproduziert werden?

Gesamtbewertung

Wissenschaftliches Potenzial

Quantum-Enhanced Federated Learning ist wissenschaftlich relevant, weil es die Grenzen verteilter Lernverfahren und quantenbasierter Modelle gleichzeitig untersucht. Das Gebiet zwingt dazu, Quantenalgorithmen nicht isoliert, sondern als Bestandteil eines realen verteilten Systems zu betrachten.

Besonders wertvoll ist die Forschung an heterogenen Architekturen. Zukünftige Rechenlandschaften werden nicht ausschließlich klassisch oder ausschließlich quantenbasiert sein. Wahrscheinlicher ist eine Kombination aus klassischen Servern, spezialisierten Beschleunigern, Edge-Geräten und Quantenressourcen.

Gegenwärtige praktische Bedeutung

Für heutige Anwendungen ist klassisches Federated Learning in der Regel ausgereifter, günstiger und leichter skalierbar. Quantenbasierte Erweiterungen befinden sich überwiegend im experimentellen Stadium. Sie eignen sich derzeit vor allem für Forschung, Prototypen und die Untersuchung kleiner Spezialprobleme.

Unternehmen sollten den Einsatz nicht mit einem garantierten Leistungssprung verbinden. Sinnvoll ist zunächst die Identifikation einer klaren Teilaufgabe, für die ein Quantenverfahren einen plausiblen Vorteil bietet. Danach folgt ein kontrollierter Vergleich mit starken klassischen Methoden.

Kriterien für einen sinnvollen Einsatz

Ein Einsatz ist wissenschaftlich oder technisch gerechtfertigt, wenn mindestens eines der folgenden Kriterien erfüllt ist:

  • Die Daten besitzen eine natürliche quantenmechanische Struktur.
  • Ein Quantenmodell erreicht bei vergleichbarem Gesamtaufwand nachweisbar bessere Ergebnisse.
  • Eine relevante Optimierungsaufgabe lässt sich quantenbasiert effizienter lösen.
  • Die Quantenkomponente reduziert Kommunikation oder Modellgröße ohne deutlichen Qualitätsverlust.
  • Das System dient der Vorbereitung auf zukünftige Quantennetzwerke oder fehlerkorrigierte Hardware.

Der bloße Austausch einer klassischen Schicht durch einen Quantenschaltkreis reicht nicht aus. Eine technische Neuerung ist nur dann sinnvoll, wenn sie ein konkretes Problem besser löst.

Fazit

Quantum-Enhanced Federated Learning verbindet dezentrales maschinelles Lernen mit Quantencomputing. Die Daten bleiben grundsätzlich bei den beteiligten Clients, während lokale Modellaktualisierungen zu einem globalen Modell zusammengeführt werden. Quantenprozessoren können dabei als lokale Lernmodelle, hybride Schichten, Kernelrechner, Optimierungswerkzeuge oder langfristig als Bestandteile eines Quantennetzwerks dienen.

Der gegenwärtig realistischste Ansatz ist ein hybrides System. Klassische Rechner übernehmen Datenvorbereitung, Kommunikation und Optimierung. Kleine parametrische Quantenschaltkreise bearbeiten eine klar begrenzte Teilaufgabe. Diese Architektur lässt sich mit heutiger Hardware untersuchen, bleibt aber durch Rauschen, Messaufwand und geringe Qubit-Zahlen eingeschränkt.

Ein Quantenmodell bietet keinen automatischen Datenschutz. Gradienten, Parameter und Vorhersagen können weiterhin Informationen über lokale Trainingsdaten enthalten. Secure Aggregation, Differential Privacy, Authentifizierung und robuste Aggregation bleiben erforderlich. Quantenkryptografie schützt gegebenenfalls die Kommunikation, nicht jedoch automatisch das Lernmodell.

Auch ein praktischer Quantenvorteil ist bisher nicht allgemein belegt. Jede Behauptung muss den vollständigen Aufwand einbeziehen: Datenkodierung, Schaltkreisausführung, Messungen, Kommunikation, Hardwarefehler und klassische Nachverarbeitung. Der Vergleich muss gegen optimierte klassische Modelle erfolgen.

Das größte langfristige Potenzial liegt bei Aufgaben, deren Daten oder Rechenstrukturen selbst quantenmechanisch sind. Verteilte Quantensensoren, Quantensimulationen und zukünftige Quantennetzwerke könnten Lernverfahren benötigen, die klassische und quantenmechanische Ressourcen gemeinsam nutzen. In solchen Szenarien ist Quantum-Enhanced Federated Learning nicht nur eine alternative Implementierung, sondern möglicherweise eine notwendige Systemarchitektur.

Bis dahin bleibt das Forschungsgebiet vielversprechend, aber klar experimentell. Seine Weiterentwicklung hängt von besserer Hardware, standardisierten Benchmarks, reproduzierbaren Experimenten, belastbaren Sicherheitsanalysen und präzise definierten Anwendungsszenarien ab. Der wissenschaftliche Fortschritt wird nicht durch möglichst große Versprechen erreicht, sondern durch den überprüfbaren Nachweis, dass eine konkrete Quantenkomponente eine klar bestimmte Aufgabe besser löst als die verfügbaren klassischen Alternativen.

Mit freundlichen Grüßen Jörg-Owe Schneppat

Anhang

Wissenschaftliche Zeitschriften und Artikel

Die folgende Literaturauswahl verbindet die Grundlagen des Federated Learning mit zentralen Arbeiten zum Quantum Machine Learning und zur noch jungen Forschung über Quantum-Enhanced Federated Learning. Die Quellen sollten nicht als gleichwertig behandelt werden: Grundlegende Primärarbeiten definieren Verfahren und Begriffe, Übersichtsartikel ordnen den Forschungsstand ein, während spezialisierte Studien einzelne Architekturen, Sicherheitsmechanismen oder Anwendungsszenarien untersuchen.

Grundlegende Primärliteratur zu Federated Learning

  • Brendan McMahan, Eider Moore, Daniel Ramage, Seth Hampson und Blaise Agüera y Arcas: Communication-Efficient Learning of Deep Networks from Decentralized Data, Proceedings of AISTATS, PMLR 54, 2017.
    • Diese Arbeit gehört zur grundlegenden Primärliteratur des Federated Learning und führt das Verfahren Federated Averaging systematisch ein. Sie eignet sich für die Darstellung des föderierten Trainingsablaufs, der lokalen Optimierung und der gewichteten Aggregation dezentral berechneter Modellparameter.
  • Peter Kairouz et al.: Advances and Open Problems in Federated Learning, Foundations and Trends in Machine Learning, Band 14, Ausgaben 1–2, 2021.
    • Der umfangreiche Übersichtsbeitrag behandelt Optimierung, Datenschutz, Sicherheit, Personalisierung, Kommunikation und Systemheterogenität. Er kann als zentrale Referenz für die klassischen Herausforderungen verwendet werden, die auch in quantenerweiterten föderierten Lernsystemen bestehen bleiben.
  • Keith Bonawitz et al.: Practical Secure Aggregation for Privacy-Preserving Machine Learning, Proceedings of the ACM SIGSAC Conference on Computer and Communications Security, 2017.
    • Die Arbeit beschreibt ein praktisch ausgerichtetes Protokoll zur sicheren Aggregation hochdimensionaler Client-Aktualisierungen. Sie ist relevant, um zu erklären, weshalb die lokale Speicherung der Rohdaten allein keinen vollständigen Datenschutz gewährleistet und wie einzelne Modellbeiträge vor dem Aggregationsserver verborgen werden können.

Grundlegende Primärliteratur zu Quantum Machine Learning

  • Jacob Biamonte, Peter Wittek, Nicola Pancotti, Patrick Rebentrost, Nathan Wiebe und Seth Lloyd: Quantum Machine Learning, Nature, Band 549, 2017.
    • Dieser grundlegende Überblick ordnet die Verbindung zwischen Quantencomputing und maschinellem Lernen ein. Die Quelle eignet sich zur Definition des Quantum Machine Learning sowie zur Diskussion möglicher Beschleunigungen, quantenmechanischer Datenstrukturen und hybrider Lernverfahren.
  • John Preskill: Quantum Computing in the NISQ Era and Beyond, Quantum, Band 2, Artikel 79, 2018.
    • Preskill prägt und erläutert den Begriff der Noisy-Intermediate-Scale-Quantum-Systeme. Die Arbeit ist für die realistische Bewertung von Quantum-Enhanced Federated Learning wichtig, weil sie die begrenzte Qubit-Zahl, fehlende vollständige Fehlerkorrektur und die eingeschränkte Schaltkreistiefe heutiger Quantenprozessoren einordnet.
  • M. Cerezo, Guillaume Verdon, Hsin-Yuan Huang, Lukasz Cincio und Patrick J. Coles: Challenges and Opportunities in Quantum Machine Learning, Nature Computational Science, Band 2, 2022.
    • Die Arbeit analysiert zentrale Chancen und Grenzen des Quantum Machine Learning. Sie eignet sich besonders für eine kritische Behandlung von Datenkodierung, Trainierbarkeit, Skalierbarkeit, Quanten-Kernel-Methoden und der Frage, unter welchen Bedingungen ein tatsächlicher Quantenvorteil entstehen kann.
  • 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 Studie gehört zur maßgeblichen Primärliteratur über Barren Plateaus. Sie kann genutzt werden, um zu erklären, weshalb Gradienten parametrischer Quantenschaltkreise mit wachsender Modellgröße extrem klein werden können und warum eine hohe Ausdrucksstärke nicht automatisch zu einem trainierbaren Modell führt.
  • Maria Schuld und Nathan Killoran: Quantum Machine Learning in Feature Hilbert Spaces, Physical Review Letters, Band 122, Artikel 040504, 2019.
    • Die Arbeit entwickelt die theoretische Grundlage quantenmechanischer Merkmalsräume und Quanten-Kernel. Sie ist relevant für Abschnitte über Quantum Feature Maps, Kernelmatrizen und die Frage, ob eine quantenmechanische Datenabbildung für föderierte Klassifikationsaufgaben einen messbaren Vorteil liefern kann.

Spezialisierte Arbeiten zu Quantum-Enhanced Federated Learning

  • Samuel Yen-Chi Chen und Shinjae Yoo: Federated Quantum Machine Learning, Entropy, Band 23, Ausgabe 4, Artikel 460, 2021.
    • Diese frühe Primärarbeit demonstriert das föderierte Training hybrider quantenklassischer Modelle. Sie eignet sich als Ausgangspunkt für die historische Entwicklung des Forschungsgebiets sowie für die Beschreibung einer Architektur mit lokalen Quantenmodellen und klassischer Parameteraggregation.
  • Mahdi Chehimi und Walid Saad: Quantum Federated Learning with Quantum Data, Proceedings of ICASSP 2022, 2022.
    • Die Arbeit behandelt föderiertes Lernen auf genuin quantenmechanischen Daten und entwickelt dafür ein vollständig quantenorientiertes Rahmenmodell. Sie ist besonders relevant für die Abgrenzung zwischen der Verarbeitung klassischer Daten durch Quantenmodelle und dem föderierten Lernen auf nativen Quantenzuständen.
  • Haimeng Zhao: Non-IID Quantum Federated Learning with One-Shot Communication Complexity, Quantum Machine Intelligence, Band 5, Artikel 3, 2023.
  • Yanqi Song, Yusen Wu, Shengyao Wu, Dandan Li, Qiaoyan Wen, Sujuan Qin und Fei Gao: A Quantum Federated Learning Framework for Classical Clients, Science China Physics, Mechanics & Astronomy, Band 67, Artikel 250311, 2024.
    • Die Arbeit entwickelt eine Architektur, in der die Quantenressourcen auf der Serverseite liegen und die Clients klassisch bleiben. Sie ist für die Diskussion realistischer Systemmodelle wichtig, da nicht vorausgesetzt wird, dass jeder Teilnehmer über einen eigenen Quantenprozessor verfügt.
  • Leo Sünkel, Michael Kölle, Tobias Rohe und Thomas Gabor: Towards Federated Learning on the Quantum Internet, Computational Science – ICCS 2024, Springer, 2024.
  • Rod Rofougaran, Shinjae Yoo, Huan-Hsin Tseng und Samuel Yen-Chi Chen: Federated Quantum Machine Learning with Differential Privacy, Proceedings of ICASSP 2024, 2024.
    • Die Arbeit verbindet föderiertes Quantenlernen mit Differential Privacy. Sie ist für die kritische Untersuchung formaler Datenschutzmechanismen relevant und zeigt zugleich, dass natürliches Hardware- oder Messrauschen nicht mit einem mathematisch definierten Datenschutzbudget gleichgesetzt werden darf.
  • Cheng Qiao, Mianjie Li, Yuan Liu und Zhihong Tian: Transitioning From Federated Learning to Quantum Federated Learning in Internet of Things: A Comprehensive Survey, IEEE Communications Surveys & Tutorials, Band 27, Ausgabe 1, 2025.
    • Dieser Übersichtsartikel ordnet den Übergang von klassischen föderierten Verfahren zu QFL-Architekturen im Internet der Dinge ein. Er eignet sich für die Analyse von Edge-Geräten, Kommunikationsanforderungen, Ressourcenbeschränkungen und möglichen IoT-Anwendungen.
  • Rocco Ballester, Jesús 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 bietet eine strukturierte Taxonomie des QFL-Forschungsstands. Sie sollte für die Einordnung bestehender Architekturen, Forschungslücken, methodischer Probleme und zukünftiger Forschungsrichtungen verwendet werden.
  • Dinh C. Nguyen, Md Raihan Uddin, Shaba Shaon, Ratun Rahman, Octavia Dobre und Dusit Niyato: Quantum Federated Learning: A Comprehensive Survey, IEEE Communications Surveys & Tutorials, Band 28, 2026.
    • Der aktuelle Übersichtsbeitrag behandelt QFL-Architekturen, Netzwerktopologien, Kommunikationsmodelle, Optimierung, Sicherheit und Anwendungsszenarien. Er eignet sich als Recherchegrundlage für den gegenwärtigen Stand des Fachgebiets, sollte bei Detailaussagen jedoch zusammen mit den jeweils behandelten Primärarbeiten zitiert werden.
  • Zhi-Ping Liu, Xiao-Yu Cao, Hao-Wen Liu, Xiao-Ran Sun, Yu Bao, Yu-Shuo Lu, Hua-Lei Yin und Zeng-Bing Chen: Practical Quantum Federated Learning and Its Experimental Demonstration, Preprint, 2025.
    • Die Arbeit beschreibt eine experimentelle QFL-Demonstration in einem kleinen Quantennetzwerk und verbindet verteilte Quantenschlüssel mit sicherer Modellaggregation. Da es sich um einen Preprint handelt, sollte die Quelle als aktueller Forschungsbeitrag und nicht als abschließend bestätigter Standardnachweis behandelt werden.

Hintergrundliteratur zu Datenschutz und Sicherheit

  • William M. Watkins, Samuel Yen-Chi Chen und Shinjae Yoo: Quantum Machine Learning with Differential Privacy, Scientific Reports, Band 13, 2023.

Bücher und Monographien

Bücher und Monographien liefern die mathematischen, informationstheoretischen und systemtechnischen Grundlagen, die einzelne Fachartikel meist voraussetzen. Für eine wissenschaftliche Abhandlung über Quantum-Enhanced Federated Learning sind insbesondere Werke zur Quanteninformation, zum Quantum Machine Learning sowie zu Architektur, Sicherheit und Optimierung des Federated Learning relevant.

Standardwerke zur Quanteninformation

  • Michael A. Nielsen und Isaac L. Chuang: Quantum Computation and Quantum Information, 10th Anniversary Edition, Cambridge University Press, 2010.
    • Das Standardwerk behandelt Qubits, Quantenschaltkreise, Messungen, Verschränkung, Quantenalgorithmen, Quantenfehlerkorrektur und Quanteninformation. Es sollte für grundlegende Definitionen und die physikalisch-mathematische Fundierung der Quantenkomponenten verwendet werden.
  • John Watrous: The Theory of Quantum Information, Cambridge University Press, 2018.
    • Watrous bietet eine mathematisch präzise Darstellung von Quantenzuständen, Quantenkanälen, Entropie, Verschränkung und Kanalkapazitäten. Das Werk eignet sich für anspruchsvollere Abschnitte über verteilte Quantendaten, Quantenkommunikation und zukünftige vollständig quantenbasierte Föderationsmodelle.
  • Mark M. Wilde: Quantum Information Theory, 2. Auflage, Cambridge University Press, 2017.
    • Das Werk verbindet Quanteninformation mit Kommunikationstheorie und behandelt klassische sowie quantenmechanische Kanäle systematisch. Es ist besonders für Abschnitte über Quantennetzwerke, Kommunikationskapazitäten und den Austausch quantenmechanischer Ressourcen geeignet.

Standardwerke zu Quantum Machine Learning

  • Maria Schuld und Francesco Petruccione: Machine Learning with Quantum Computers, 2. Auflage, Springer, 2021.
    • Die Monographie behandelt Datenkodierung, parametrische Quantenschaltkreise, hybride Optimierung, Quanten-Kernel, Quantenmodelle und Lernalgorithmen für heutige sowie zukünftige Quantenhardware. Sie ist die wichtigste zusammenhängende Grundlage für die QML-Komponenten einer QFL-Abhandlung.
  • Maria Schuld und Francesco Petruccione: Supervised Learning with Quantum Computers, Springer, 2018.
    • Dieses Werk konzentriert sich auf überwachte quantenbasierte Lernverfahren. Es eignet sich für die fachliche Vertiefung von Klassifikation, Regression, Merkmalsabbildungen und der mathematischen Beziehung zwischen klassischen und quantenbasierten Lernmodellen.

Standardwerke zu Federated Learning

  • Qiang Yang, Yang Liu, Yong Cheng, Yan Kang, Tianjian Chen und Han Yu: Federated Learning, Morgan & Claypool Publishers, 2020.
    • Die Monographie bietet eine systematische Einführung in horizontales und vertikales Federated Learning, Federated Transfer Learning, Sicherheit und praktische Anwendungen. Sie eignet sich zur Definition der klassischen Föderationsformen, bevor deren quantenbasierte Erweiterungen untersucht werden.
  • Muhammad Habib ur Rehman und Mohamed Medhat Gaber: Federated Learning Systems: Towards Next-Generation AI, Springer, 2021.
    • Der Sammelband betrachtet Federated Learning aus der Perspektive verteilter Systeme, mobiler Geräte, Sicherheit und praktischer Anwendungen. Er ist hilfreich, um QFL nicht nur als Lernalgorithmus, sondern als vollständige Systemarchitektur mit Clients, Servern, Netzen und Ressourcenbeschränkungen zu analysieren.
  • Peter Kairouz, H. Brendan McMahan und Virginia Smith: Federated Learning: A Comprehensive Overview of Methods and Applications, Springer, 2022.
    • Der Sammelband verbindet Optimierung, Datenschutz, verteilte Systeme und Anwendungsfelder des Federated Learning. Er kann zur Vertiefung der klassischen Vergleichsverfahren verwendet werden, gegen die ein behaupteter Quantenvorteil bewertet werden muss.

Vorlesungsnotizen und Monographie-nahe Ressourcen

  • Maria Schuld, Ilya Sinayskiy und Francesco Petruccione: An Introduction to Quantum Machine Learning, Contemporary Physics, Band 56, 2015.
    • Der einführende Übersichtsbeitrag ist als Brücke zwischen Lehrbuch und Forschungsartikel geeignet. Er vermittelt zentrale QML-Begriffe kompakter als eine Monographie und kann zur Vorbereitung der Abschnitte über Quantenklassifikation und quantenbasierte Datenverarbeitung genutzt werden.
  • Qiang Yang, Yang Liu, Tianjian Chen und Yongxin Tong: Federated Machine Learning: Concept and Applications, ACM Transactions on Intelligent Systems and Technology, Band 10, Ausgabe 2, 2019.
    • Die Arbeit bietet eine kompakte begriffliche Einordnung von horizontalem, vertikalem und transferbasiertem Federated Learning. Sie ist als einführende Hintergrundquelle geeignet, bevor spezialisierte QFL-Architekturen behandelt werden.

Online-Ressourcen und Datenbanken

Online-Ressourcen sind für Quantum-Enhanced Federated Learning besonders wichtig, weil sich das Forschungsgebiet schnell entwickelt und ein erheblicher Teil neuer Arbeiten zunächst als Preprint erscheint. Für belastbare wissenschaftliche Aussagen sollten bibliografische Daten möglichst über Verlagsseiten, DOI-Register oder begutachtete Journalversionen bestätigt werden. Softwaredokumentationen und Lernplattformen sind vor allem für Implementierung, Reproduktion und methodische Überprüfung geeignet.

Fachjournale und Verlage

  • arXiv: Open-Access-Preprint-Archiv für Physik, Informatik, Mathematik und angrenzende Fachgebiete.
    • arXiv ist für die Recherche aktueller QFL-, QML- und Quantennetzwerk-Arbeiten unverzichtbar. Preprints müssen jedoch als noch nicht oder nicht zwingend begutachtete Forschungsbeiträge gekennzeichnet und nach Möglichkeit mit einer späteren Journal- oder Konferenzversion abgeglichen werden.
  • Crossref: DOI- und Metadatenregister für wissenschaftliche Publikationen.
    • Crossref eignet sich zur Prüfung von DOI, Titel, Autorenschaft, Publikationsjahr und Verlag. Die Datenbank sollte verwendet werden, wenn unterschiedliche Webseiten widersprüchliche bibliografische Angaben zu einer Quelle anzeigen.
  • IEEE Xplore Digital Library: Fachbibliothek des Institute of Electrical and Electronics Engineers.
    • IEEE Xplore enthält zahlreiche Arbeiten zu Federated Learning, Kommunikationsnetzen, IoT, Quantennetzwerken und Quantum Federated Learning. Die Plattform ist besonders für begutachtete Konferenzbeiträge, Surveys und technische Systemstudien relevant.
  • ACM Digital Library: Fachbibliothek der Association for Computing Machinery.
    • Die ACM Digital Library ist eine zentrale Recherchequelle für verteilte Systeme, sichere Aggregation, Datenschutz, maschinelles Lernen und Systemarchitekturen. Sie eignet sich besonders zur Ergänzung der quantentechnischen Literatur um belastbare Informatik- und Sicherheitsforschung.
  • SpringerLink: Wissenschaftliche Plattform für Zeitschriften, Konferenzbände und Monographien.
    • SpringerLink stellt unter anderem Quantum Machine Intelligence, Fachbücher zur Quanteninformation und Konferenzbände zu verteiltem Rechnen bereit. Die Plattform ist für die Prüfung veröffentlichter Journalversionen und verbindlicher DOI-Angaben geeignet.
  • Proceedings of Machine Learning Research: Open-Access-Konferenzarchiv für maschinelles Lernen.
    • Das Archiv enthält grundlegende Primärliteratur zu Federated Learning und modernen Lernverfahren. Es ist besonders geeignet, um frei zugängliche, zitierfähige Konferenzversionen mit vollständigen bibliografischen Angaben zu verwenden.
  • Nature Portfolio: Fachzeitschriften zu Quantenphysik, Quanteninformation und maschinellem Lernen.
    • Nature, Nature Computational Science, Nature Communications und npj Quantum Information veröffentlichen grundlegende und aktuelle Arbeiten zu QML, Trainierbarkeit, Quanten-Kernel-Verfahren und Quantenvorteilen. Die Plattform sollte für hochwertige Primär- und Überblicksliteratur genutzt werden.

Lern- und Forschungsplattformen

  • IBM Quantum und Qiskit: Plattform, Dokumentation und Software Development Kit für Quantencomputing.
    • IBM Quantum ermöglicht die Entwicklung und Ausführung von Quantenschaltkreisen auf Simulatoren und realen Quantenprozessoren. Qiskit ist für die Implementierung parametrischer Schaltkreise, Hardwaretests, Transpilation und die Analyse gerätespezifischer Fehler geeignet.
  • PennyLane: Open-Source-Plattform für Quantum Machine Learning und hybride quantenklassische Optimierung.
    • PennyLane bietet automatische Differentiation, parametrisierte Quantenschaltkreise, Schnittstellen zu klassischen Machine-Learning-Bibliotheken und verschiedene Simulator- und Hardware-Backends. Die Plattform eignet sich besonders für reproduzierbare Prototypen hybrider QFL-Clients.
  • PennyLane Demonstrations: Technische Beispiele und Forschungsimplementierungen zu Quantum Machine Learning.
    • Die Demonstrationen behandeln unter anderem Variational Quantum Circuits, Quanten-Kernel, Datenkodierung und hybride Modelle. Sie sind als Implementierungshilfe geeignet, ersetzen jedoch keine Primärquelle für theoretische oder experimentelle Behauptungen.
  • TensorFlow Federated: Open-Source-Framework für Berechnungen auf dezentralen Daten.
    • TensorFlow Federated unterstützt die Simulation und Implementierung föderierter Trainings- und Evaluationsverfahren. Die Plattform ist für den klassischen Föderationsteil eines hybriden Versuchsaufbaus sowie für Vergleiche mit QFL-Prototypen geeignet.
  • Flower: Framework für skalierbare und frameworkunabhängige Federated-Learning-Experimente.
    • Flower ermöglicht föderierte Experimente mit unterschiedlichen Machine-Learning-Bibliotheken, Client-Konfigurationen und Systemgrößen. Es eignet sich für die Entwicklung hybrider Testumgebungen, in denen klassische und quantenbasierte Client-Modelle gemeinsam untersucht werden.
Graviton

Graviton

...

9-Qubit-Code

9-Qubit-Code

...

Clifford-Gatter & Clifford-Gruppe

Clifford-Gatter & Clifford-Gruppe

...

Quantum Industry Coalition (QIC)

Quantum Industry Coalition (QIC)

...

Bottom-Quarks

Bottom-Quarks

...

Loch-Spin-Qubits

Loch-Spin-Qubits

...