QFed: Quanten-gestütztes Federated Learning reduziert Parameter um 77,6 %

Unternehmen aus Gesundheitswesen, Finanzen und Forschung stehen zunehmend vor der Aufgabe, aus verteilten, isolierten Datensätzen kollektive Intelligenz zu gewinnen, ohne sensible Rohdaten preiszugeben. Federated Learning (FL) ermöglicht genau das, doch die wachsende statistische Heterogenität, Systemdiversität und der hohe Rechenaufwand komplexer Modelle stellen dabei große Herausforderungen dar.

In einer neuen Studie wird untersucht, wie Quantencomputing FL unterstützen kann. Durch die Reduktion der Parameterzahl in klassischen Modellen um polylogarithmische Faktoren könnte der Trainingsaufwand deutlich gesenkt werden. Auf dieser Basis wurde QFed entwickelt – ein federated‑Learning‑Framework, das Quantenressourcen nutzt, um die Rechenleistung an Edge‑Geräten zu steigern.

Die Leistungsfähigkeit von QFed wurde anhand des weit verbreiteten FashionMNIST‑Datensatzes getestet. Die Ergebnisse zeigen, dass QFed die Parameter eines VGG‑ähnlichen Modells um 77,6 % reduziert, während die Genauigkeit im Vergleich zu herkömmlichen Ansätzen nahezu unverändert bleibt. Damit demonstriert QFed das Potenzial, Quantencomputing in federated‑Learning‑Umgebungen einzusetzen und die Fähigkeiten von Edge‑Geräten nachhaltig zu verbessern.