[论文解读] Quantum Federated Learning with Entanglement Controlled Circuits and Superposition Coding

Won Joon Yun, Jae Pyoung Kim+5 more|arXiv (Cornell University)|Dec 4, 2022

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

该论文提出了一种纠缠可剪枝的量子联邦学习框架（eSQFL），通过使用深度可调的纠缠量子神经网络（eSQNN）与叠加编码参数传输，实现通信高效的量子联邦学习。通过引入纠缠控制的通用门和原位保真度提纯正则化器，eSQFL缓解了高纠缠度带来的训练不稳定性以及层间干扰问题，在多种信道条件和数据分布下，相比基线QFL框架，实现了更高的准确率和更快的收敛速度。

ABSTRACT

While witnessing the noisy intermediate-scale quantum (NISQ) era and beyond, quantum federated learning (QFL) has recently become an emerging field of study. In QFL, each quantum computer or device locally trains its quantum neural network (QNN) with trainable gates, and communicates only these gate parameters over classical channels, without costly quantum communications. Towards enabling QFL under various channel conditions, in this article we develop a depth-controllable architecture of entangled slimmable quantum neural networks (eSQNNs), and propose an entangled slimmable QFL (eSQFL) that communicates the superposition-coded parameters of eS-QNNs. Compared to the existing depth-fixed QNNs, training the depth-controllable eSQNN architecture is more challenging due to high entanglement entropy and inter-depth interference, which are mitigated by introducing entanglement controlled universal (CU) gates and an inplace fidelity distillation (IPFD) regularizer penalizing inter-depth quantum state differences, respectively. Furthermore, we optimize the superposition coding power allocation by deriving and minimizing the convergence bound of eSQFL. In an image classification task, extensive simulations corroborate the effectiveness of eSQFL in terms of prediction accuracy, fidelity, and entropy compared to Vanilla QFL as well as under different channel conditions and various data distributions.

研究动机与目标

• 为解决在异构且时变信道条件下量子联邦学习（QFL）中的通信低效与训练不稳定性问题。
• 克服深度可调量子神经网络（QNN）中高纠缠熵与层间干扰带来的挑战。
• 设计一种可扩展、通信高效的QFL框架，支持基于信道质量的多级参数交换。
• 优化叠加编码的功率分配策略，以最小化QFL中的收敛边界。

提出的方法

• 提出纠缠可剪枝量子神经网络（eSQNN），一种通过可控通用门实现可训练纠缠的深度可调PQC架构。
• 引入原位保真度提纯（IPFD）正则化器，对层间量子态差异施加惩罚，降低联合训练过程中的干扰。
• 采用叠加编码技术，实现多级参数传输，使设备可通过经典信道发送压缩的、叠加编码的QNN参数。
• 推导并最小化eSQFL的收敛边界，以优化叠加编码中的功率分配。
• 采用学习率调度策略 ηₜ = 2/(μt + 2L - μ)，在强凸性和利普希茨平滑性假设下确保收敛。
• 理论分析证明，全局收敛的误差衰减速率为 O(1/t)，其收敛边界受纠缠度与信道方差的约束。

实验结果

研究问题

• RQ1 在高纠缠熵与层间干扰条件下，是否能够稳定训练深度可调的量子神经网络架构？
• RQ2 如何有效将叠加编码应用于量子联邦学习，以在不同信道条件下实现多级参数传输？
• RQ3 为最小化收敛误差，叠加编码的QFL参数最优功率分配策略是什么？
• RQ4 在不同数据分布下，所提出的eSQFL框架与基线QFL在预测准确率、保真度与纠缠熵方面有何对比？
• RQ5 eSQFL的理论收敛边界是否可推导并最小化，以确保在异构设备上的稳定训练？

主要发现

• eSQFL在多种图像分类任务中，即使在较差的信道条件下，也实现了比基线QFL更高的预测准确率。
• 所提出的eSQNN架构通过IPFD正则化器有效降低了层间干扰，提升了训练稳定性和收敛性能。
• 叠加编码实现了高效、多级的参数交换，在保持高模型保真度的同时显著降低了通信开销。
• 通过优化功率分配，eSQFL的收敛边界被最小化，从而实现更快的收敛速度与更低的误差率。
• 大量仿真结果表明，eSQFL在各种数据分布与信道条件下，均能保持高保真度与低纠缠熵。
• eSQFL的理论收敛速率为 O(1/t)，表明其与最优模型参数之间的距离呈次线性衰减。