Federated Learning with Quantum Enhanced LSTM for Applications in High Energy Physics
Este artículo propone un marco de aprendizaje federado que combina modelos LSTM clásicos con circuitos cuánticos variacionales (QLSTM) para el análisis de datos de física de altas energías, demostrando que esta arquitectura híbrida logra un rendimiento comparable a los modelos de aprendizaje profundo tradicionales utilizando significativamente menos parámetros y datos.