Experimentally validated quantum-secure federated learning over a multi-user quantum network

Sintesi Tecnica: Apprendimento Federato Quantum-Sicuro Sperimentale su una Rete Quantum Multi-Utente

Enunciazione del Problema
L'apprendimento federato (FL) consente l'addestramento decentralizzato su dati privati, ma rimane vulnerabile alla perdita di privacy attraverso gli aggiornamenti del modello, in particolare nell'era quantistica dove gli attacchi di inversione del gradiente possono esporre informazioni sensibili. Sebbene l'Apprendimento Federato Quantistico (QFL) offra potenzialità per una maggiore sicurezza ed efficienza, i protocolli esistenti spesso fanno affidamento su crittografia omomorfica computazionalmente costosa, trasmissione complessa di stati a più qubit o tecniche di privacy differenziale che degradano l'utilità del modello. Inoltre, è mancato un protocollo QFL pratico e sperimentalmente validato che utilizzi tecnologie quantistiche a breve termine per fornire sicurezza informazionale-teorica per l'aggregazione del modello.

Metodologia: QuNetQFL
Gli autori propongono QuNetQFL, un protocollo di apprendimento federato quantistico implementato nativamente su reti quantistiche. Il meccanismo fondamentale prevede la Distribuzione Quantistica di Chiavi (QKD) per generare chiavi segrete pairwise tra i client, che vengono poi utilizzate per mascherare gli aggiornamenti locali del modello tramite uno schema di one-time pad (OTP).

• Aggregazione Sicura: In ogni round di comunicazione, i client generano aggiornamenti locali del modello ($\Delta \theta_k$). Questi aggiornamenti vengono quantizzati a $q$ bit e mascherati utilizzando una somma firmata di chiavi QKD pairwise condivise con gli altri client partecipanti. Il mascheramento garantisce che, quando il server aggrega gli aggiornamenti, le maschere si annullino, rivelando solo la somma pesata degli aggiornamenti mentre mantiene nascosti i contributi individuali.
• Configurazione Sperimentale: Il protocollo è stato validato su una rete quantistica a quattro client su 6 chilometri di fibra ottica. Il team ha impiegato un protocollo QKD indipendente dal dispositivo di misura (MDI) a quattro fasi, utilizzando un interferometro di Sagnac per la stabilità di fase. Questa configurazione ha permesso la generazione di chiavi segrete con velocità superiori a 32,8 kbps tra le coppie di client.
• Quantizzazione e Compressione: Per gestire il consumo di chiavi e l'overhead di comunicazione, il protocollo impiega la quantizzazione a $q$ bit degli aggiornamenti del modello. Simulazioni su larga scala hanno inoltre incorporato tecniche di compressione del modello (ad esempio, per LeNet-5) per ridurre ulteriormente i costi.

Contributi Chiave e Risultati
Il documento presenta il primo protocollo di apprendimento federato quantum-sicuro sperimentalmente validato e distribuito su una rete quantistica multi-utente. La validazione copre tre scenari distinti:

1. Classificazione di Dataset Quantistici (QNN):

   • Compiti: Classificazione di stati entangled multipartiti (alta vs. bassa entanglement) e stati magici quantistici (non-stabilizer vs. stabilizer).
   • Risultati: Utilizzando chiavi generate sperimentalmente, il protocollo ha raggiunto accuratezze di test del 91,5% (4 client) per la classificazione dell'entanglement e del 98,3% per la classificazione non-stabilizer. L'aggiunta di un singolo client quantistico ha migliorato significativamente l'accuratezza globale (di almeno il 2%) e ridotto la perdita rispetto a una configurazione a 3 client, dimostrando la scalabilità.

2. Analisi del Sentiment (LLM Ibrido Classico-Quantistico):

   • Compito: Fine-tuning federato di un modello ibrido BERT-QNN (congelando il codificatore BERT pre-addestrato e affinando un sottocircuito QNN a 4 qubit) su dataset inclusi recensioni di IMDb, Yelp e Amazon.
   • Risultati: Il modello è stato valutato sia su simulazioni che su hardware quantistico reale (chip superconduttivo BAQIS Quafu). Il modello ibrido ha raggiunto prestazioni comparabili a un baseline classico con dimensioni corrispondenti, con accuratezze di test comprese tra ~81% e 85% su dataset di sentiment reali. I risultati hanno dimostrato robustezza al rumore sull'hardware quantistico reale.

3. Riconoscimento di Cifre Scritte a Mano (MNIST):

   • Compito: Classificazione utilizzando QNN sul dataset MNIST in condizioni sia di distribuzione indipendente e identica (IID) che non-IID.
   • Risultati: Il protocollo ha raggiunto un'accuratezza comparabile (entro l'1%) rispetto al benchmark su diverse distribuzioni di dati.
   • Scalabilità: Simulazioni su larga scala con 200 client utilizzando il modello classico LeNet-5 hanno dimostrato una rapida convergenza (entro 20–40 round). Lo studio ha mostrato che la quantizzazione a 16 bit ha ridotto i costi delle chiavi segrete quantistiche del 50% rispetto alla quantizzazione a 32 bit, mentre la quantizzazione a 8 bit ha ridotto i costi del 75%, con un impatto minimo sull'accuratezza finale.

Significato e Affermazioni
Gli autori affermano che QuNetQFL stabilisce una via pratica e scalabile verso l'apprendimento federato quantum-sicuro per la nascente internet quantistica. I punti chiave di significato includono:

• Sicurezza Informazionale-Teorica: A differenza dei protocolli che fanno affidamento su ipotesi di difficoltà computazionale (ad esempio, crittografia post-quantistica) o privacy differenziale (che scambia accuratezza per privacy), QuNetQFL fornisce sicurezza informazionale-teorica per l'aggregazione del modello utilizzando one-time pad derivati dalla QKD.
• Fattibilità a Breve Termine: Il protocollo non richiede computer quantistici fault-tolerant o aggregazione complessa basata su entanglement. Utilizza risorse disponibili nelle attuali reti quantistiche (chiavi QKD pairwise) ed è compatibile con dispositivi quantistici a breve termine (era NISQ).
• Validazione Sperimentale: Il lavoro va oltre le proposte teoriche dimostrando un'implementazione di principio su una reale rete quantistica multi-utente, confermando che l'infrastruttura a breve termine può supportare compiti di apprendimento distribuito e sicuro.
• Modularità: Il protocollo è progettato per essere flessibile, supportando vari algoritmi di addestramento locale (basati su gradiente o non basati su gradiente) e adattabile a diverse tecniche di compressione. Gli autori notano che, sebbene l'implementazione attuale utilizzi la QKD per la sicurezza informazionale-teorica, il flusso di lavoro di aggregazione è modulare e potrebbe teoricamente utilizzare l'instaurazione di chiavi classica, sebbene ciò altererebbe le garanzie di sicurezza in sicurezza computazionale.

Il documento conclude che questo lavoro affronta la necessità critica di un framework FL sicuro che operi entro i limiti attuali dell'hardware quantistico, aprendo la strada all'apprendimento distribuito che preserva la privacy dal giorno presente fino all'era del calcolo quantistico su larga scala.