Adaptive Aggregation with Two Gains in QFL

1. Il Problema

L'apprendimento federato (FL) implementato su reti ibride quantistiche e classiche eterogenee affronta sfide fondamentali che i metodi di aggregazione classici (come FedAvg) non riescono a gestire efficacemente. Le principali criticità identificate sono:

• Eterogeneità della qualità dei client: Disparità nella affidabilità dei dispositivi, nella stabilità locale e nella fedeltà della teletrasmissione quantistica.
• Instabilità stocastica: Variazioni nella fedeltà della teletrasmissione, latenza di comunicazione e rumore hardware (decoerenza, varianza dei gradienti indotta dai "shot").
• Mancanza di allineamento geometrico: I parametri dei modelli quantistici (es. angoli di rotazione nei circuiti quantistici variazionali) risiedono spesso su varietà non euclidee (come tori o sfere). L'aggregazione euclidea standard assume uno spazio piatto, causando instabilità e divergenza quando i parametri evolvono su curve o varietà complesse.
• Limiti degli approcci esistenti: FedAvg ignora la qualità del servizio (QoS) e la geometria; gli approcci Riemanniani ignorano spesso le metriche di latenza e fedeltà; la ricerca FL quantistica si è concentrata più sullo sviluppo del modello che sulle strategie di aggregazione robuste.

2. Metodologia: A2G (Adaptive Aggregation with Two Gains)

Il paper introduce A2G, un framework di aggregazione duale che regola l'aggiornamento globale del modello attraverso due meccanismi complementari: un guadagno QoS ($\alpha$) e un guadagno geometrico ($\beta$).

A. Fase I: Aggiornamenti Locali e Rilevamento QoS

Ogni client esegue un ottimizzatore locale (es. SPSA per modelli quantistici) e misura tre indicatori fisici:

1. Fedeltà ($F_{i,t}$): Qualità del canale di teletrasmissione quantistica.
2. Latenza ($\tau_{i,t}$): Ritardo di comunicazione.
3. Instabilità ($\sigma^2_{i,t}$): Varianza o rumore del dispositivo.

B. Fase II: Guadagno QoS e Ponderazione dell'Affidabilità

Il framework calcola un peso di fiducia $w^{(\alpha)}_{i,t}$ per ogni client basato sulla sua qualità. La formula combina la proporzione dei dati ($p_i$) con un fattore QoS ($q_{i,t}$):
$$q_{i,t} = \frac{F_{i,t}^\alpha}{(\tau_{i,t} + \epsilon)^\gamma (\sigma^2_{i,t} + \epsilon)^\delta}$$

• $\alpha, \gamma, \delta$: Esponenti di guadagno che controllano la sensibilità a fedeltà, latenza e instabilità.
• Effetto: I client con canali instabili o ad alta latenza ricevono pesi inferiori, riducendo il loro impatto negativo sul modello globale. Se $\alpha=0$, il sistema degrada a una media uniforme (FedAvg).

C. Fase III: Guadagno Geometrico e Correzione sulla Varietà

Per gestire la geometria non euclidea (es. angoli periodici), A2G utilizza mappe Riemanniane (Logaritmo ed Esponenziale) per calcolare una correzione geometrica $\Psi$.

• Viene calcolato un vettore tangente pesato per QoS: $v_t = \sum w^{(\alpha)}_{i,t} \text{Log}_{\theta_t}(\theta_{i,t})$.
• La correzione è definita come: $\Psi(\theta_t, \{\theta_{i,t}\}) = \text{Exp}_{\theta_t}(v_t) - \theta_t$.
• $\beta$: Guadagno geometrico che interpola tra l'aggregazione euclidea pura ($\beta=0$) e l'aggregazione pienamente consapevole della geometria ($\beta=1$).

D. Regola di Aggiornamento Globale

L'aggiornamento finale del modello globale $\theta_{t+1}$ combina il gradiente pesato e la correzione geometrica:
$$\theta_{t+1} = \theta_t - \eta \sum w^{(\alpha)}_{i,t} g_{i,t} + \beta \Psi(\theta_t, \{\theta_{i,t}\})$$
Nelle sperimentazioni pratiche, il termine del gradiente server è spesso disabilitato ($\eta=0$), rendendo l'aggiornamento una media geometrica pesata per QoS, che è computazionalmente più efficiente e robusta nel contesto quantistico.

3. Contributi Chiave

1. Framework duale universale: A2G è il primo meccanismo che integra simultaneamente pesi basati sulla QoS (fedeltà/latenza) e correzioni geometriche consapevoli della curvatura.
2. Unificazione teorica: Il framework generalizza FedAvg, l'aggregazione pesata per QoS e l'aggregazione su varietà Riemanniane come casi particolari.
3. Garanzie di convergenza: Viene fornita un'analisi di convergenza che dimostra come A2G converga sotto ipotesi di regolarità, mostrando che il guadagno QoS accelera la convergenza mentre il guadagno geometrico controlla la deviazione dovuta alla curvatura.
4. Meccanismo di fiducia adattivo: Formalizzazione di un sistema di pesi che filtra i client inaffidabili basandosi su metriche fisiche reali della rete quantistica.
5. Stabilizzazione dei modelli QNN: Dimostrazione che piccoli guadagni geometrici ($\beta \ll 1$) sopprimono efficacemente la deriva dei client e il bias indotto dalla curvatura nei modelli quantistici.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su un banco di prova ibrido quantistico-classico utilizzando dataset medici (Breast Cancer Wisconsin e Breast-Lesions-USG) con configurazioni non-IID (eterogenee).

• Ottimizzazione del guadagno geometrico ($\beta$):
  • Un valore basso di $\beta$ (es. 0.05) ha prodotto le migliori prestazioni, raggiungendo un'accuratezza massima del 68.25% sul dataset Breast-Lesions-USG.
  • Questo rappresenta un miglioramento relativo di circa il 25% rispetto al caso $\beta=1.0$ (aggregazione geometrica aggressiva) e al baseline FedAvg.
  • Valori elevati di $\beta$ hanno portato a dinamiche di apprendimento volatili e degradazione delle prestazioni.
• Robustezza al rumore: A2G ha mantenuto stabilità e accuratezza superiori anche in presenza di alti livelli di rumore di teletrasmissione (fino a $p=0.12$), superando significativamente il baseline FedAvg.
• Stabilità QoS: I guadagni geometrici moderati hanno ridotto l'instabilità media e la latenza del sistema rispetto alle configurazioni aggressive o al baseline.

5. Significato e Implicazioni

Il lavoro di A2G-QFL è significativo perché:

• Supera i limiti dell'approccio euclideo: Fornisce una soluzione teorica e pratica per aggregare modelli i cui parametri risiedono su varietà complesse, tipiche del calcolo quantistico.
• Integra fisica e apprendimento: Collega direttamente le metriche di livello fisico (fedeltà quantistica, latenza) al processo di ottimizzazione dell'apprendimento automatico, creando un sistema resiliente alle imperfezioni delle reti quantistiche reali.
• Efficienza computazionale: Evita il calcolo costoso dei gradienti lato server (spesso proibitivo nei circuiti quantistici a causa del rumore e dei "barren plateaus"), affidandosi invece a una correzione geometrica intelligente.
• Scalabilità futura: Offre un meccanismo fondamentale per lo sviluppo di reti di intelligenza distribuita di prossima generazione, capaci di operare in ambienti quantistici eterogenei e rumorosi.

In sintesi, A2G rappresenta un passo avanti cruciale verso l'implementazione pratica e robusta del Federated Learning in reti quantistiche, bilanciando la qualità del servizio di comunicazione con la corretta gestione della geometria dei modelli.