In de moderne wereld van kunstmatige intelligentie leren machines door patronen te vinden in enorme hoeveelheden data. Vaak is deze data gevoelig en behoort deze toe aan individuen die hun privacy willen beschermen, zoals medische dossiers of persoonlijke financiële geschiedenis. Om dit op te lossen, ontwikkelden wetenschappers een methode genaamd federated learning, waarbij de data op het apparaat van de gebruiker blijft en alleen de lessen die ervan zijn geleerd naar een centrale server worden gestuurd om een gedeeld model te verbeteren. Het versturen van zelfs deze lessen brengt echter een risico met zich mee: een nieuwsgierige waarnemer zou de oorspronkelijke data potentieel kunnen reconstrueren uit de updates. Om dit te voorkomen, gebruiken onderzoekers een techniek genaamd encryptie, die de informatie versleutelt zodat alleen de beoogde ontvanger deze kan lezen. De uitdaging ontstaat wanneer het leermodel gebruikmaakt van quantumcomputers, die werken volgens de vreemde regels van de quantumfysica. In deze systemen zijn de getallen die gebruikt worden om het model te trainen geen eenvoudige waarden, maar vertegenwoordigen ze rotaties in een complexe, meerdimensionale ruimte. Lange tijd werd gedacht dat het versleutelen van deze specifieke soorten rotaties onbetaalbaar duur was, omdat het zoveel rekenkracht vereiste dat het proces onpraktisch werd.

Een team van onderzoekers aan Imperial College London heeft ontdekt dat deze moeilijkheid geen fundamentele natuurwet was, maar een gevolg van de manier waarop de getallen werden opgeschreven. Ze ontdekten dat door de wiskundige "taal" te veranderen waarmee deze quantumrotaties worden beschreven, het proces van het versleutelen ervan verrassend eenvoudig en efficiënt wordt. In plaats van een complex systeem te gebruiken dat duizenden stappen vereiste voor elke enkele update, lieten de onderzoekers zien dat het gebruik van een specifiek coördinatenstelsel gebaseerd op eenheidsquaternionen de hoeveelheid werk terugbrengt tot een enkele, eenvoudige berekening. Deze doorbraak maakt het mogelijk om quantum-neurale netwerken over vele apparaten te trainen terwijl de data volledig verborgen blijft, zonder de zware rekenkundige boete die het voorheen onmogelijk maakte.

De kern van het probleem lag in de manier waarop quantumcomputers hun operaties beschrijven. De trainbare onderdelen van deze machines zijn in essentie rotaties, vergelijkbaar met het draaien aan een draaiknop. In de standaardmanier waarop deze draaibewegingen worden beschreven, was de wiskunde erachter zo complex dat het versleutelen van de updates een enorme hoeveelheid verwerking vereiste, vaak duizenden afzonderlijke operaties voor elke enkele parameter in het netwerk. Dit deed de gedachte aan privacy-bewust quantumleren onbereikbaar lijken. De onderzoekers realiseerden zich dat de complexiteit een artefact was van het coördinatenstelsel, vergelijkbaar met hoe het beschrijven van een cirkel met een grillig, stap-voor-stap rooster het ingewikkeld laat lijken, terwijl het beschrijven met een vloeiende curve het simpel maakt. Door over te schakelen naar een systeem gebaseerd op eenheidsquaternionen, een wiskundig hulpmiddel dat rotaties in vier dimensies beschrijft, werd de relatie tussen de getallen perfect lineair en eenvoudig. In deze nieuwe taal is het combineren van twee rotaties simpelweg een basisvermenigvuldiging, een taak die encryptiesystemen gemakkelijk kunnen afhandelen.

Deze verschuiving van perspectief transformeerde het hele proces. De onderzoekers demonstreerden dat de server de versleutelde updates van vele verschillende cliënten kan combineren zonder ze ooit te hoeven ontsleutelen of de zware, repetitieve berekeningen te hoeven uitvoeren die voorheen vereist waren. Het proces werd zo efficiënt dat het de noodzaak wegnam voor een specifieke, tijdrovende stap die bekend staat als bootstrapping, die voorheen essentieel werd geacht om de encryptie tijdens complexe berekeningen veilig te houden. Het team bouwde een werkend protocol dat cliënten in staat stelde hun modellen lokaal te trainen, de resultaten te versleutelen met deze nieuwe methode en ze naar een server te sturen. De server combineerde vervolgens deze updates en stuurde het resultaat terug, terwijl de data volledig versleuteld bleef. Ze testten dit systeem op twee verschillende cryptografische backends om te verzekeren dat de resultaten niet slechts een toevalstreffer waren van één specifie speciale software, waarmee werd bevestigd dat de efficiëntiewinst een fundamentele eigenschap is van de wiskunde zelf.

Om te verifiëren dat deze nieuwe methode niet ten koste ging van de kwaliteit van het leren, voerde het team rigoureuze experimenten uit. Ze trainden een hybride model, dat een kleine quantumcircuit combineert met een klassieke computer, op real-world datasets zoals huizenprijzen en de kwaliteit van wijn. Ze vergeleken de prestaties van het versleutelde systeem direct met een identiek onversleuteld systeem, waarbij ze de tests meerdere keren uitvoerden met verschillende begincondities om eerlijkheid te garanderen. De resultaten toonden aan dat de encryptie geen meetbare straf oplegt aan het leerproces. De nauwkeurigheid van het model bleef exact hetzelfde, wat bewees dat de privacybescherming niet ten koste ging van de prestaties. Bovendien testten ze of de ruis die door encryptie wordt geïntroduceerd, het model per ongeluk zou kunnen helpen beter leren, een fenomeen dat soms in andere contexten wordt gezien. Door het systeem met verschillende precisieniveaus te draaien, kwamen ze tot de conclusie dat het toevoegen van meer ruis de resultaten niet verbeterde, wat bevestigde dat de encryptie simpelweg een transparant schild was in plaats van een verborgen helper.

De onderzoekers adresseerden ook het praktische vraagstuk van hoe deze modellen omgaan met verbindingen tussen verschillende delen van de quantumcircuit, ook wel entanglers genoemd. Ze bewezen wiskundig dat zelfs met deze complexe verbindingen, de nieuwe encryptiemethode slechts een constante, kleine hoeveelheid extra werk toevoegt, ongeacht hoe diep of complex het circuit wordt. Dit betekent dat de efficiëntie van de methode standhoudt naarmate de modellen groter en geavanceerder worden. Om de bevindingen in de echte wereld te valideren, draaiden ze het protocol op een fysieke quantumprocessor met 156 qubits. Het systeem bereikte een hoog niveau van getrouwheid (fidelity), wat betekent dat de versleutelde operaties bijna even perfect werkten als de onversleutelde, waarbij het kleine verschil toe te schrijven was aan de natuurlijke imperfecties van de hardware in plaats van aan de encryptie zelf.

De studie benadrukte ook de afwegingen bij deze aanpak. Hoewel de nieuwe methode het aantal communicatierondes tussen de server en de cliënten drastisch verminderde — van tientallen uitwisselingen naar slechts één — vereiste het het versturen van grotere hoeveelheden data per uitwisseling. De onderzoekers berekenden dat deze afweging gunstig is voor de meeste real-world scenario's, met name die waarbij breedbandnetwerken betrokken zijn waar de snelheid van de verbinding de beperkende factor is. Ze merkten op dat voor zeer snelle, lokale verbindingen de oude interactieve methoden mogelijk nog steeds iets efficiënter zijn, maar voor de bredere, grensoverschrijdende netwerken waar privacy het meest cruciaal is, biedt de nieuwe methode een duidelijk voordeel. Het werk concludeert dat de barrière voor versleuteld quantumleren nooit een gebrek aan kracht was, maar een keuze van perspectief. Door te erkennen dat de moeilijkheid een coördinatenprobleem was en geen fundamenteel probleem, hebben de onderzoekers de deur geopend naar een toekomst waarin quantummachines collaboratief kunnen leren zonder ooit de privacy van de gebruikte data in gevaar te brengen.