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

Resumo Técnico: Aprendizado Federado Quântico-Seguro Experimentalmente Validado em uma Rede Quântica Multiusuário

Declaração do Problema
O aprendizado federado (FL) permite treinamento descentralizado em dados privados, mas permanece vulnerável a vazamentos de privacidade por meio de atualizações de modelo, particularmente na era quântica, onde ataques de inversão de gradiente podem expor informações sensíveis. Embora o Aprendizado Federado Quântico (QFL) ofereça potencial para segurança e eficiência aprimoradas, os protocolos existentes frequentemente dependem de criptografia homomórfica computacionalmente cara, transmissão complexa de estados de múltiplos qubits ou técnicas de privacidade diferencial que degradam a utilidade do modelo. Além disso, houve uma falta de protocolos QFL práticos e experimentalmente validados que utilizem tecnologias quânticas de curto prazo para fornecer segurança teórica da informação para agregação de modelos.

Metodologia: QuNetQFL
Os autores propõem o QuNetQFL, um protocolo de aprendizado federado quântico implementado nativamente em redes quânticas. O mecanismo central envolve Distribuição Quântica de Chaves (QKD) para gerar chaves secretas par a par entre os clientes, que são então usadas para mascarar atualizações locais de modelo por meio de um esquema de bloco de uso único (OTP).

• Agregação Segura: Em cada rodada de comunicação, os clientes geram atualizações locais de modelo ($\Delta \theta_k$). Essas atualizações são quantizadas para $q$ bits e mascaradas usando uma soma assinada de chaves QKD par a par compartilhadas com outros clientes participantes. O mascaramento garante que, quando o servidor agrega as atualizações, as máscaras se cancelam, revelando apenas a soma ponderada das atualizações enquanto mantém as contribuições individuais ocultas.
• Configuração Experimental: O protocolo foi validado em uma rede quântica de quatro clientes ao longo de 6 quilômetros de fibra óptica. A equipe empregou um protocolo QKD independente do dispositivo de medição (MDI) de quatro fases, utilizando um interferômetro de Sagnac para estabilidade de fase. Essa configuração permitiu a geração de chaves secretas com taxas superiores a 32,8 kbps entre pares de clientes.
• Quantização e Compressão: Para gerenciar o consumo de chaves e a sobrecarga de comunicação, o protocolo emprega quantização de $q$ bits das atualizações de modelo. Simulações em grande escala também incorporaram técnicas de compressão de modelo (por exemplo, para LeNet-5) para reduzir ainda mais os custos.

Contribuições e Resultados Principais
O artigo apresenta o primeiro protocolo de aprendizado federado quântico-seguro experimentalmente validado implantado em uma rede quântica multiusuário. A validação abrange três cenários distintos:

1. Classificação de Conjuntos de Dados Quânticos (QNNs):

   • Tarefas: Classificação de estados emaranhados multipartite (alto vs. baixo emaranhamento) e estados mágicos quânticos (não estabilizadores vs. estabilizadores).
   • Resultados: Usando chaves geradas experimentalmente, o protocolo alcançou acurácias de teste de 91,5% (4 clientes) para classificação de emaranhamento e 98,3% para classificação de não estabilizadores. Adicionar um único cliente quântico melhorou significativamente a acurácia global (em pelo menos 2%) e reduziu a perda em comparação com uma configuração de 3 clientes, demonstrando escalabilidade.

2. Análise de Sentimento (LLM Híbrido Clássico-Quântico):

   • Tarefa: Ajuste fino federado de um modelo híbrido BERT-QNN (congelando o codificador BERT pré-treinado e ajustando finamente um subcircuito QNN de 4 qubits) em conjuntos de dados incluindo avaliações do IMDb, Yelp e Amazon.
   • Resultados: O modelo foi avaliado tanto em simulações quanto em hardware quântico real (chip supercondutor BAQIS Quafu). O modelo híbrido alcançou desempenho comparável a uma linha de base clássica de dimensão correspondente, com acurácias de teste variando de ~81% a 85% em conjuntos de dados de sentimentos do mundo real. Os resultados demonstraram robustez ao ruído em hardware quântico real.

3. Reconhecimento de Dígitos Manuscritos (MNIST):

   • Tarefa: Classificação usando QNNs no conjunto de dados MNIST sob configurações de dados Independentemente e Identicamente Distribuídos (IID) e não IID.
   • Resultados: O protocolo alcançou acurácia comparável (dentro de 1%) à referência em diferentes distribuições de dados.
   • Escalabilidade: Simulações em grande escala com 200 clientes usando o modelo clássico LeNet-5 demonstraram convergência rápida (dentro de 20–40 rodadas). O estudo mostrou que a quantização de 16 bits reduziu os custos de chave secreta quântica em 50% em comparação com a quantização de 32 bits, enquanto a quantização de 8 bits reduziu os custos em 75%, com impacto mínimo na acurácia final.

Significância e Alegações
Os autores afirmam que o QuNetQFL estabelece uma rota prática e escalável para aprendizado federado quântico-seguro para a internet quântica emergente. Pontos-chave de significância incluem:

• Segurança Teórica da Informação: Diferentemente de protocolos que dependem de suposições de dificuldade computacional (por exemplo, criptografia pós-quântica) ou privacidade diferencial (que troca acurácia por privacidade), o QuNetQFL fornece segurança teórica da informação para agregação de modelos usando blocos de uso único derivados de QKD.
• Viabilidade de Curto Prazo: O protocolo não requer computadores quânticos tolerantes a falhas ou agregação complexa baseada em emaranhamento. Utiliza recursos disponíveis em redes quânticas atuais (chaves QKD par a par) e é compatível com dispositivos quânticos de curto prazo (era NISQ).
• Validação Experimental: O trabalho vai além de propostas teóricas ao demonstrar uma implementação de princípio de prova em uma rede quântica multiusuário real, confirmando que a infraestrutura de curto prazo pode suportar tarefas de aprendizado distribuído e seguro.
• Modularidade: O protocolo é projetado para ser flexível, suportando vários algoritmos de treinamento local (baseados em gradiente ou não baseados em gradiente) e adaptável a diferentes técnicas de compressão. Os autores observam que, embora a implementação atual utilize QKD para segurança teórica da informação, o fluxo de trabalho de agregação é modular e poderia teoricamente utilizar estabelecimento de chaves clássico, embora isso alterasse as garantias de segurança para segurança computacional.

O artigo conclui que este trabalho aborda a necessidade crítica de um framework FL seguro que opere dentro das limitações atuais de hardware quântico, abrindo caminho para aprendizado distribuído que preserva a privacidade desde os dias atuais até a era da computação quântica em grande escala.