Encryptability As a Coordinate Choice: Depth-One Homomorphic Federated Learning of Quantum Neural Networks
本文证明，通过在单位四元数坐标系中表示量子神经网络权重，加密联邦学习所需的非线性群运算变为双线性运算，从而能够实现对混合量子-经典模型高效、非交互式、深度为一的同态训练，且精度损失微乎其微且无需进行自举。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代人工智能的世界里，机器通过在海量数据中寻找模式来进行学习。通常，这些数据是敏感的，属于那些希望保护个人隐私的个体，例如医疗记录或个人财务历史。为了解决这个问题，科学家们开发了一种称为联邦学习的方法，即数据保留在用户的设备上，只有从数据中学习到的经验被发送到中央服务器，以改进一个共享模型。然而，即使发送这些经验也存在风险：好奇的观察者可能会通过逆向工程从更新中还原出原始数据。为了防止这种情况，研究人员使用了一种称为加密的技术，它将信息打乱，使得只有预定的接收者才能读取。挑战在于，当学习模型涉及量子计算机时，而量子计算机是基于量子物理学的奇特规则运行的。在这些系统中，用于训练模型的数字不仅仅是简单的数值，而是代表了复杂多维空间中的旋转。长期以来，加密这类特定类型的旋转一直被认为是非常昂贵的，需要如此高的计算能力，以至于使这一过程变得不切实际。
伦敦帝国理工学院的一个研究小组发现，这种困难并非基本自然法则，而是由于记录这些数字的方式所导致的。他们发现，通过改变描述这些量子旋转的数学“语言”，加密它们的过程变得异常简单且高效。研究人员表明，不再使用需要为每一次更新执行数千个步骤的复杂系统，而是使用一种基于单位四元数的特定坐标系，可以将工作量减少为一次单一且直接的计算。这一突破使得量子神经网络可以在许多设备之间进行训练，同时保持数据的完全隐藏，而不会产生此前曾被认为是不可能实现的沉重计算惩倍。
问题的核心在于量子计算机如何描述其操作。这些机器的可训练部分本质上是旋转，类似于转动旋钮。在描述这些转动的标准方式中，涉及的数学极其复杂，以至于对这些权重进行加密需要大量的处理，通常对于网络中的每一个权重都需要数千个单独的操作。这使得保护隐私的量子学习这一构想似乎遥不可及。研究人员意识到，这种复杂性是坐标系统的产物，就像用锯齿状的、阶梯式的网格来描述一个圆会使其看起来很复杂，而用平滑的曲线来描述它则会变得简单一样。通过转向一种基于单位四元数（一种描述四维旋转的数学工具）的系统，这些数字之间的关系变得完全线性且简单。在这种新的语言中，组合两个旋转仅仅是基础的乘法，而这正是加密系统可以轻松处理的任务。
这种视角的转变改变了整个过程。研究人员证明，利用这种新的坐标选择，服务器可以在无需解密的情况下组合来自许多不同客户端的加密更新，也无需执行之前被认为必需的繁重且重复的计算。该过程变得如此高效，以至于消除了对被称为“自举”（bootstrapping）的特定且耗时的步骤的需求，而此前人们一直认为这是保持加密在复杂计算中安全的必要手段。该团队构建了一个工作协议，允许客户端在本地训练模型，使用这种新方法对结果进行加密，然后将其发送给服务器。随后，服务器组合这些更新并将其结果发回，而在此过程中数据始终保持着加密状态。他们在两种不同的密码学后端上测试了这个系统，以确保结果不仅仅是某种特定软件的偶然现象，从而证实了效率的提升是数学本身的固有属性。
为了验证这种新方法是否牺牲了学习质量，团队进行了严格的实验。他们训练了一个混合模型，该模型结合了一个小型量子电路和一台经典计算机，并使用了房价和葡萄酒质量等现实世界的数据集。他们将加密系统的性能直接与一个完全相同的未加密系统进行对比，并在不同的初始条件下多次运行测试以确保公平性。结果显示，加密并未对学习过程造成可衡测的惩罚。模型的准确性保持完全一致，证明了隐私保护并不会以牺牲性能为代价。此外，他们还测试了加密引入的噪声是否会意外地帮助模型更好地学习——这种现象在其他语境中时有发生。通过在不同精度水平下运行系统，他们发现增加噪声并不会提高结果，这证实了加密仅仅是一个透明的护盾，而非隐藏的助手。
研究人员还解决了这些模型如何处理量子电路中不同部分之间连接（称为纠缠器）的实际问题。他们从数学上证明，即使存在这些复杂的连接，这种新的加密方法也仅会增加一个恒定的、微小的计算量，而不会随着电路变得更深或更复杂而增加。这意味着，即使模型规模扩大和变得更加复杂，该方法的效率依然成立。为了在现实世界中验证这些发现，他们在拥有156个量子比特的物理量子处理器上运行了该协议。该系统实现了极高的保真度，这意味着加密操作几乎与未加密的操作一样完美，微小的差异归因于硬件本身的自然缺陷，而非加密本身。
该研究还强调了这种方法涉及的权衡。虽然这种新方法大幅减少了服务器与客户端之间所需的通信轮数（从数十次交换减少到仅一次），但它在每次交换中需要发送更大容量的数据。研究人员计算出，这种权衡在大多数现实场景中是有利的，特别是对于那些通信速度是限制因素的广域网络。他们指出，对于非常快速的本地连接，旧的交互式方法可能仍然略显高效；但对于隐私最为关键的更广泛的跨机构网络，新方法提供了明显的优势。这项工作总结道，阻碍加密量子学习的从来不是缺乏动力，而是选择的视角问题。通过认识到这种困难是一个坐标问题而非基本问题，研究人员为量子机器在永不泄露所用数据隐私的前提下进行协作学习的未来打开了大门。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。