迈向可持续的边缘智能：量子启发的脉冲神经网络辅助联邦学习方法

《IEEE Transactions on Network Science and Engineering》：Toward Sustainable Edge Intelligence: Quantum-inspired Spiking Neural Networks-aided Federated Learning Approach

　　摘要：随着边缘设备的快速扩展，联邦学习已成为在保护数据隐私的同时实现协作智能的关键范式。然而，由于计算和能耗需求高，在资源受限的边缘硬件上部署深度学习模型仍然充满挑战。为此，我们提出了一种新颖的量子启发式神经形态联邦学习框架，称为联邦学习-量子泄漏积分与放电（FL-QLIF）。我们方法的核心是一种增强的QLIF神经元模型，该模型利用量子旋转门同时模拟突触积分和膜电位泄漏，为传统激活函数提供了一种数学上稳健且计算高效的替代方案。我们通过大量实验严格验证了该框架，结果表明其收敛行为与关于学习率和局部更新步骤的理论预测高度一致。在MNIST、KMNIST和FashionMNIST数据集上的大量实验表明，FL-QLIF的测试准确率与经典人工神经网络相当，同时显著优于标准变分量子神经网络，尤其在统计异构（非独立同分布）环境中表现突出。此外，我们的能耗分析表明，该框架带来了显著的效率提升，与人工神经网络基线相比，能耗降低4.4至10倍。最后，我们验证了系统的可扩展性，即使在低客户端参与率（10%）的情况下也能表现出稳健的性能，确立了FL-QLIF作为可持续、隐私保护边缘智能可行解决方案的地位。