面向NISQ物联网边缘计算的噪声感知量子联邦学习：可训练性、通信-精度权衡与噪声-可靠性加权聚合

《Future Generation Computer Systems》：Noise-aware quantum federated learning for NISQ IoT edge computing: Trainability, communication–accuracy trade-offs, and noise-reliability-weighted aggregation

　　摘要

量子联邦学习（QFL）用紧凑的变分量子电路（VQC）替代每个联邦客户端训练的深度神经网络（DNN），将每轮模型更新从数万字节减少到不足一百字节。这种通信节省能否在真实的NISQ（含噪声中等规模量子）噪声、真实的联邦条件以及公平的经典基线面前存活下来，此前尚不清楚。本文提出一个噪声感知的QFL框架，并在扩展的仿真协议下进行评估：真实的IoT数据、异构和非IID客户端、多种物理噪声通道，以及可审计的LoRaWAN链路模型。基于已有的关于噪声诱导贫瘠高原的成果（我们直接采纳而非重新推导），该框架结合了一个刻意设计为浅层的VQC和一个噪声可靠性加权聚合规则，该规则对运行在噪声更大的量子硬件上的客户端降低其聚合权重。在两个真实IoT数据集（TON_IoT入侵检测和UCI HAR活动识别）上的实验，将24参数的QFL模型与参数匹配的、轻量级的、8位量化的和top-k稀疏化的经典联邦基线在相同特征、划分和通信轮数预算下进行比较，跨越去极化、幅值阻尼、相位阻尼、读出和组合噪声通道，最多20个客户端和Dirichlet非IID划分。结果表明存在通信-准确率权衡，且没有统一的量子优势：含噪声的4量子比特模型在TON_IoT上达到73.9%的准确率，而10,273参数的经典DNN达到80.9%（7.0个百分点的差距），同时传输的上行字节数显著更少；与参数匹配的经典模型相比，性能持平（TON_IoT）或低于（HAR）对方；所提出的可靠性加权聚合在散粒噪声受限训练和异构客户端噪声条件下带来适度但统计显著的改进（+1.1个百分点，15个种子的配对p=0.037），而在期望值精确时无任何益处。采用Semtech空中时间模型，包含LoRaWAN帧封装、分片、占空比限制和参数移位训练成本，估计QFL的完整轮次延迟为19.7秒，而未压缩的经典基线为7,256秒；设备端能量分析确定了盈亏平衡量子门能量（相对于float32基线约为每门每发59 nJ），低于该值时通信节省转化为净能量收益。通过本研究，我们提出了一种面向IoT边缘计算的噪声感知量子联邦学习框架，并确认其在散粒噪声受限训练和异构客户端噪声条件下实现了统计显著的改进。

引言

智慧城市、工业自动化和医疗监测中物联网（IoT）设备的快速激增，迫切需要能够在边缘硬件的严苛计算、通信和能量约束下运行的分布式机器学习模型[1]。联邦学习（FL）已成为在不集中原始数据的情况下训练此类模型的主流范式，在保护隐私的同时将学习负担分布到边缘节点上[2]。然而，即使是通信高效的FL协议，也要求每个参与节点训练并传输一个模型，其大小由底层深度神经网络（DNN）决定，这给在亚兆赫兹无线链路上运行的电池供电IoT部署的资源包络带来了压力[3]，[4]。

量子计算为这种资源不匹配提供了潜在替代方案：n个量子比特的系统占据2^n维希尔伯特空间H=?^(2^n)，使得具有O(poly(n))可训练参数的变分量子电路（VQC）能够通过量子特征映射实现丰富的决策边界[5]，[6]，[7]。近期的研究已经证明了量子联邦学习（QFL）的可行性，其中每个边缘站点训练一个本地VQC，仅传输紧凑的量子参数向量供服务器聚合[8]，[9]，[10]，[11]。然而，这些研究中有许多是在理想化假设下运作的：量子电路在无物理误差的情况下执行，使用无噪声模拟器。

在实践中，所有当前和近期的量子处理器都在NISQ（含噪声中等规模量子）机制下运行[12]，其中每个门操作、态制备和测量都受到物理噪声的影响。去极化误差以每门概率p将预期量子态随机替换为最大混合态，幅值阻尼在T1时间尺度上引起能量弛豫，相位阻尼在T2时间尺度上引入退相干，读出误差破坏最终测量。量子机器学习文献中已有定论：此类噪声会以电路体积的指数方式衰减梯度，并可能将优化推向噪声诱导的贫瘠高原[13]，[14]，[15]，[16]。但系统层面的问题此前尚不明确，即决定QFL是否是IoT边缘计算的合理设计点：当既定的噪声约束迫使量子模型变得非常小且浅时，在真实联邦条件和真实低功耗网络下，由此产生的通信节省是否超过经典模型（实际而非夸大的规模）在真实IoT数据上所能提供的准确率？

本研究通过一个噪声感知的QFL框架来解决这个问题，其评估设计围绕公平性和透明度而非表面化的比率。贡献如下。首先，该框架将含噪声VQC的既定可训练性约束（我们从文献中采纳并明确注明出处而非重新推导）整合到具有客户端依赖噪声的联邦系统模型中，产生一个具体的浅层电路设计点和一个硬件相干性需求的仿真灵敏度分析。其次，受噪声较大的量子硬件上的客户端返回系统性地较低质量更新的观察启发，我们提出一种噪声可靠性加权聚合规则，该规则按客户端电路级信号保持率的估计缩放其聚合权重，并凭经验证明在散粒噪声受限训练和异构客户端噪声条件下带来适度且统计显著的准确率提升，而在期望值精确时无任何益处；该规则作为一种一阶动机驱动的启发式方法呈现，其假设被明确说明，而非作为新的收敛理论。第三，我们在两个真实IoT数据集上评估——TON_IoT网络入侵遥测[17]和UCI人体活动识别基准[18]——针对一系列经典联邦基线，包括参数匹配的逻辑回归和微型多层感知器（MLP）模型、一个10,273参数的DNN，以及使用8位量化[19]和带误差反馈的top-k稀疏化[20]的通信高效变体，所有模型共享相同的输入特征、划分、轮数预算和目标函数，并采用多种子统计、Dirichlet非IID划分[21]、最多20个客户端和部分参与。第四，我们将早期QFL系统分析的简化链路模型替换为Semtech空中时间LoRa模型，包括LoRaWAN帧封装、每个扩频因子的负载限制、分片、占空比等待和包错误敏感性，并在轮次延迟中计入完整的参数移位训练成本；伴随的设备端能量模型暴露其假设，并报告QFL产生净能量收益以下的盈亏平衡量子门能量，而非断言电池寿命倍数。

所评估的QFL模型在通信成本上相对于DNN族有所降低，但在准确率上并未超越最强的经典基线。在TON_IoT上，含噪声的4量子比特QFL模型达到73.9%的准确率，而经典DNN基线为80.9%，我们明确讨论了这个7.0个百分点的差距，同时将每轮上行链路从41,092字节减少到96字节。与参数匹配的经典模型相比，量子特征映射在此规模上没有带来可测量的准确率收益：在种子变异性范围内，QFL在TON_IoT上与9参数逻辑回归模型或41参数MLP没有明显的准确率差异，而在HAR上则低于它们。与最强的压缩经典基线（top-1%稀疏化）相比，QFL保持通信和占空比延迟优势，但牺牲了准确率。这些结果精确界定了QFL当前的定位：在现实噪声下4量子比特并不支配任何评估过的经典设计点，本文的价值在于透明地量化权衡、噪声可靠性加权聚合，以及识别出要使权衡中的量子端变得更可取需要改进什么（更宽的电路、更丰富的编码、误差缓解、更低的量子控制能量）。

本文的其余部分组织如下。第2节综述相关工作并定位本贡献。第3节介绍系统和噪声模型。第4节描述噪声感知的QFL方法，包括可靠性加权聚合。第5节详述实验方法，第6节报告结果。第7节说明局限性和主张范围，第8节总结。

章节片段

量子联邦学习

Chen和Yoo[8]引入了混合量子-经典分类器的联邦量子机器学习，证明基于VQC的模型的联邦训练在保持原始数据本地的同时保持了准确率。Xia和Li[11]提出了QuantumFed，一个联邦框架，其中多个具有本地量子数据的量子节点通过共享电路参数协作。Chehimi和Saad[9]开发了首个在分布式量子数据上运行的纯量子FL框架，Huang等人则进一步扩展。

量子赋能边缘网关架构

系统由一个中央参数服务器和N个量子赋能边缘网关组成。每个网关通过短程链路聚合来自附近IoT传感器的数据，托管（或低延迟访问）一个小型NISQ量子处理单元（QPU），并通过长程低功耗链路与参数服务器通信，为此我们采用LoRaWAN作为参考技术。我们有意将量子资源置于网关而非每个电池供电的传感器内部：当前的QPU（量子处理单元）...

变分量子电路架构

基于第3.4节的可训练性约束，抗噪声VQC采用L=2层的浅层设计和数据重上传，其中数据编码酉算子在每个变分层之前施加，而非仅在输入端施加一次[30]。电路制备|ψ(θ,x)〉=∏_(?=1)^L U_var^(?)(θ^(?))U_Φ(x)|0〉^(?n)，其中编码酉算子U_Φ(x)在量子比特q上施加Ry(x_q)和Rz(x_(q+n))旋转，将2n个输入特征中的两个嵌入每个量子比特，每个变分块由参数化...

数据集和预处理

两个真实IoT数据集构成主要评估。第一个是TON_IoT网络数据集[17]，我们使用标准的Train_Test_Network遥测文件（211,043条从IoT/IIoT边缘-雾-云测试床收集的标记流）进行二分类入侵检测（正常与攻击）。抽取一个类别平衡的2400条流子样本，并分层划分为1600个训练和800个测试样本。第二个是UCI人体活动识别（HAR）数据集[18]，我们使用...

真实数据准确率与准确率-效率权衡

图3报告了核心比较。在TON_IoT上，含噪声的4量子比特QFL模型收敛到73.9±2.4%的测试准确率，而10,273参数的经典DNN达到80.9±1.6%。在HAR上，相应的数字是75.5±0.6%和80.6±0.6%。其含义是直接的：含噪声的QFL模型相对于TON_IoT上的完整经典基线表现出约7.0个百分点的准确率差距，用错误率表示同样的结果使差距更加显著。这种损失可能是...

局限性和主张范围

本文的主张受以下限制约束，我们明确说明，以免结果被解读超出其证据范围。所有任务训练结果都是基于仿真的：联邦实验使用密度矩阵仿真和精确期望值，除了第6.4节的聚合研究，其主要实验额外采用近似梯度级有限散粒噪声模型；贫瘠高原和退相干数据实现了启发式...

结论

本文提出了一个面向IoT边缘计算的噪声感知量子联邦学习框架，并在设计为对经典替代方案公平的条件下进行评估：真实IoT数据集、跨模型相同的输入和协议、轻量级和压缩的经典基线、多种物理噪声通道、Dirichlet异质性、部分参与，以及具有可审计假设的链路和能量模型。该研究并未确立实际的量子优势。它...

生成式AI和AI辅助技术在稿件准备过程中的声明

在准备本工作期间，作者使用Claude（Anthropic）协助稿件起草和代码开发。使用该工具后，作者根据需要审查和编辑了内容，并对已发表文章的内容承担全部责任。

利益冲突声明

作者声明没有已知的竞争经济利益或个人关系可能影响本论文所报告的工作。

Sungkwan Youm于1998年在韩国龙仁的韩国外国语大学获得控制仪表工程学士学位，2001年和2006年分别在韩国首尔的高丽大学获得电子工程硕士和博士学位。2006年至2015年，他在三星电子电信系统部门（韩国水原）工作，参与先进电信系统的开发。他曾担任助理...

Sungkwan Youm
韩国全罗南道顺天市中央路255号，顺天国立大学计算机工程系，邮编57922，大韩民国