최근 양자 컴퓨터에서 양자 자원으로 알려진 큐비트(qubits)의 제한된 가용성에 의해, 양자 연합 학습(quantum federated learning, QFL)이 주목받고 있다. 분산된 큐비트를 완전히 활용할 수 있다는 점에서 QFL은 양자 알고리즘 개발에 적합하다. QFL은 매개변수-시프트 규칙(parameter-shift rule, P-S 규칙)을 통해 로컬 양자 그래디언트를 계산하고 이를 집계함으로써, 각 양자 컴퓨터에 존재하는 제한된 수의 큐비트에 효과적으로 대응한다. 그러나 QFL을 구현하는 일은, 각 로컬 양자 컴퓨터에서 양자 그래디언트를 계산하기 위해 P-S 규칙이 두 번의 순방향 패스를 요구한다는 특성으로 인해 여전히 어렵다. 이러한 어려움은 로컬 양자 그래디언트의 집계가 이질적인 채널 조건과 데이터 분포 하에서 수행될 때 더욱 심화된다. 이에 본 논문은 QFL에서 집계 과정을 제거하고 전역 양자 그래디언트를 직접적으로 달성하는 joint P-S rule을 제안한다. 또한 본 논문은 이질적인 채널 조건에서의 안정성을 달성하고 이질적인 데이터 분포에 대한 강인성을 확보하기 위해, successive interference cancellation과 divergence 기반 클러스터링을 활용하는 joint efficient quantum federated learning(Joint EQFL)을 제안한다. 본 논문은 수렴성을 분석하고 Joint EQFL의 우수성을 실증한다.

초저지연 및 고처리량 통신에 대한 수요 증가는 신뢰할 수 있는 실시간 연결성을 보장할 수 있는 네트워크 아키텍처를 요구한다. 이러한 요구를 충족하기 위해, 지상 네트워크(TN)와 비지상 네트워크(NTN)를 결합한 통합 아키텍처—특히 적도정지궤도(Geostationary Earth Orbit, GEO), 중간궤도(Medium Earth Orbit, MEO), 저궤도(Low Earth Orbit, LEO) 위성으로 구성된 계층형 다중-계층 위성 시스템—은 상당한 주목을 받아왔다. 이러한 계층형 시스템은 전역 커버리지, 낮은 지연, 높은 용량을 제공한다. 그러나 고도로 역동적인 토폴로지, 빠르게 이동하는 위성, 그리고 변동하는 링크 품질은 효율적인 종단 간 라우팅 경로를 설정하는 데 중대한 어려움을 야기한다. 정적 경로 또는 중앙집중형 제어에 기반한 전통적인 라우팅 방법은 이러한 환경에 요구되는 적응성을 갖추지 못한다. 이러한 문제를 해결하기 위해, 본 논문은 위성 네트워크를 위한 신경 계층적 강화학습(neural hierarchical reinforcement learning, HRL) 기반 라우팅 알고리즘을 제안한다. 제안하는 프레임워크는 GEO, MEO, LEO 위성의 계층 구조를 활용하여, 게이트웨이 지원 라우팅과 적응적 경로 선택을 가능하게 한다. 제어 책임은 궤도 계층 간에 분산된다. 즉, GEO 계층은 홉 수 예산을 할당하고, MEO 계층은 가능한 LEO 경로를 선택하며, LEO 계층은 데이터 패킷을 전달한다. 성간(inter-satellite) 링크를 사용할 수 없는 경우, 지상 게이트웨이가 대안 경로를 제공한다. 라우팅 결정은 위성-위성 및 위성-지상 링크 품질도 함께 고려하며, 종단 간 지연 기반 보상 함수는 전송, 처리, 전파 효과를 포착한다. 시뮬레이션 결과, 지상 및 비지상 네트워킹의 통합을 기반으로 하는 제안된 신경 계층적 프레임워크는 기존 라우팅 알고리즘과 HRL 접근 방식에 비해 더 빠른 수렴, 더 높은 경로 안정성, 더 나은 적응성을 달성함을 보여준다.