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.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.