Naukowcy połączyli kwantowe i klasyczne komponenty w ramach federacyjnego systemu uczenia maszynowego, który pozwala trenować modele bez konieczności centralizacji surowych danych. Opracowana metodologia wykorzystuje protokół Blind Vertical Federated Learning (SBVFL) od Sherpa.ai do bezpiecznego współdzielenia informacji między aktywną stronę kwantowo-klasyczną a pasywną stronę klasyczną, drastycznie redukując wymagania komunikacyjne.
Hybrydowe modele kwantowo-klasyczne to obiecujące podejście do praktycznego wykorzystania komputerów kwantowych w najbliższej przyszłości. Wbudowaniem sparametryzowanego obwodu kwantowego wewnątrz sieci zawierającej komponenty klasyczne już znajduje zastosowanie w symulacji chemii, modelowaniu finansowym i klasyfikacji obrazów. Problem polega na tym, że tradiacyjne podejścia wymagają wysyłania surowych danych do centralnego serwera, co stanowi zagrożenie dla prywatności.
W testach na benchmarku SMPP (split multiplicative periodic parity) metoda federacyjna podniosła dokładność z 0.7227 do 0.8757, praktycznie dorównując wynikami modeli scentralizowanych bez ochrony prywatności. Kluczowa przewaga hybrydowego podejścia kwantowo-klasycznego to wymóg znacznie mniejszej liczby parametrów trenowalnych w porównaniu do klasycznych sieci neuronowych i lasów losowych, co czyni go efektywniejszym w praktycznym wdrażaniu.