Trainierbarkeit des Quantum Federated Lernens

Trainierbarkeit des Quantum Federated Lernens

Abstract:

Diese Arbeit untersucht die Implementierung und Evaluierung von Quantum Federated Learning (QFL), bei dem Variational Quantum Circuits (VQCs) kollaborativ über mehrere mehreren Quanten-Clients trainiert werden. Der Hauptfokus liegt auf dem Vergleich der Leistung und der Trainierbarkeit von QFL mit traditionellen, nicht föderierten Ansätzen des maschinellen Quantenlernens unter dem MNIST-Datensatz. Die Experimente wurden mit 2, 3, 4 und 5 Clients durchgeführt, die jeweils und mit einer unterschiedlichen Anzahl von Schichten (1, 2 und 4) in den Quantenschaltungen durchgeführt. Quantenschaltungen. Die Trainierbarkeit der Modelle wurde durch die Auswertung von Genauigkeit, Verlust und Gradientennormen während des gesamten Trainingsprozesses bewertet. Die Ergebnisse zeigen, dass QFL zwar kollaboratives Lernen ermöglicht und deutliche Verbesserungen während des Trainings signifikante Verbesserungen in diesen Metriken zeigt, die Basismodelle ohne föderiertes Lernen aufgrund des ununterbrochenen Optimierungsprozesses eine bessere Leistung in Bezug auf
Optimierungsprozess. Zusätzlich wurde die Auswirkung der Erhöhung der Anzahl der Schichten auf die Trainingsstabilität und -leistung untersucht.

Autor/in:

Sina Mohammad Rezaei

Betreuer:

Studentische Abschlussarbeit | Veröffentlicht November 2024 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer