Framework Federado para Redes Neurais Quânticas sem Pesos Distribuídas

• Nicolas M. de Oliveira UFPE
• Adenilton J. da Silva UFPE

DOI: https://doi.org/10.5753/wqunets.2026.23840

Resumo

Este trabalho propõe um framework de Aprendizado Federado Quântico distribuído, fundamentado no paradigma das Redes Neurais Quânticas sem Pesos. Ao integrar o aprendizado federado à arquitetura quântica sem pesos, o modelo viabiliza a preservação da privacidade entre nós quânticos descentralizados sem o compartilhamento de dados brutos. A estrutura sem pesos reduz a sobrecarga de comunicação e simplifica o processo de otimização. Resultados de simulações indicam a viabilidade do modelo e evidenciam seu potencial como base para pesquisas futuras em aprendizado federado quântico.

Referências

Abbas, A., Sutter, D., Zoufal, C., Lucchi, A., Figalli, A., and Woerner, S. (2021). The power of quantum neural networks. Nature Computational Science, 1(6):403–409.

Barral, D., Cardama, F. J., Diaz-Camacho, G., Faílde, D., Llovo, I. F., Mussa-Juane, M., Vázquez-Pérez, J., Villasuso, J., Piñeiro, C., Costas, N., et al. (2025). Review of distributed quantum computing: from single qpu to high performance quantum computing. Computer Science Review, 57:100747.

Benedetti, M., Lloyd, E., Sack, S., and Fiorentini, M. (2019). Parameterized quantum circuits as machine learning models. Quantum science and technology, 4(4):043001.

De Gregorio, M. and Giordano, M. (2018). An experimental evaluation of weightless neural networks for multi-class classification. Applied Soft Computing, 72:338–354.

Eisert, J., Jacobs, K., Papadopoulos, P., and Plenio, M. B. (2000). Optimal local implementation of nonlocal quantum gates. Physical Review A, 62(5):052317.

Liu, Z.-P., Cao, X.-Y., Liu, H.-W., Sun, X.-R., Bao, Y., Lu, Y.-S., Yin, H.-L., and Chen, Z.-B. (2025). Practical quantum federated learning and its experimental demonstration. arXiv preprint arXiv:2501.12709.

Ludermir, T. B. (2022). Weightless Neural Models: An Overview, pages 335–349. Springer International Publishing, Cham.

McMahan, B., Moore, E., Ramage, D., Hampson, S., and y Arcas, B. A. (2017). Communication-efficient learning of deep networks from decentralized data. In Artificial intelligence and statistics, pages 1273–1282. PMLR.

Oliveira, W. R. d., Silva, A. J., Ludermir, T. B., Leonel, A., Galindo, W. R., and Pereira, J. C. (2008). Quantum logical neural networks. In 2008 10th Brazilian Symposium on Neural Networks, pages 147–152.

Peckham, J., Makaroff, D., and Rayan, S. (2024). Asynchronous telegate and teledata protocols for distributed quantum computing. In 2024 IEEE 10th World Forum on Internet of Things (WF-IoT), pages 1–6. IEEE.

Preskill, J. (2018). Quantum computing in the nisq era and beyond. Quantum, 2:79.