QML Federado em uma Rede BQC: Impactos do Gerenciamento de Recursos

• Andrey Silva da Silva UFPA http://orcid.org/0009-0000-9415-0891
• David Tavares UFPA http://orcid.org/0009-0005-7551-5169
• Diego Abreu UFPA / RNP http://orcid.org/0000-0001-9221-7853
• Antônio Abelém UFPA http://orcid.org/0000-0003-4085-6674

DOI: https://doi.org/10.5753/wqunets.2026.23002

Resumo

Quantum Machine Learning (QML) oferece vantagens no processamento de dados complexos, mas sua execução em servidores quânticos remotos levanta preocupações de privacidade. Blind Quantum Computing (BQC) busca resolver esse problema ao ocultar dados e circuitos do servidor, embora exija maior consumo de pares EPR na rede quântica. Este trabalho simula uma rede quântica federada com múltiplos clientes treinando modelos QML usando os protocolos BFK e CHILDS, avaliando o impacto na qualidade do aprendizado e no consumo de recursos.

Referências

Broadbent, A., Fitzsimons, J., and Kashefi, E. (2009). Universal blind quantum computation. In 50th Annual IEEE Symposium on Foundations of Computer Science (FOCS), pages 517–526. IEEE.

Childs, A. M. (2005). Secure assisted quantum computation. Quantum Information & Computation, 5(6):456–466.

de Abreu, D. M. and Abelém, A. J. G. (2025). Towards Blind Quantum Machine Learning in Entanglement Networks. In Proceedings of the ACM. ACM.

de Abreu, D. M., Moura, D. F., Rothenberg, C. E., and Abelém, A. J. G. (2025). Rede Generativa Adversarial Quântica Semi-Supervisionada (sQGAN) para Detecção de Ataques. In Anais do XLIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos (SBRC), pages 252–265. SBC.

Shalf, J. (2020). The future of computing beyond moore’s law. Philosophical Transactions of the Royal Society A.