Das FedQNN-Framework ermöglicht eine sichere und genaue Klassifizierung von Daten in einem dezentralen Umfeld, indem es die Stärken des Quantencomputings mit den Prinzipien des Federated Learnings kombiniert.
Die Quantenursprungspunktzahl (qIS) ist eine neue Metrik, die die Qualität von Quantengenerierungsmodellen anhand der Holevo-Information des Quantenkanals, der einen gegebenen Datensatz klassifiziert, bewertet. Quantengenerierungsmodelle bieten aufgrund von Quantenkohärenz und Verschränkung eine bessere Qualität als ihre klassischen Gegenstücke.
Entgegen der in der Literatur vermittelten Darstellung zeigen prototypische klassische Maschinenlernmodelle systematisch bessere Leistung als die getesteten Quantenmodelle auf den betrachteten kleinen Datensätzen. Zudem führt das Entfernen von Verschränkung bei vielen Quantenmodellen oft zu ähnlich guter oder sogar besserer Leistung, was darauf hindeutet, dass "Quantenheit" möglicherweise nicht der entscheidende Faktor für die kleinen Lernaufgaben ist.
Das Frequenzspektrum von Quantenneuronalen Netzen hängt nur von der Fläche (Anzahl Qubits × Anzahl Layer) ab und nicht von der konkreten Aufteilung. Für verschiedene Annahmen an die Generatoren der Quantennetze lassen sich maximale Frequenzspektren angeben.