El Aprendizaje Federado Cuántico (QFL) es un paradigma novedoso que combina la computación cuántica y el aprendizaje federado (FL) para permitir el aprendizaje distribuido de modelos en redes cuánticas, manteniendo la privacidad de los datos. Sin embargo, el ruido cuántico sigue siendo una barrera importante para el QFL, ya que los dispositivos cuánticos modernos experimentan niveles de ruido heterogéneos debido a las diferencias en la calidad del hardware y la sensibilidad a la decoherencia cuántica, lo que resulta en un rendimiento de aprendizaje inadecuado. En este artículo, proponemos SpoQFL, un novedoso marco de QFL que aprovecha el aprendizaje esporádico para mitigar la heterogeneidad del ruido cuántico en sistemas cuánticos distribuidos y abordar este problema. SpoQFL ajusta dinámicamente las estrategias de aprendizaje según las fluctuaciones del ruido, mejorando así la robustez del modelo, la estabilidad de la convergencia y la eficiencia general del aprendizaje. Mediante experimentos exhaustivos con conjuntos de datos reales, demostramos que SpoQFL supera significativamente los enfoques de QFL existentes al lograr un rendimiento de aprendizaje significativamente mejor y una convergencia más estable.
