L'apprentissage fédéré quantique (QFL) est un nouveau paradigme combinant l'informatique quantique et l'apprentissage fédéré (FL) pour permettre l'apprentissage de modèles distribués sur des réseaux quantiques tout en préservant la confidentialité des données. Cependant, le bruit quantique demeure un obstacle majeur à l'apprentissage fédéré quantique. En effet, les dispositifs quantiques modernes subissent des niveaux de bruit hétérogènes dus aux différences de qualité matérielle et de sensibilité à la décohérence quantique, ce qui entraîne des performances d'apprentissage insuffisantes. Dans cet article, nous proposons SpoQFL, un nouveau cadre d'apprentissage fédéré quantique qui exploite l'apprentissage sporadique pour atténuer l'hétérogénéité du bruit quantique dans les systèmes quantiques distribués afin de résoudre ce problème. SpoQFL ajuste dynamiquement les stratégies d'apprentissage en fonction des fluctuations du bruit, améliorant ainsi la robustesse du modèle, la stabilité de la convergence et l'efficacité globale de l'apprentissage. Grâce à des expériences approfondies sur des ensembles de données réels, nous démontrons que SpoQFL surpasse largement les approches QFL existantes en obtenant des performances d'apprentissage nettement supérieures et une convergence plus stable.
