Skip to main content
Ir a la página de inicio de la Comisión Europea (se abrirá en una nueva ventana)
español es
CORDIS - Resultados de investigaciones de la UE
CORDIS

Quantum-secure multi-party deep learning

Descripción del proyecto

Protocolos cuánticos seguros para preservar la privacidad de la inteligencia artificial

A medida que los sistemas de inteligencia artificial se hacen más potentes y se despliegan más ampliamente, la computación se delega cada vez más en dispositivos, instituciones y plataformas en la nube. En muchos casos, solo una parte posee los datos, mientras que el modelo de inteligencia artificial pertenece a otra, lo que plantea importantes problemas de privacidad y seguridad. Con el apoyo de las acciones Marie Skłodowska-Curie, el proyecto QSDL pretende abordar este reto estableciendo un protocolo práctico para la computación de inteligencia artificial segura desde el punto de vista de la teoría de la información. Aprovechando la naturaleza cuántica de la luz y utilizando componentes de telecomunicaciones convencionales, protegerá tanto los datos sensibles de los clientes como los modelos de inteligencia artificial patentados de los servidores, estableciendo límites rigurosos a la fuga de información y manteniendo al mismo tiempo una gran precisión. El protocolo se demostrará en dispositivos de la vida real, allanando el camino para aplicaciones que preserven la privacidad en la asistencia sanitaria y la inteligencia artificial.

Objetivo

Deep Neural Networks (DNNs) have sparked a revolution across multiple domains. However, the escalating computational demands of advanced DNNs have led to the need for high-power consumption accelerators, which hinders their deployment on low-power devices. To enable advanced DNNs on such devices, the industry has resorted to offloading computationally intensive DNN inference to cloud servers. Nevertheless, this offloading architecture introduces vulnerabilities that compromise data security, presenting a pressing challenge, particularly in AI applications where data privacy is essential.
In response, I propose a pioneering approach that harnesses the quantum nature of light to establish a practical paradigm for information-theoretically secure deep learning, where clients safeguard their sensitive data, and servers protect their proprietary AI models. This project delves into information science, aiming to explore theoretically and experimentally whether quantum science can offer practical advantages in privacy-preserving inner products against limited adversaries. The innovative essence of this proposal lies in the demonstration of quantum private deep learning in Prof. Englund's lab at MIT, utilizing an optical network. The experimental validation of the protocol with real-life healthcare devices in collaboration with Prof. Katz (HUJI) will unlock a new era of machine learning applications, including the secure utilization of AI in healthcare (e.g. IBM's Watson, Aidoc’s aiOS) and AI assistance (e.g. ChatGPT, Bard). This work may also reshape regulations like the EU General Data Protection Regulation.

Ámbito científico (EuroSciVoc)

Palabras clave

Programa(s)

Tema(s)

Régimen de financiación

HORIZON-TMA-MSCA-PF-GF - HORIZON TMA MSCA Postdoctoral Fellowships - Global Fellowships

Ver todos los proyectos financiados en el marco de este régimen de financiación

Convocatoria de propuestas

(se abrirá en una nueva ventana) HORIZON-MSCA-2024-PF-01

Ver todos los proyectos financiados en el marco de esta convocatoria

Coordinador

THE HEBREW UNIVERSITY OF JERUSALEM
Aportación neta de la UEn
€ 415 823,64
Coste total
Sin datos

Socios (1)