Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Quantum-secure multi-party deep learning

Descrizione del progetto

Protocolli sicuri dal punto di vista quantistico per un’IA che rispetti la privacy

Con l’aumento della potenza e della diffusione dei sistemi di IA, il calcolo viene sempre più delegato tra dispositivi, istituzioni e piattaforme cloud. In molti contesti, solo una parte detiene i dati mentre il modello di intelligenza artificiale appartiene a un’altra: da qui nascono problemi di privacy e sicurezza. Con il sostegno del programma di azioni Marie Skłodowska-Curie, il progetto QSDL si propone di affrontare questa sfida stabilendo un protocollo pratico per il calcolo dell’IA sicuro dal punto di vista della teoria dell’informazione. Sfruttando la natura quantistica della luce e usando componenti di telecomunicazione convenzionali, proteggerà sia i dati sensibili dei clienti che i modelli di intelligenza artificiale proprietari dei server, stabilendo limiti rigorosi alla perdita di informazioni e mantenendo al contempo una precisione elevata. Il protocollo sarà dimostrato su dispositivi reali, aprendo la strada ad applicazioni che preservano la privacy nell’assistenza sanitaria e nell’IA.

Obiettivo

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.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

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

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) HORIZON-MSCA-2024-PF-01

Vedi tutti i progetti finanziati nell’ambito del bando

Coordinatore

THE HEBREW UNIVERSITY OF JERUSALEM
Contributo netto dell'UE
€ 415 823,64
Indirizzo
EDMOND J SAFRA CAMPUS GIVAT RAM
91904 Jerusalem
Israele
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
Nessun dato

Partner (1)