Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Quantum-secure multi-party deep learning

Opis projektu

Zabezpieczone kwantowo protokoły na potrzeby sztucznej inteligencji chroniącej prywatność

W miarę jak systemy sztucznej inteligencji stają się coraz bardziej wydajne i powszechne, obliczenia są coraz częściej delegowane na różne urządzenia, instytucje i platformy chmurowe. W wielu przypadkach tylko jedna strona posiada dane, natomiast model sztucznej inteligencji należy do innej, co stwarza poważne wyzwania w zakresie prywatności i bezpieczeństwa. Realizowany przy wsparciu programu działań „Maria Skłodowska-Curie” projekt QSDL ma na celu sprostanie temu wyzwaniu poprzez ustanowienie praktycznego protokołu dla obliczeń sztucznej inteligencji bezpiecznych z punktu widzenia teorii informacji. Wykorzystując kwantową naturę światła i konwencjonalne komponenty telekomunikacyjne, protokół będzie chronić zarówno wrażliwe dane klientów, jak i zastrzeżone modele sztucznej inteligencji serwerów dzięki ustanowieniu rygorystycznych mechanizmów blokujących wyciek informacji przy jednoczesnym zachowaniu wysokiej dokładności. Protokół zostanie zademonstrowany na rzeczywistych urządzeniach, torując drogę aplikacjom chroniącym prywatność w opiece zdrowotnej i pomocy wykorzystującej SI.

Cel

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.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

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

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) HORIZON-MSCA-2024-PF-01

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Koordynator

THE HEBREW UNIVERSITY OF JERUSALEM
Wkład UE netto
€ 415 823,64
Koszt całkowity
Brak danych

Partnerzy (1)