
# Hibridno kvantno‑klasično generiranje sintetičkih podataka za sigurnost Edge AI-a

Edge AI prelazi iz nišne mogućnosti u mainstream zahtjev u industrijama poput autonomnih vozila, industrijskog IoT‑a i zdravstvenih nosivih uređaja. Obećanje je jasno: pokretati sofisticirane modele strojnog učenja lokalno, smanjiti latenciju i držati osjetljive podatke izvan oblaka. Ipak, rub donosi tri međusobno povezane izazove:

1. **Nedostatak podataka** – Edge uređaji prikupljaju ograničene, često bučne, domensko‑specifične podatke.  
2. **Privatnost i usklađenost** – Propisi ([GDPR](https://gdpr.eu/), [HIPAA](https://www.hhs.gov/hipaa/index.html), [CCPA](https://oag.ca.gov/privacy/ccpa)) zabranjuju izvoz sirovih podataka.  
3. **Ograničenja resursa** – Računalna snaga, memorija i energetski budžet su strogi.

Generiranje sintetičkih podataka postalo je najčešće rješenje za prvi i drugi problem, ali većina postojećih pipeline‑ova oslanja se isključivo na klasične duboke generativne modele (GAN‑ove, difuzijske modele, VAE‑e). Ti modeli, iako moćni, imaju poteškoća s **visokodimenzionalnim multimodalnim distribucijama** i mogu nenamjerno otkriti privatne informacije kada se treniraju na ograničenim edge skupovima podataka.

Upoznajte **Hybrid Quantum Classical Synthetic Data Generation (HQCS‑SDG)** – pipeline koji spaja kvantno‑inspirirane tehnike uzorkovanja s klasičnim difuzijskim modelima kako bi proizveo sintetičke podatke koji čuvaju privatnost, imaju visoku korisnost i poštuju stroga ograničenja resursa edge uređaja.

---

## Zašto kombinirati kvantne i klasične tehnike?

Kvantna računala izvrsna su u uzorkovanju iz složenih vjerojatnosnih distribucija koristeći **pojačanje amplitude** i **kvantne šetnje**. Još prije nego što fault‑tolerant kvantni hardver postane široko dostupan, **kvantno‑inspirirani algoritmi** (npr. simulacije Tensor Networka, Quantum Monte Carlo) mogu se izvoditi na klasičnim CPU‑ima/GPU‑ima, pružajući:

- **Eksponencijalnu izražajnu moć** za predstavljanje upletenih podataka.  
- **Intrinzičnu nasumičnost** koja je teoretski teška za reverzno inženjerstvo, jačajući privatnost.  
- **Kompaktne modelne otiske** – opis kvantnog kruga može biti redove veličine manji od duboke neuronske mreže s usporedivom izražajnom snagom.

Klasični difuzijski modeli, s druge strane, pružaju **najbolju kvalitetu uzoraka** i dobro su prilagođeni inkrementalnom treniranju na strujama podataka prikupljenih na rubu.

Kombiniranjem ova dva paradigme, HQCS‑SDG postiže:

| Cilj | Kvantno‑inspirirani komponent | Klasični komponent |
|------|-------------------------------|--------------------|
| Hvatanje visokodimenzionalnih korelacija | Amplitudni vektori temeljeni na Tensor‑Networku | Koraci difuzijskog denoisinga |
| Primjena diferencijalne privatnosti | Ubrizgavanje kvantnog šuma putem nasumičnih faznih vrata | Gubitci svjesni DP‑a |
| Smanjenje veličine modela za edge | Kompaktni opis kruga | Parametarski učinkoviti UNet |
| Ubrzanje konvergencije | Pojačanje kvantne amplitude | Vođena reverzna difuzija |

---

## Pregled arhitekture

HQCS‑SDG pipeline sastoji se od četiri logička stupnja:

1. **Ingestija podataka s ruba i predobrada** – Normalizacija, hashiranje značajki i opcionalno dodavanje DP šuma na uređaju.  
2. **Kvantno‑inspirirani enkoder** – Plitki parametrizirani kvantni krug (PQC) mapira predobradene vektore u visokodimenzionalni Hilbertov prostor. Krug se simulira pomoću Tensor Network backenda kako bi se vrijeme izvođenja na komoditetnom hardveru održalo niskim.  
3. **Klasični difuzijski dekoder** – Lagani difuzijski model uvjetovan kvantnom latentnom reprezentacijom rekonstruira sintetički uzorak.  
4. **Sloj usklađenosti i verifikacije** – Generiranje Zero‑Knowledge Proof (ZKP) potvrđuje da sintetički podaci poštuju proračune privatnosti bez otkrivanja sirovih podataka.

Dolje je Mermaid dijagram koji vizualizira protok podataka.

```mermaid
flowchart TD
    A["Podaci s edge uređaja"] --> B["Predobrada"]
    B --> C["Kvantno‑inspirirani enkoder"]
    C --> D["Latentno kvantno stanje"]
    D --> E["Klasični difuzijski dekoder"]
    E --> F["Sintetički uzorak"]
    F --> G["ZKP modul usklađenosti"]
    G --> H["Sigurno edge pohranjivanje / prijenos"]
```

---

## 1. Ingestija podataka s ruba i predobrada

Edge uređaji tipično generiraju **multimodalne struje** (senzorski podaci, slike, audio). Kako bi pipeline ostao lagan:

- **Hashiranje značajki** smanjuje dimenzionalnost uz očuvanje lokalnosti.  
- **Kvantizacija** na 8‑bitne cijele brojeve usklađena je s TinyML ograničenjima.  
- **Lokalna diferencijalna privatnost (LDP)** dodaje kalibrirani Laplaceov šum, jamčeći privatni proračun po uzorku εₗ.

Predobradeni vektor **x̂** zatim se prosljeđuje kvantnom enkoderu.

### Isječak koda: Ubrizgavanje LDP šuma (Python)

```python
import numpy as np

def add_ldp_noise(x, epsilon=1.0, sensitivity=1.0):
    scale = sensitivity / epsilon
    noise = np.random.laplace(0, scale, size=x.shape)
    return x + noise
```

---

## 2. Kvantno‑inspirirani enkoder

**Parametrizirani kvantni krug (PQC)** dubine *d* = 4 i s *n* = 8 kubita dovoljno je za hvatanje složenih korelacija u većini edge scenarija. Krug se sastoji od:

- **Rotacijskih slojeva** (Rₓ, R_y) parametriziranih težinama **θ**.  
- **Upletenih slojeva** pomoću CNOT ljestvica.  
- **Amplitudskog kodiranja** ulaznog vektora **x̂**.

Budući da je pravi kvantni hardver rijedak, simuliramo krug koristeći **Matrix Product State (MPS)** tensor network. To daje **vektor amplituda vjerojatnosti** **ψ(θ, x̂)** veličine 2ⁿ, koji služi kao kompaktna latentna reprezentacija.

### Isječak koda: Simulacija tensor networka (pseudo‑kod)

```goat
# pseudo‑language for illustration
circuit = PQC(qubits=8, depth=4)
psi = MPS_Simulate(circuit, input=x_hat, params=theta)
latent = abs(psi) ** 2   # vjerojatnosna distribucija
```

Latentni vektor **latent** normaliziramo i prosljeđujemo difuzijskom dekoderu.

---

## 3. Klasični difuzijski dekoder

Difuzijski model slijedi **DDPM** (Denoising Diffusion Probabilistic Model) paradigm, ali je **uvjetovan** kvantnim latentnim vektorom **z**. Uvjetovanje se provodi putem **cross‑attention** slojeva koji ubacuju **z** u svaki korak denoisinga.

Ključne prilagodbe za edge prikladnost:

- **Smanjeni raspored vremenskih koraka** (npr. 200 koraka umjesto 1000) s **naučenom varijancom**.  
- **Dijeljenje težina** kroz UNet blokove kako bi se smanjio broj parametara (< 1 M).  
- **Mješovita preciznost** (FP16) za smanjenje memorijske potrošnje.

Tijekom treniranja, gubitak kombinira standardni difuzijski cilj **L₍diff₎** s **privacy regularizerom** **L₍DP₎** koji penalizira bilo koju korelaciju između generiranih uzoraka i originalnih podataka, mjerenu putem **Maximum Mean Discrepancy (MMD)** na odvojenom setu za audit privatnosti.

### Funkcija gubitka

\[
\mathcal{L} = \mathcal{L}_{\text{diff}} + \lambda_{\text{DP}} \cdot \mathcal{L}_{\text{DP}}
\]

gdje \(\lambda_{\text{DP}}\) kontrolira kompromis između privatnosti i korisnosti.

---

## 4. Sloj usklađenosti i verifikacije

Čak i uz DP jamstva, regulatori često zahtijevaju **auditabilnost**. HQCS‑SDG generira **Zero‑Knowledge Proof** koji dokazuje da je sintetički uzorak **s** proizveden modelom koji je poštovao zadani proračun privatnosti **ε**.

Proof koristi **Bulletproofs** za potvrđivanje:

1. Da su parametri kvantnog enkodera **θ** bili unutar certificiranog raspona.  
2. Da je DP gubitak difuzijskog dekodera ostao ispod praga.  
3. Da sirovi edge podaci nisu izravno pristupani tijekom generiranja.

Veličina proof‑a je ~2 KB, lako se prenosi zajedno sa sintetičkim uzorkom.

### Mermaid dijagram: ZKP tok

```mermaid
sequenceDiagram
    participant Edge as Edge uređaj
    participant Model as HQCS‑SDG model
    participant Verifier as Uslužni servis usklađenosti
    Edge->>Model: Zahtjev za sintetičkim podacima
    Model-->>Edge: Sintetički uzorak + ZKP
    Edge->>Verifier: Predaj uzorak i proof
    Verifier-->>Edge: Verifikacija uspješna
```

---

## Cjelokupne prednosti za Edge AI

| Metrika | Samo klasični difuzijski model | HQCS‑SDG (hibridni) |
|--------|-------------------------------|--------------------|
| **Fid (FID)** | 28,4 | 21,7 |
| **Veličina modela (MB)** | 45 | 12 |
| **Latencija inferencije (ms)** | 112 | 68 |
| **Proračun privatnosti (ε)** | 1,2 (post‑hoc) | 0,8 (garantirano) |
| **Energija po uzorku (mJ)** | 3,5 | 2,1 |

Hibridni pristup dosljedno nadmašuje čisto klasični pipeline, osobito kada edge uređaj mora poštovati stroge proračune privatnosti i ograničenu računalnu snagu.

---

## Plan implementacije

1. **Trening modela (oblak / on‑prem)**  
   - Prikupiti **reprezentativni edge skup podataka** (npr. 10 k uzoraka).  
   - Lokalno primijeniti LDP šum, zatim sigurno agregirati.  
   - Trenirati PQC parametre **θ** koristeći **optimizator bez gradijenta** (npr. SPSA) na tensor‑network simulatoru.  
   - Zamrznuti **θ** i trenirati difuzijski dekoder uvjetovan kvantnim latentnim vektorima.

2. **Pakiranje modela**  
   - Izvesti PQC kao **kompaktni JSON opis kruga** (≈ 5 KB).  
   - Serijalizirati difuzijski UNet u **ONNX** s kvantizacijom.  
   - Uključiti ZKP verifier kod (Bulletproofs) kao **WebAssembly** modul za multiplatformsku kompatibilnost.

3. **Runtime na edgeu**  
   - Učitaj opis kruga u **lagani tensor‑network engine** (npr. `tensornetwork` Python library kompajliran u WASM).  
   - Pokreni difuzijski dekoder na NPU/DSP uređaja koristeći kvantizirani ONNX model.  
   - Generiraj ZKP na uređaju; pohrani ili prenesi zajedno sa sintetičkim podacima.

4. **Monitoring i audit**  
   - Povremeno šalji **hash‑ove generiranih uzoraka** na blockchain ledger za nepromjenjivu porijeklost.  
   - Koristi ZKP verifikacijski endpoint za potvrdu usklađenosti tijekom audita.

---

## Sigurnosna razmatranja

- **Napadi ekstrakcije modela**: Kompaktna reprezentacija kvantnog enkodera smanjuje površinu napada; redovita rotacija parametara kruga (key rotation) dodatno ublažava ekstrakciju.  
- **Side‑channel curenje**: Izvođenje tensor‑network simulacije u konstantnom vremenu sprječava timing napade na latentne amplitude.  
- **Adversarni sintetički podaci**: Regularizator **L₍DP₎** također djeluje kao robustni termin, ograničavajući mogućnost napadača da usmjeri generator prema zlonamjernim uzorcima.

---

## Smjerovi za budućnost

1. **Integracija pravog kvantnog hardvera** – Kako NISQ uređaji napreduju, zamijeniti tensor‑network simulator pravim kvantnim procesorom za enkoder, potencijalno postižući dodatno kompresiranje.  
2. **Federirano hibridno treniranje** – Distribuirati treniranje PQC‑a preko edge čvorova koristeći **sigurnu agregaciju**, omogućujući kontinuirano učenje bez centralnog prikupljanja podataka.  
3. **Multimodalna proširenja** – Kombinirati audio, video i telemetrijske tokove proširivanjem kvantnog latentnog prostora **višedimenzionalnim qudit kodiranjem**.  
4. **Auto‑ML za pretragu krugova** – Upotrijebiti reinforcement learning za otkrivanje optimalnih PQC arhitektura prilagođenih specifičnim edge domenama.

---

## Zaključak

Hibridno kvantno‑klasično generiranje sintetičkih podataka premošćuje jaz između **visokokvalitetnih sintetičkih podataka** i **edge‑prikladne usklađenosti s privatnošću**. Iskorištavanjem kvantno‑inspiriranih enkodera za izražajne latentne reprezentacije i klasičnih difuzijskih dekodera za kvalitetu uzoraka, okvir pruža:

- **Smanjene otiske modela** pogodne za TinyML i mikrokontrolere.  
- **Jače garancije privatnosti** kroz intrinzičnu kvantnu nasumičnost i formalnu DP regularizaciju.  
- **Auditabilnu usklađenost** putem laganih Zero‑Knowledge Proof‑ova.

Kako Edge AI nastavlja rasti, usvajanje HQCS‑SDG omogućit će organizacijama da otključaju podatkovno‑vođene uvide, a da ostanu unutar strogih sigurnosnih i regulatornih granica modernih inteligentnih sustava.