Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

International Scientific Technical Journal Problems of Control and Informatics

Мультиагентне навчання з підкріпленням для оптимізації квантових схем

Іван Ігорович Кирилов, I.P. Sinitsyn

Published Aug 20, 2025• 0 citations
Publisher

Abstract

У статті представлено підхід до оптимізації квантових схем на основі мультиагентного навчання з підкріпленням (Multi-Agent Reinforcement Learning — MARL), у якому алгоритм MAPPO (Multi-Agent Proximal Policy Optimization — мультиагентна проксимальна оптимізація політики) поєднується з графовими нейронними мережами (Graph Neural Networks — GNN). Актуальність дослідження зумовлена необхідністю зменшення кількості вентилів і глибини схем у квантовій компіляції задля підвищення стійкості до шумів та ефективності виконання алгоритмів на сучасних квантових пристроях. На відміну від традиційного одноагентного підходу запропонована архітектура MAQCO (Multi-Agent Quantum Circuit Optimizer — мультиагентний оптимізатор квантової схеми) дає змогу розподіляти завдання між агентами, що забезпечує кращу масштабованість, координацію та врахування локального контексту схеми. У дослідженні реалізовано процес оптимізації на основі еквівалентних перетворень із системи Quartz, що дає можливість зберігати функціональність схеми під час її спрощення. Експериментальна перевірка на тестах продуктивності з використанням вентильних баз Nam та IBM продемонструвала, що за допомогою MAQCO можна досягти кращих або зіставних результатів порівняно з сучасними оптимізаторами, такими як Quarl і Quartz, зокрема щодо зменшення глибини квантової схеми та загальної кількості вентилів і CNOT (CX) (Controlled NOT — контрольоване заперечення). У подальших дослідженнях передбачаються масштабування MAQCO на великі схеми, інтеграція ECC (Equivalent Circuit Class — клас еквівалентних схем) та ZX-перетворень, а також адаптація методу для апаратно-залежної оптимізації на розподілених квантових архітектурах з урахуванням топології та комунікаційних витрат.

DOI
10.34229/1028-0979-2025-4-7

Related papers

Method for Transforming Neural Networks for Use in the Context of Non-Classical Computing

Арсеній Андрійович Хмельницький

Хмельницький А.А. Спосіб трансформації нейронних мереж для використання в контексті некласичних обчислень. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 121 – Інженерія програмного забезпечення з галузі знань 12 – Інформаційні технології. – Національний Технічний Університет України «Київський Політехнічний Інститут імені Ігоря Сікорського», Київ, 2025. У дисертаційній роботі розглянуто проблему адаптації нейронних мереж до умов некласичних обчислювальних середовищ, зокрема квантових, нейроморфних та інших альтернативних парадигм. В умовах стрімкого зростання обчислювальної складності сучасних моделей штучного інтелекту та зростаючого інтересу до нових апаратних платформ постає задача розробки методів трансформації архітектур нейронних мереж, які б дозволяли ефективно переносити класичні моделі в нові обчислювальні контексти. Актуальність роботи зумовлена відсутністю формалізованих принципів інтеграції квантових перетворень у структури класичних нейронних мереж. Наявні підходи здебільшого ґрунтуються на емпіричних налаштуваннях без чіткого опису того, як параметризовані квантові операції впливають на стабільність, відтворюваність і продуктивність моделей на даних різної складності. Ситуація ускладнюється тим, що медичні набори даних є високоваріативними, містять значний дисбаланс класів і чутливі до перенавчання, що потребує пошуку стійкіших архітектур. Метою роботи є підвищення ефективності та стабільності систем класифікації зображень шляхом розробки методу трансформації нейронних мереж у гібридні квантово-класичні архітектури, придатні для використання в контексті некласичних обчислень. У роботі проаналізовано властивості типових некласичних обчислювальних систем, визначено обмеження, які вони накладають на структуру та функціональні елементи моделей машинного навчання. Для досягнення поставленої мети проаналізовано сучасні методи квантового та гібридного глибинного навчання, досліджено можливості використання квантових симуляторів у задачах опрацювання зображень, розроблено метод трансформації нейронних мереж на архітектурному, функціональному та реалізаційному рівнях, запропоновано конфігурації гібридних квантово-класичних моделей із квантовою згорткою як препроцесингом, а також експериментально оцінено ефективність гібридних моделей порівняно з класичними та проаналізовано вплив кількості квантових каналів і масштабу класичної основи на якість і стабільність класифікації. Розроблено та досліджено метод використання квантових перетворень як квантово-згорткового препроцесингу (quanvolution) для формування багатоканального представлення вхідного зображення. Масштабована архітектура HNN-QCn передбачає поєднання кількох паралельних класичних основ нейронної мережі (бекбонів), де кожен отримує окремий квантовоперетворений канал; для генерації квантових варіацій використовуються однокубітні обертання навколо осей Y, X та їх комбінації (RY, RX, RXY). Для узагальнення прогнозів, отриманих для різних квантових варіацій зображення, обґрунтовано застосування мажоритарного голосування (Majority Voting - MV) як завершального кроку формування фінального передбачення гібридної моделі. Наукова новизна одержаних результатів полягає в тому, що вперше запропоновано комплексний спосіб побудови гібридних квантово-класичних нейронних мереж, який, на відміну від наявних підходів з інтеграцією квантової компоненти в одну фіксовану архітектуру, забезпечує системну трансформацію мереж на трьох взаємопов’язаних рівнях — архітектурному, функціональному та реалізаційному. Набув подальшого розвитку метод квантового препроцесингу на основі квантової згортки, який передбачає паралельне застосування кількох однокубітних обертань для формування множини додаткових каналів, завдяки чому квантово-індуковані ознаки виконують роль регуляризатора. Вперше сформульовано критерій доцільності застосування квантового препроцесингу залежно від масштабу класичної компоненти та вперше розроблено стандартизований протокол експериментального оцінювання, що поєднує стратифіковану перехресну перевірку, прогнозування на позатренувальних блоках (Out-of-Fold) і статистичний аналіз стабільності метрик. Експериментальні дослідження виконано на еталонному наборі даних загального призначення CIFAR-10 та прикладних спеціалізованих медичних наборах даних MedMNIST (BloodMNIST, PathMNIST, DermaMNIST). Показано зростання якості зі збільшенням кількості квантових каналів: для набору даних CIFAR-10 комбінована конфігурація HNN-5QC (YW4+O1) досягла значень точності (accuracy) 0.769±0.002 при значеннях AUC_micro = 0.964±0.022 та AUC_macro = 0.969±0.001, що перевищує аналогічні показники базової моделі. Також встановлено перевагу вибору класичного бекбону: на наборі даних DermaMNIST модель з основою LCNet050 стабільно переважає модель з основою MobileNetV3Small050 за показниками AUC (ΔAUC ≈ 0.02; AUC_macro 0.9540 проти 0.9340; AUC_micro 0.9585 проти 0.9381). Встановлено, що ефект гібридизації найбільший для компактних і середніх класичних архітектур, тоді як для великих компонент він суттєво зменшується; зі збільшенням кількості квантових каналів якість зростає до діапазону QC5–QC9, після чого спостерігається ефект насичення. Одночасно зменшується міжфолдова варіативність метрик, що підтверджує інтерпретацію квантовоіндукованої ознакової надбудови як регуляризатора, який підвищує стабільність і відтворюваність прогнозів. Практичне значення одержаних результатів полягає у формалізації підходу побудови гібридних квантово-класичних моделей та створенні відтворюваного експериментального потоку робочих операцій (workflow) для систематичного добору квантових трансформацій, кількості квантових каналів і класичних архітектур під конкретні задачі класифікації зображень із підвищеними вимогами до надійності. Результати дисертації отримано здобувачем самостійно: розроблено концепцію та принципи системної трансформації нейронних мереж, архітектуру HNN-QCn і схему багатоканального кванволюційного входу, реалізовано програмні засоби та проведено експерименти. Основні положення оприлюднено на міжнародних наукових конференціях (ICAIS 2024; ICTSM, Сінгапур, 2024) та опубліковано в наукових працях, зокрема у виданнях, що індексуються в Scopus (журнали AI та Computation), і у фаховому виданні України. Дисертація складається зі вступу, чотирьох розділів, висновків, списку використаних джерел і додатка. У ній послідовно розглянуто квантові обчислення та інструменти штучного інтелекту, особливості класичних і некласичних обчислень для гібридизації, комплексний спосіб побудови квантово-класичних гібридних мереж, а також аналіз результатів експериментів з багатоканальною кванволюцією, масштабуванням архітектури HNN-QCn і впливом вибору класичної основи.

•Jan 1, 2026•0 citations

Гібридний класично-квантовий алгоритм та його реалізація на реальному квантовому комп’ютері

В.М. Ткачук

У роботі запропоновано гібридний квантовий генетичний алгоритм (Hybrid Quantum Genetic Algorithm, HQGA) для задач функціональної оптимізації. Всі базові оператори реалізовано засобами квантового комп’ютера, а допоміжні обчислення, як то функція пристосованості та пошук найкращої особини популяції виконуються на класичному комп’ютері. Для організації еволюційного процесу використовується томографія квантових станів – відновлення амплітуд імовірності стану кубіта за результатами вимірювання його квантового ансамблю. Проведено моделювання HQGA за допомогою середовища IBM Qiskit з використанням ідеального симулятора AerSimulator та моделей реальних квантових комп’ютерів (FakeMarrakesh, FakeBrisbane, FakeKyoto тощо). Показано, що він забезпечує швидку збіжність при невеликих розмірах популяції, перевершуючи класичні генетичні алгоритми за швидкістю та точністю при невеликій кількості ітерацій. Аналіз впливу параметрів симуляції (шумові моделі реальних квантових комп’ютерів) підтвердили стійкість методу до апаратних обмежень сучасних квантових пристроїв IBM та квантових помилок.

Information Technologies and Engineering Electronics•Dec 26, 2025•0 citations

МУЛЬТИАГЕНТНЕ НАВЧАННЯ З ПІДКРІПЛЕННЯМ ДЛЯ ОПТИМІЗАЦІЇ КВАНТОВИХ СХЕМ З УРАХУВАННЯМ ТОПОЛОГІЧНИХ ОБМЕЖЕНЬ

Іван Ігорович Кирилов

МУЛЬТИАГЕНТНЕ НАВЧАННЯ З ПІДКРІПЛЕННЯМ ДЛЯ ОПТИМІЗАЦІЇ КВАНТОВИХ СХЕМ

Наука і техніка сьогодні•Jan 19, 2026•0 citations

ІНТЕГРАЦІЯ КВАНТОВИХ ОБЧИСЛЕНЬ В ЕКСПЕРТНІ СИСТЕМИ З НЕЧІТКОЮ ЛОГІКОЮ

А. І. Безверхий, I. A. Skrypnyk, О.О. Жуков

В роботі представлено концептуальну архітектуру та програмну реалізацію інтелектуальної системи, що об’єднує три парадигми: нечітку логіку, експертні системи та квантові алгоритми. За допомогою інструментарію scikit-fuzzy на мові Python реалізовано експертну систему з нечіткою логікою. Вона обробляє неточні вхідні дані і генерує тривалість поливу. Для вибору оптимальної стратегії в умовах невизначеності використовується симуляція квантового алгоритму за допомогою бібліотеки Qiskit від IBM. Інтеграція зазначених підходів дозволяє створити систему прийняття рішень, де нечітка логіка забезпечує гнучкість, експертна система – надійність, а квантові обчислення – оптимізацію стратегії. Представлений приклад демонструє можливості побудови гібридних систем для вирішення багатофакторних завдань у таких галузях, як точне землеробство, автоматизація виробничих процесів та управління ресурсами.

Scientific bulletin of the Tavria State Agrotechnological University•May 18, 2026•0 citations

РОЗВИТОК ПОСТКВАНТОВОЇ КРИПТОГРАФІЇ ЗА РАХУНОК ВИКОРИСТАННЯ АЛГЕБРИ ПІДПИСІВ (SIGNATURE ALGEBRA)

Володимир Іванович Богом’я, Олександр Олександрович Бараненко, Yevhen Zhukov

Відомо, що широке впровадження квантових технологій супроводжується серйозними викликами. Основна проблема полягає в крихкості квантових станів, які можуть легко змінюватись через вплив шуму, декогеренцію або неточності у виконанні квантових операцій. Це створює високі ризики для надійності квантових обчислень, особливо в умовах сучасних пристроїв проміжного масштабу (NISQ), які мають обмежену кількість кубітів і високий рівень шумів. У статті було проаналізовано сучасні методи квантової корекції помилок, зокрема використання алгебри підписів, її впровадження в різні протоколи, системи та перспективи розвитку. Визначено ключова роль квантової корекції помилок. Корекція помилок є фундаментальним елементом для забезпечення стабільності квантових обчислень, особливо на шумних пристроях проміжного масштабу (NISQ). Проаналізовано існуючий метод корекції помилок – алгебра підписів (signature algebra) як універсальний інструмент. Визначено, що алгебра підписів продемонструвала свою ефективність у визначенні та корекції помилок у реальному часі; у перевірці стабільності квантових станів та інтеграції з сучасними квантовими протоколами, такими як BB84, E91, DI-QKD, BQC, QSS та ін. Перспективами розвитку є: подальша стандартизація алгебри підписів як інструмента для тестування та корекції помилок; її інтеграції з постквантовою криптографією для забезпечення безпеки даних у квантовій ері; у розробленні нових моделей для систем NISQ, топологічних кодів і квантових мереж. Робота може бути використана як навчальний матеріал для студентів і дослідників, що займаються квантовими обчисленнями. Використані у роботі приклади коду демонструють, як алгебра підписів інтегрується у квантові обчислення, забезпечуючи надійність обчислень навіть у зашумлених середовищах. Запропоновані підходи можуть бути використані для створення стійких квантових систем і протоколів для криптографії, комунікацій та машинного навчання.

Таврійський науковий вісник Серія Технічні науки•Dec 30, 2024•0 citations

Вирішення задачі розбиття множини за допомогою квантового комп’ютера

Смичков Олексій Олегович

В ході виконання дипломної роботи було опановано принцип функціонування квантового комп’ютера, основні засади квантової оптимізації та відповідні математичні моделі. Також було описано принципи формулювання задачі для квантового відпалу за допомогою функції витрат (гамільтоніану). Практична части дипломної роботи включає в себе реалізацію задачі розбиття множини за допомогою PUBO формулювання функції витрат. Код програми написаний мовою Python, що може бути зручним для передачі результату виконання зовнішнім програмам для подальшого використання. Також було зазначено, що не будь-яку оптимізаційну задачу варто вирішувати за допомогою квантового комп’ютера. Іноді доцільно використовувати класичні алгоритми, оскільки їх реалізація, як правило, простіша за квантову, а перевага в швидкості не завжди є суттєвою. Натомість квантову оптимізації слід застосовувати у випадку надважких задач з широким простором пошуку та великою кількістю локальних мінімумів. Окрім цього, ефективність застосування квантової оптимізації сильно залежить від правильного підбору параметрів вирішувача.

•Jan 1, 2022•0 citations
У статті представлено підхід до оптимізації квантових схем на основі мультиагентного навчання з підкріпленням (Multi-Agent Reinforcement Learning — MARL), у якому алгоритм MAPPO (Multi-Agent Proximal Policy Optimization — мультиагентна проксимальна оптимізація політики) поєднується з графовими нейронними мережами (Graph Neural Networks — GNN). Актуальність дослідження зумовлена необхідністю зменшення кількості вентилів і глибини схем у квантовій компіляції задля підвищення стійкості до шумів та ефективності виконання алгоритмів на сучасних квантових пристроях. На відміну від традиційного одноагентного підходу запропонована архітектура MAQCO (Multi-Agent Quantum Circuit Optimizer — мультиагентний оптимізатор квантової схеми) дає змогу розподіляти завдання між агентами, що забезпечує кращу масштабованість, координацію та врахування локального контексту схеми. У дослідженні реалізовано процес оптимізації на основі еквівалентних перетворень із системи Quartz, що дає можливість зберігати функціональність схеми під час її спрощення. Експериментальна перевірка на тестах продуктивності з використанням вентильних баз Nam та IBM продемонструвала, що за допомогою MAQCO можна досягти кращих або зіставних результатів порівняно з сучасними оптимізаторами, такими як Quarl і Quartz, зокрема щодо зменшення глибини квантової схеми та загальної кількості вентилів і CNOT (CX) (Controlled NOT — контрольоване заперечення). У подальших дослідженнях передбачаються масштабування MAQCO на великі схеми, інтеграція ECC (Equivalent Circuit Class — клас еквівалентних схем) та ZX-перетворень, а також адаптація методу для апаратно-залежної оптимізації на розподілених квантових архітектурах з урахуванням топології та комунікаційних витрат.
Хмельницький А.А. Спосіб трансформації нейронних мереж для використання в контексті некласичних обчислень. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 121 – Інженерія програмного забезпечення з галузі знань 12 – Інформаційні технології. – Національний Технічний Університет України «Київський Політехнічний Інститут імені Ігоря Сікорського», Київ, 2025. У дисертаційній роботі розглянуто проблему адаптації нейронних мереж до умов некласичних обчислювальних середовищ, зокрема квантових, нейроморфних та інших альтернативних парадигм. В умовах стрімкого зростання обчислювальної складності сучасних моделей штучного інтелекту та зростаючого інтересу до нових апаратних платформ постає задача розробки методів трансформації архітектур нейронних мереж, які б дозволяли ефективно переносити класичні моделі в нові обчислювальні контексти. Актуальність роботи зумовлена відсутністю формалізованих принципів інтеграції квантових перетворень у структури класичних нейронних мереж. Наявні підходи здебільшого ґрунтуються на емпіричних налаштуваннях без чіткого опису того, як параметризовані квантові операції впливають на стабільність, відтворюваність і продуктивність моделей на даних різної складності. Ситуація ускладнюється тим, що медичні набори даних є високоваріативними, містять значний дисбаланс класів і чутливі до перенавчання, що потребує пошуку стійкіших архітектур. Метою роботи є підвищення ефективності та стабільності систем класифікації зображень шляхом розробки методу трансформації нейронних мереж у гібридні квантово-класичні архітектури, придатні для використання в контексті некласичних обчислень. У роботі проаналізовано властивості типових некласичних обчислювальних систем, визначено обмеження, які вони накладають на структуру та функціональні елементи моделей машинного навчання. Для досягнення поставленої мети проаналізовано сучасні методи квантового та гібридного глибинного навчання, досліджено можливості використання квантових симуляторів у задачах опрацювання зображень, розроблено метод трансформації нейронних мереж на архітектурному, функціональному та реалізаційному рівнях, запропоновано конфігурації гібридних квантово-класичних моделей із квантовою згорткою як препроцесингом, а також експериментально оцінено ефективність гібридних моделей порівняно з класичними та проаналізовано вплив кількості квантових каналів і масштабу класичної основи на якість і стабільність класифікації. Розроблено та досліджено метод використання квантових перетворень як квантово-згорткового препроцесингу (quanvolution) для формування багатоканального представлення вхідного зображення. Масштабована архітектура HNN-QCn передбачає поєднання кількох паралельних класичних основ нейронної мережі (бекбонів), де кожен отримує окремий квантовоперетворений канал; для генерації квантових варіацій використовуються однокубітні обертання навколо осей Y, X та їх комбінації (RY, RX, RXY). Для узагальнення прогнозів, отриманих для різних квантових варіацій зображення, обґрунтовано застосування мажоритарного голосування (Majority Voting - MV) як завершального кроку формування фінального передбачення гібридної моделі. Наукова новизна одержаних результатів полягає в тому, що вперше запропоновано комплексний спосіб побудови гібридних квантово-класичних нейронних мереж, який, на відміну від наявних підходів з інтеграцією квантової компоненти в одну фіксовану архітектуру, забезпечує системну трансформацію мереж на трьох взаємопов’язаних рівнях — архітектурному, функціональному та реалізаційному. Набув подальшого розвитку метод квантового препроцесингу на основі квантової згортки, який передбачає паралельне застосування кількох однокубітних обертань для формування множини додаткових каналів, завдяки чому квантово-індуковані ознаки виконують роль регуляризатора. Вперше сформульовано критерій доцільності застосування квантового препроцесингу залежно від масштабу класичної компоненти та вперше розроблено стандартизований протокол експериментального оцінювання, що поєднує стратифіковану перехресну перевірку, прогнозування на позатренувальних блоках (Out-of-Fold) і статистичний аналіз стабільності метрик. Експериментальні дослідження виконано на еталонному наборі даних загального призначення CIFAR-10 та прикладних спеціалізованих медичних наборах даних MedMNIST (BloodMNIST, PathMNIST, DermaMNIST). Показано зростання якості зі збільшенням кількості квантових каналів: для набору даних CIFAR-10 комбінована конфігурація HNN-5QC (YW4+O1) досягла значень точності (accuracy) 0.769±0.002 при значеннях AUC_micro = 0.964±0.022 та AUC_macro = 0.969±0.001, що перевищує аналогічні показники базової моделі. Також встановлено перевагу вибору класичного бекбону: на наборі даних DermaMNIST модель з основою LCNet050 стабільно переважає модель з основою MobileNetV3Small050 за показниками AUC (ΔAUC ≈ 0.02; AUC_macro 0.9540 проти 0.9340; AUC_micro 0.9585 проти 0.9381). Встановлено, що ефект гібридизації найбільший для компактних і середніх класичних архітектур, тоді як для великих компонент він суттєво зменшується; зі збільшенням кількості квантових каналів якість зростає до діапазону QC5–QC9, після чого спостерігається ефект насичення. Одночасно зменшується міжфолдова варіативність метрик, що підтверджує інтерпретацію квантовоіндукованої ознакової надбудови як регуляризатора, який підвищує стабільність і відтворюваність прогнозів. Практичне значення одержаних результатів полягає у формалізації підходу побудови гібридних квантово-класичних моделей та створенні відтворюваного експериментального потоку робочих операцій (workflow) для систематичного добору квантових трансформацій, кількості квантових каналів і класичних архітектур під конкретні задачі класифікації зображень із підвищеними вимогами до надійності. Результати дисертації отримано здобувачем самостійно: розроблено концепцію та принципи системної трансформації нейронних мереж, архітектуру HNN-QCn і схему багатоканального кванволюційного входу, реалізовано програмні засоби та проведено експерименти. Основні положення оприлюднено на міжнародних наукових конференціях (ICAIS 2024; ICTSM, Сінгапур, 2024) та опубліковано в наукових працях, зокрема у виданнях, що індексуються в Scopus (журнали AI та Computation), і у фаховому виданні України. Дисертація складається зі вступу, чотирьох розділів, висновків, списку використаних джерел і додатка. У ній послідовно розглянуто квантові обчислення та інструменти штучного інтелекту, особливості класичних і некласичних обчислень для гібридизації, комплексний спосіб побудови квантово-класичних гібридних мереж, а також аналіз результатів експериментів з багатоканальною кванволюцією, масштабуванням архітектури HNN-QCn і впливом вибору класичної основи.
У роботі запропоновано гібридний квантовий генетичний алгоритм (Hybrid Quantum Genetic Algorithm, HQGA) для задач функціональної оптимізації. Всі базові оператори реалізовано засобами квантового комп’ютера, а допоміжні обчислення, як то функція пристосованості та пошук найкращої особини популяції виконуються на класичному комп’ютері. Для організації еволюційного процесу використовується томографія квантових станів – відновлення амплітуд імовірності стану кубіта за результатами вимірювання його квантового ансамблю. Проведено моделювання HQGA за допомогою середовища IBM Qiskit з використанням ідеального симулятора AerSimulator та моделей реальних квантових комп’ютерів (FakeMarrakesh, FakeBrisbane, FakeKyoto тощо). Показано, що він забезпечує швидку збіжність при невеликих розмірах популяції, перевершуючи класичні генетичні алгоритми за швидкістю та точністю при невеликій кількості ітерацій. Аналіз впливу параметрів симуляції (шумові моделі реальних квантових комп’ютерів) підтвердили стійкість методу до апаратних обмежень сучасних квантових пристроїв IBM та квантових помилок.
В роботі представлено концептуальну архітектуру та програмну реалізацію інтелектуальної системи, що об’єднує три парадигми: нечітку логіку, експертні системи та квантові алгоритми. За допомогою інструментарію scikit-fuzzy на мові Python реалізовано експертну систему з нечіткою логікою. Вона обробляє неточні вхідні дані і генерує тривалість поливу. Для вибору оптимальної стратегії в умовах невизначеності використовується симуляція квантового алгоритму за допомогою бібліотеки Qiskit від IBM. Інтеграція зазначених підходів дозволяє створити систему прийняття рішень, де нечітка логіка забезпечує гнучкість, експертна система – надійність, а квантові обчислення – оптимізацію стратегії. Представлений приклад демонструє можливості побудови гібридних систем для вирішення багатофакторних завдань у таких галузях, як точне землеробство, автоматизація виробничих процесів та управління ресурсами.
Відомо, що широке впровадження квантових технологій супроводжується серйозними викликами. Основна проблема полягає в крихкості квантових станів, які можуть легко змінюватись через вплив шуму, декогеренцію або неточності у виконанні квантових операцій. Це створює високі ризики для надійності квантових обчислень, особливо в умовах сучасних пристроїв проміжного масштабу (NISQ), які мають обмежену кількість кубітів і високий рівень шумів. У статті було проаналізовано сучасні методи квантової корекції помилок, зокрема використання алгебри підписів, її впровадження в різні протоколи, системи та перспективи розвитку. Визначено ключова роль квантової корекції помилок. Корекція помилок є фундаментальним елементом для забезпечення стабільності квантових обчислень, особливо на шумних пристроях проміжного масштабу (NISQ). Проаналізовано існуючий метод корекції помилок – алгебра підписів (signature algebra) як універсальний інструмент. Визначено, що алгебра підписів продемонструвала свою ефективність у визначенні та корекції помилок у реальному часі; у перевірці стабільності квантових станів та інтеграції з сучасними квантовими протоколами, такими як BB84, E91, DI-QKD, BQC, QSS та ін. Перспективами розвитку є: подальша стандартизація алгебри підписів як інструмента для тестування та корекції помилок; її інтеграції з постквантовою криптографією для забезпечення безпеки даних у квантовій ері; у розробленні нових моделей для систем NISQ, топологічних кодів і квантових мереж. Робота може бути використана як навчальний матеріал для студентів і дослідників, що займаються квантовими обчисленнями. Використані у роботі приклади коду демонструють, як алгебра підписів інтегрується у квантові обчислення, забезпечуючи надійність обчислень навіть у зашумлених середовищах. Запропоновані підходи можуть бути використані для створення стійких квантових систем і протоколів для криптографії, комунікацій та машинного навчання.
В ході виконання дипломної роботи було опановано принцип функціонування квантового комп’ютера, основні засади квантової оптимізації та відповідні математичні моделі. Також було описано принципи формулювання задачі для квантового відпалу за допомогою функції витрат (гамільтоніану). Практична части дипломної роботи включає в себе реалізацію задачі розбиття множини за допомогою PUBO формулювання функції витрат. Код програми написаний мовою Python, що може бути зручним для передачі результату виконання зовнішнім програмам для подальшого використання. Також було зазначено, що не будь-яку оптимізаційну задачу варто вирішувати за допомогою квантового комп’ютера. Іноді доцільно використовувати класичні алгоритми, оскільки їх реалізація, як правило, простіша за квантову, а перевага в швидкості не завжди є суттєвою. Натомість квантову оптимізації слід застосовувати у випадку надважких задач з широким простором пошуку та великою кількістю локальних мінімумів. Окрім цього, ефективність застосування квантової оптимізації сильно залежить від правильного підбору параметрів вирішувача.