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.
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.
З появою квантових обчислювальних технологій, що мають потенціал обчислювати з набагато більшою швидкістю, ніж класичні комп’ютери класична стеганографія стикається з новими загрозами, які ускладнюють приховування інформації. Водночас це стимулює розвиток нових підходів, таких як постквантова стеганографія, яка враховує потенціал квантових обчислень. Але, виявляється, що квантові обчислення мають потенціал радикально змінити багато аспектів криптографії, а стеганографія, яка використовується для приховування інформації, також може зазнати впливу. Мета роботи. Аналіз особливостей впливу найвідомішої реалізації квантової криптографії, як квантовий розподіл ключів (Quantum Key Distribution для розробки рекомендацій щодо підвищення ефективності стеганографічних методів. Методологія дослідження. Для дослідження впливу квантових обчислень на стеганографію розглянуто застосування різноманітних методів, залежно від конкретних цілей дослідження та доступних ресурсів, а саме: математичне моделювання стеганографічних алгоритмів, аналіз вразливостей перед квантовими алгоритмами, розробка квантових атак на стеганографічні методи та інші. Наукова новизна. Авторами у цієї проблематиці були визначені основні криптографічні системи, що забезпечують захист інформації в умовах квантових загроз, у тому числі особливості квантової криптографії. Також наведені основні особливості квантових обчислень, такі як суперпозиція, заплутаність та зв’язаність. Як результати дослідження можуть бути такі. Нарешті, необхідно зазначити, що загрози, які виникають у результаті розвитку квантових технологій, вимагають термінової адаптації та впровадження нових стандартів у сфері інформаційної безпеки. Інтеграція QKD і стеганографії є багатообіцяючим напрямком, що може знайти застосування в захищених комунікаціях, зокрема в дипломатії, оборонній сфері та приватних зв’язках. Висновки. Квантова механіка пропонує високий рівень випадковості, який може бути використаний для підвищення надійності приховування інформації за рахунок переваг квантового випадкового шуму. Це дозволяє створювати більш стійкі до виявлення стеганографічні системи. Потенційні напрямами подальших досліджень можуть бути: вивчення інтеграції квантових методів з класичною стеганографією; аналіз безпеки стеганографічних методів у постквантовий період; розробка квантових протоколів стеганографії; оцінка впливу квантового шуму на приховування та виявлення інформації для захисту систем електронної комерції.
З появою квантових обчислювальних технологій, які мають потенціал здійснювати обчислення з набагато більшою швидкістю, ніж класичні комп'ютери, виникає загроза для існуючих криптографічних систем. Квантові алгоритми, здатні ефективно розв’язувати складні обчислювальні завдання, що лежать в основі безпеки сучасних криптографічних систем. Це означає, що з розвитком квантових комп'ютерів стає можливою компрометація багатьох сучасних шифрів, які сьогодні вважаються безпечними.З огляду на це, постає потреба у створенні нових криптографічних методів та алгоритмів, які б залишались стійкими до квантових атак. Пост-квантова криптографія є новим напрямом у криптографічний науці, який ставить за мету розробку алгоритмів, стійких до атак квантових комп’ютерів. Вона охоплює широкий спектр методів, таких як латичні криптосистеми, криптографія на основі кодів з корекцією помилок та багато інших.Таким чином, розвиток квантових обчислювальних технологій ставить перед криптографією нові виклики, що вимагають перегляду існуючих методів захисту інформації. Постає необхідність адаптації криптографічних систем до нових умов, зокрема через створення алгоритмів, які б залишались надійними навіть в умовах появи квантових комп'ютерів.Тому, актуальність теми дослідження полягає в необхідності захисту інформації в умовах швидкого розвитку квантових обчислювальних систем. Наукова новизна цього дослідження полягає в комплексному аналізі пост-квантових криптосистем та їхній стійкості до нових типів загроз. Дослідження пропонує порівняння ефективності класичних криптографічних методів із пост-квантовими, що дозволяє виявити їхні сильні та слабкі сторони в умовах квантових обчислень. Практична значущість дослідження полягає у можливості використання результатів для впровадження нових стандартів криптографічного захисту інформації. Це є особливо важливим для організацій, що обробляють конфіденційні дані, таких як банки, урядові установи та компанії, які займаються розробкою технологій штучного інтелекту. Ключові слова: квантові обчислення, класичні криптографічні системи, загрози, криптографічні алгоритми, інформаційна безпека, квантові технології.
Дипломна робота: 75 с., 32 рис., 12 табл., 28 посиланнь, додаток. Об’єктом дослідження є набір даних Iris для задачі багатокласової класифікації. Предметом дослідження є класичні, гібридні варіаційні квантові та квантові ядерні моделі машинного навчання. Метою роботи є порівняння класичних, гібридних варіаційних квантових та квантових ядерних класифікаторів за точністю, ефективністю та практичною застосовністю. У роботі використано методи машинного навчання, квантового машинного навчання, стратифікованої 5-кратної крос-валідації, статистичного аналізу та аналізу виразності квантових схем. Розроблено програмний продукт мовою Python, який реалізує 8 моделей класифікації: Classical-Only NN, BasicRotation, BasicEntangler, StronglyEntangled, Classical RBF-SVM, ZZFeatureMap Kernel, IQP-style Kernel та Amplitude Embed Kernel. Проведено експериментальне порівняння моделей із використанням бібліотек PennyLane, PyTorch та scikit-learn. Встановлено, що квантові та гібридні підходи є перспективними для задач ядрової класифікації, однак їхня ефективність залежить від вибору схеми кодування даних, типу ядра та розміру вибірки. Отримані результати можуть бути використані для подальших досліджень квантового машинного навчання, тестування моделей на складніших наборах даних, реальних квантових процесорах та в умовах квантового шуму.
Протягом останніх кількох років квантові обчислення стають все більш популярним напрямком досліджень. Однією з провідних компаній, що розвиває технології квантових обчислень є IBM. Наприкінці минулого року IBM встановила рекорд найбільшої квантової обчислювальної системи з процесором, який містив 433 кубіта, фундаментальних будівельних блоків квантової обробки інформації, в цьому році – 1000 кубітів. Тепер компанія націлилася на набагато більшу мету: машину на 100 000 кубітів, яку вона прагне створити протягом 10 років.
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.
Стрімкий розвиток методів штучного інтелекту та машинного навчання супроводжується зростанням потреби у моделях, які поєднують високу точність з прозорістю та нтерпретацєю результатів. Більшість сучасних глибоких нейронних мереж функціонують як «чорні скриньки», що ускладнює їх застосування у критично важливих сферах – медицині, фінансах, транспорті, де необхідна верифікація рішень експертами. Водночас, розвиток квантових технологій і квантового машинного навчання відкриває нові можливості для побудови моделей, здатних ефективно працювати у просторах великої розмірності. Мета роботи полягає у розробці та експериментальній перевірці інтерпретованої гібридної моделі бінарної класифікації, яка поєднує нечіткий шар правил з варіаційною квантовою схемою, на прикладі задачі прогнозування виживання пасажирів (датасет Titanic), а також у порівнянні її з класичними підходами з точки зору точності та пояснюваності. Методологія дослідження ґрунтується на поєднанні апарату нечіткої логіки та варіаційних квантових схем. На першому етапі формуються лінгвістичні змінні для ознак датасету, задаються гауссові функції належності та формалізуються інтерпретовані нечіткі правила типу IF–THEN, які відображають предметні знання про задачу Titanic. На основі ступенів активації правил будується вектор ознак нечіткого шару. На другому етапі цей вектор лінійно агрегується за допомогою ваг правил, що підлягають навчанню, та кодується в параметри вхідних квантових обертань. Третій етап передбачає використання варіаційної квантової схеми з параметризованими воротами RX, RY та ентанглінгом CNOT, вихід якої вимірюється оператором Паулі-Z та перетворюється у ймовірність класу за допомогою логістичної функції. Навчання здійснюється методом градієнтного спуску з використанням правила параметрного зсуву для квантової частини моделі. Для порівняння реалізовано нечітко-класичний варіант моделі без квантового шару та логістичну регресію. Наукова новизна роботи полягає у створенні гібридної нейро-фазі-квантової архітектури, у якій знання предметної області явно кодуються у вигляді нечітких правил з інтерпретованими вагами, а квантовий шар використовується як нелінійний агрегатор цих правил. На відміну від традиційних «чорних» квантових класифікаторів, запропонований підхід забезпечує прозоре відображення впливу кожного правила на кінцевий результат, що підвищує довіру до моделі та створює можливості для експертного аналізу. У роботі продемонстровано, що поєднання нечіткої логіки з варіаційними квантовими схемами дозволяє отримати класифікатор зі збереженою інтерпретованістю та покращеними можливостями моделювання складних залежностей між ознаками. Висновки. Експериментальне дослідження на основі датасету Titanic показало, що запропонована гібридна модель демонструє якість класифікації (accuracy, F1-міру), порівнянну або дещо вищу за результати нечітко-класичної моделі та логістичної регресії, при цьому забезпечуючи високий рівень інтерпретованості завдяки аналізу ваг і активності нечітких правил. Модель дозволяє пояснювати окремі рішення, визначати найважливіші правила і перевіряти їх на узгодженість з очікуваними доменними знаннями. Перспективними напрямами розвитку є масштабування моделі на більш комплексні задачі, автоматична генерація нечітких правил, адаптація до роботи на реальних квантових пристроях із шумами та застосування в галузях, де особливо важливі прозорість і надійність систем штучного інтелекту.