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 JOURNAL OF INFORMATION AND COMMUNICATION TECHNOLOGIES

ИССЛЕДОВАНИЕ ГИБРИДНЫХ КВАНТОВО-КЛАССИЧЕСКИХ АЛГОРИТМОВ ДЛЯ МАШИННОГО ОБУЧЕНИЯ

Т.Ж. Камалов, А.А. Али, А.С. Мохаммед

Published Oct 21, 2026• 0 citations
Publisher

Abstract

Архитектуры систем HQML основываются на интеграции квантового кодирования признаков с классическими методами оптимизации, что позволяет использовать их в рамках ограничений устройств NISQ. В данной ста-тье мы представляем систематический обзор литературы по HQML за период с 2018 по 2026 год, включая знаковые работы, опубликованные с 2014 года. В со-ответствии с подходом, основанным на рекомендациях PRISMA, было проанали-зировано 1 247 статей, в результате чего для всесторонней оценки было отобрано 40 ключевых работ. Мы сосредоточиваемся на VQA, QNN и PQC, используе-мых для задач классификации и оптимизации в сфере здравоохранения и финан-сов. Рассматриваются несколько нерешенных технических проблем, таких как проблема «бесплодного плато» и нагрузка, связанная с кодированием данных. Результаты показывают, что гибридные подходы демонстрируют стабильные преимущества в условиях недостатка данных и дисбаланса классов: повыше-ние точности на 0,3–2,5 % на небольших медицинских наборах данных и столь же эффективную, но экономную с точки зрения данных производительность по сравнению с XGBoost при обнаружении финансового мошенничества. В нашем исследовании выделено пять ключевых областей, требующих дальнейших ис-следований, причем наиболее значимыми из них являются отсутствие стандарт-ных тестов и анализ кривой обучения

DOI
10.54309/ijict.2026.27.3.017

Related papers

Повышение скорости обучения глубоких нейросетей с помощью добавления квантовых слоев

Р. Р. Мамедсалиев, К. С. Артыклыев

В работе исследуется метод повышения скорости сходимости глубоких классических нейронных сетей посредством интеграции гибридных квантовых слоев на базе параметризованных квантовых схем (PQC). Рассматривается математический аппарат нелинейного отображения признаков в высокоразмерное гильбертово пространство, позволяющий существенно сократить количество эпох оптимизации, необходимых для достижения целевой точности. Продемонстрирована эффективность предложенного подхода на примере задачи распознавания типов модуляции сигналов в условиях низкого отношения сигнал/шум. Результаты моделирования показывают ускорение сходимости в 3.6 раза по сравнению со стандартными полносвязными архитектурами при эквивалентном количестве параметров.

•Jan 1, 2026•0 citations

КВАНТОВЫЕ НЕЙРОННЫЕ СЕТИ И ИХ ПОТЕНЦИАЛ В ЗАДАЧАХ КЛАССИФИКАЦИИ ВИДЕО

Стёпушкина П. К.

Статья посвящена квантовым нейронным сетям, которые представляют собой гибридные квантово-классические модели, сочетающие принципы квантовой механики с парадигмами глубокого обучения. В статье рассматриваются основы QNN, включая вариационные квантовые схемы и квантовые сверточные нейронные сети, а также их применение к задачам классификации видео. Видео-классификация требует обработки пространственно-временных данных, что делает её ресурсоёмкой для классических моделей. Квантовые подходы, такие как Q3D-CNN, обещают экспоненциальное преимущество в представлении сложных признаков за счёт суперпозиции и запутанности.

Вестник науки•Jan 1, 2026•0 citations

АНАЛИЗ АЛГОРИТМОВ И СТРУКТУРА КВАНТОВЫХ РОБОТОВ

Istamov Ismoilzoda Uktamovich Himmatov Ibodilla Qudratovich

Путем объединения квантовых алгоритмов и квантовой теории с технологией роботов предлагается новый тип роботов - квантовый робот. Квантовый робот представляет собой сложную квантовую систему, обычно состоящую из трех основных частей: нескольких квантовых вычислительных блоков (MQCU), квантового контроллера/привода и блока сбора информации. В соответствии с структурой системы представлены несколько алгоритмов обучения и управления, таких как квантовый алгоритм поиска и квантовое обучение с подкреплением. Теоретические результаты показывают, что квантовый робот может снизить сложность с O(N^2) в традиционном роботе до O(N) с использованием квантового алгоритма поиска, и результаты симуляции демонстрируют, что квантовый робот также превосходит традиционного робота в эффективности обучения новым алгоритмом квантового обучения с подкреплением. Рассматривая преимущества квантового робота, также проанализированы и перспективы его некоторых потенциально важных применений.

•Oct 7, 2023•0 citations

Сравнительный анализ квантовых моделей в прогнозе сердечно-сосудистых заболеваний

Fatima Аdilova, Давронов Рифкат Раxимович

В данной работе анализируются два подхода к прогнозу сердечно-сосудистых заболеваний, которые имеют постановку задачи в форме бинарной классификации на одном и том же бенчмарке Cleveland и имеют целью выявить преимущества квантовых вычислений перед традиционными классификаторами. Это - гибридный квантовый случайный лес (HQNN, HQRF) для прогнозирования развития ишемической болезни сердца на ранних стадиях и объяснимый прогноз сердечно-сосудистых заболеваний ансамблево-квантового обучения Bagging-QSVC. В первом подходе используются различные методы выбора признаков, которые в обычно требуют больших вычислительных усилий, в то время как модель HQRF и более ранняя модель HQNN являются высокоскоростными алгоритмами в силу природы квантовых вычислений. Численные результаты показывают, что HQRF больше подходит для небольших наборов данных, в то время как HQNN лучше подходит для больших наборов данных. Во втором подходе модель Bagging-QSVC в качестве базового классификатора использует квантовый классификатор опорных векторов. Результаты работы модели объясняются через важность вклада каждого отдельного признака помощью алгоритма Shaply (SHAP). Сравнительные исследование других квантовых классификаторов, на бенчмарке Cleveland показывают превосходство Bagging-QSVC с точностью 90,16%. Из этого следует, что классификаторы квантового машинного обучения эффективнее классификаторов классического машинного обучения предсказывают заболевания сердечно-сосудистой системы.

Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий•Jul 25, 2025•0 citations

Взгляд на группирование и антигруппирование с точки зрения классических сигналов

Andrei Yu. Khrennikov

ВЗГЛЯД НА ГРУППИРОВАНИЕ И АНТИГРУППИРОВАНИЕ С ТОЧКИ ЗРЕНИЯ КЛАССИЧЕСКИХ СИГНАЛОВ Сходство квантовой механики с классической волновой механикой отмечалось в работах де Бройля, Шредингера, "позднего Эйнштейна", Лэмба, Ланде, Манделя, Маршалла, Сантоса, Бойера и многих других авторов.Представлена новая волновая модель квантовой механики -так называемая предквантовая классическая статистическая теория поля, в которой исследуется аналогия между некоторыми квантовыми явлениями и классической теорией случайных полей.Квантовые системы интерпретируются как символические представления таких полей (не только для фотонов, ср.подходы Ланде и Лэмба, но и для массивных частиц).Все квантовые средние и корреляции (включая составные системы в запутанных состояниях) можно представить как средние и корреляции классических случайных полей.Предквантовая классическая статистическая теория поля используется для получения группирования и антигруппирования в рамках классической теории сигналов.

Теоретическая и математическая физика•Jan 1, 2012•0 citations

Моделирование квантового алгоритма Саймона на классическом компьютере

М. А. Шемякина

Статья посвящена анализу фундаментальных принципов квантовых вычислений: квантовый бит, суперпозиция, основные квантовые элементы. Актуальность работы обоснована тем, что ряд задач не может быть решен с помощью классических вычислительных машин. В результате поиска решения данной проблемы возникла квантовая информатика. В данной статье рассматривается возможность создания программы, позволяющей моделировать квантовые вычисления, а именно, квантовый алгоритм Саймона на классическом компьютере. Квантовый алгоритм Саймона, позволяет определить период некоторой функции за линейное количество вызовов этой функции.

Международный журнал гуманитарных и естественных наук•Jan 1, 2019•0 citations
Архитектуры систем HQML основываются на интеграции квантового кодирования признаков с классическими методами оптимизации, что позволяет использовать их в рамках ограничений устройств NISQ. В данной ста-тье мы представляем систематический обзор литературы по HQML за период с 2018 по 2026 год, включая знаковые работы, опубликованные с 2014 года. В со-ответствии с подходом, основанным на рекомендациях PRISMA, было проанали-зировано 1 247 статей, в результате чего для всесторонней оценки было отобрано 40 ключевых работ. Мы сосредоточиваемся на VQA, QNN и PQC, используе-мых для задач классификации и оптимизации в сфере здравоохранения и финан-сов. Рассматриваются несколько нерешенных технических проблем, таких как проблема «бесплодного плато» и нагрузка, связанная с кодированием данных. Результаты показывают, что гибридные подходы демонстрируют стабильные преимущества в условиях недостатка данных и дисбаланса классов: повыше-ние точности на 0,3–2,5 % на небольших медицинских наборах данных и столь же эффективную, но экономную с точки зрения данных производительность по сравнению с XGBoost при обнаружении финансового мошенничества. В нашем исследовании выделено пять ключевых областей, требующих дальнейших ис-следований, причем наиболее значимыми из них являются отсутствие стандарт-ных тестов и анализ кривой обучения
В работе исследуется метод повышения скорости сходимости глубоких классических нейронных сетей посредством интеграции гибридных квантовых слоев на базе параметризованных квантовых схем (PQC). Рассматривается математический аппарат нелинейного отображения признаков в высокоразмерное гильбертово пространство, позволяющий существенно сократить количество эпох оптимизации, необходимых для достижения целевой точности. Продемонстрирована эффективность предложенного подхода на примере задачи распознавания типов модуляции сигналов в условиях низкого отношения сигнал/шум. Результаты моделирования показывают ускорение сходимости в 3.6 раза по сравнению со стандартными полносвязными архитектурами при эквивалентном количестве параметров.
Статья посвящена квантовым нейронным сетям, которые представляют собой гибридные квантово-классические модели, сочетающие принципы квантовой механики с парадигмами глубокого обучения. В статье рассматриваются основы QNN, включая вариационные квантовые схемы и квантовые сверточные нейронные сети, а также их применение к задачам классификации видео. Видео-классификация требует обработки пространственно-временных данных, что делает её ресурсоёмкой для классических моделей. Квантовые подходы, такие как Q3D-CNN, обещают экспоненциальное преимущество в представлении сложных признаков за счёт суперпозиции и запутанности.
Путем объединения квантовых алгоритмов и квантовой теории с технологией роботов предлагается новый тип роботов - квантовый робот. Квантовый робот представляет собой сложную квантовую систему, обычно состоящую из трех основных частей: нескольких квантовых вычислительных блоков (MQCU), квантового контроллера/привода и блока сбора информации. В соответствии с структурой системы представлены несколько алгоритмов обучения и управления, таких как квантовый алгоритм поиска и квантовое обучение с подкреплением. Теоретические результаты показывают, что квантовый робот может снизить сложность с O(N^2) в традиционном роботе до O(N) с использованием квантового алгоритма поиска, и результаты симуляции демонстрируют, что квантовый робот также превосходит традиционного робота в эффективности обучения новым алгоритмом квантового обучения с подкреплением. Рассматривая преимущества квантового робота, также проанализированы и перспективы его некоторых потенциально важных применений.
В данной работе анализируются два подхода к прогнозу сердечно-сосудистых заболеваний, которые имеют постановку задачи в форме бинарной классификации на одном и том же бенчмарке Cleveland и имеют целью выявить преимущества квантовых вычислений перед традиционными классификаторами. Это - гибридный квантовый случайный лес (HQNN, HQRF) для прогнозирования развития ишемической болезни сердца на ранних стадиях и объяснимый прогноз сердечно-сосудистых заболеваний ансамблево-квантового обучения Bagging-QSVC. В первом подходе используются различные методы выбора признаков, которые в обычно требуют больших вычислительных усилий, в то время как модель HQRF и более ранняя модель HQNN являются высокоскоростными алгоритмами в силу природы квантовых вычислений. Численные результаты показывают, что HQRF больше подходит для небольших наборов данных, в то время как HQNN лучше подходит для больших наборов данных. Во втором подходе модель Bagging-QSVC в качестве базового классификатора использует квантовый классификатор опорных векторов. Результаты работы модели объясняются через важность вклада каждого отдельного признака помощью алгоритма Shaply (SHAP). Сравнительные исследование других квантовых классификаторов, на бенчмарке Cleveland показывают превосходство Bagging-QSVC с точностью 90,16%. Из этого следует, что классификаторы квантового машинного обучения эффективнее классификаторов классического машинного обучения предсказывают заболевания сердечно-сосудистой системы.
ВЗГЛЯД НА ГРУППИРОВАНИЕ И АНТИГРУППИРОВАНИЕ С ТОЧКИ ЗРЕНИЯ КЛАССИЧЕСКИХ СИГНАЛОВ Сходство квантовой механики с классической волновой механикой отмечалось в работах де Бройля, Шредингера, "позднего Эйнштейна", Лэмба, Ланде, Манделя, Маршалла, Сантоса, Бойера и многих других авторов.Представлена новая волновая модель квантовой механики -так называемая предквантовая классическая статистическая теория поля, в которой исследуется аналогия между некоторыми квантовыми явлениями и классической теорией случайных полей.Квантовые системы интерпретируются как символические представления таких полей (не только для фотонов, ср.подходы Ланде и Лэмба, но и для массивных частиц).Все квантовые средние и корреляции (включая составные системы в запутанных состояниях) можно представить как средние и корреляции классических случайных полей.Предквантовая классическая статистическая теория поля используется для получения группирования и антигруппирования в рамках классической теории сигналов.
Статья посвящена анализу фундаментальных принципов квантовых вычислений: квантовый бит, суперпозиция, основные квантовые элементы. Актуальность работы обоснована тем, что ряд задач не может быть решен с помощью классических вычислительных машин. В результате поиска решения данной проблемы возникла квантовая информатика. В данной статье рассматривается возможность создания программы, позволяющей моделировать квантовые вычисления, а именно, квантовый алгоритм Саймона на классическом компьютере. Квантовый алгоритм Саймона, позволяет определить период некоторой функции за линейное количество вызовов этой функции.