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

Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий

Сравнительный анализ квантовых моделей в прогнозе сердечно-сосудистых заболеваний

Адилова Фатима Туичиевна, Давронов Рифкат Раxимович

Published Jul 25, 2025• 0 citations
Publisher

Abstract

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.

DOI
10.62132/ijdt.v8i2.259

Related papers

ИССЛЕДОВАНИЕ ГИБРИДНЫХ КВАНТОВО-КЛАССИЧЕСКИХ АЛГОРИТМОВ ДЛЯ МАШИННОГО ОБУЧЕНИЯ

Т.Ж. Камалов, А.А. Али, А.С. Мохаммед

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

INTERNATIONAL JOURNAL OF INFORMATION AND COMMUNICATION TECHNOLOGIES•Oct 21, 2026•0 citations

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

Новая модель квантового оракула для гибридной квантово-классической атаки на постквантовые криптосистемы, основанные на решётках

Alexander Olegovich Bakharev

Аннотация.Криптосистемы на основе решёток являются одними из основных постквантовых альтернатив асимметричной криптографии, используемой в настоящее время.Большинство атак на такие криптосистемы можно свести к задаче нахождения кратчайшего вектора в решётке (SVP).Ранее авторами была предложена модель квантового оракула из алгоритма Гровера для реализации гибридного квантово-классического алгоритма, основанного на алгоритме GaussSieve и решающего SVP.В настоящей работе предложена и проанализирована новая модель квантового оракула.Предложены и оценены две реализации новой модели квантового оракула.Проанализирована сложность реализации новой модели квантового оракула для атаки на постквантовые криптосистемы, основанные на решётках и являющиеся финалистами конкурса постквантовой криптографии NIST.Приведено сравнение полученных результатов для новой и уже существующей моделей квантового оракула.Табл.4, ил. 10, библиогр.48.Ключевые слова: квантовый поиск, криптография с открытым ключом, криптография на решётках, постквантовая криптография, алгоритм Гровера, квантовые вычисления. ВведениеРазвитие квантовых вычислений ведёт к необходимости в разработке и анализе криптосистем, устойчивых к атакам с использованием квантовых компьютеров алгоритмов постквантовой криптографии [1-3].Программа на квантовом компьютере может быть представлена квантовой

Diskretnyi analiz i issledovanie operatsii•Nov 20, 2024•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

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

Обучение квантовых рекуррентных нейронных сетей на джозефсоновской интегральной схеме

S. S. Samarin, Aleksei Tolstobrov, S.V. Sandulanu +14 more

Данная работа посвящена решению задачи обработки числовых последовательностей при помощи вариационных квантовых алгоритмов, реализуемых на шумном квантовом компьютере среднего масштаба. Платформой для квантовых вычислений является интегральная схема на основе сверхпроводящих искусственных атомов. Архитектура квантовой рекуррентной нейронной сети сконструирована с использованием одно- и двухкубитных операций. На этапе эмулирования была изучена обучаемость модели в зависимости от числа кубитов, а также объема и метода кодирования данных в состояние кубитов. Сравнение с классическими архитектурами показало, что на современных квантовых процессорах возможно достичь качества предсказаний в выбранной задаче машинного обучения, сравнимого с качеством реализуемых на классических процессорах моделей.

ZhETF Pisma Redaktsiiu•Jan 1, 2025•0 citations
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.
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.
Аннотация.Криптосистемы на основе решёток являются одними из основных постквантовых альтернатив асимметричной криптографии, используемой в настоящее время.Большинство атак на такие криптосистемы можно свести к задаче нахождения кратчайшего вектора в решётке (SVP).Ранее авторами была предложена модель квантового оракула из алгоритма Гровера для реализации гибридного квантово-классического алгоритма, основанного на алгоритме GaussSieve и решающего SVP.В настоящей работе предложена и проанализирована новая модель квантового оракула.Предложены и оценены две реализации новой модели квантового оракула.Проанализирована сложность реализации новой модели квантового оракула для атаки на постквантовые криптосистемы, основанные на решётках и являющиеся финалистами конкурса постквантовой криптографии NIST.Приведено сравнение полученных результатов для новой и уже существующей моделей квантового оракула.Табл.4, ил. 10, библиогр.48.Ключевые слова: квантовый поиск, криптография с открытым ключом, криптография на решётках, постквантовая криптография, алгоритм Гровера, квантовые вычисления. ВведениеРазвитие квантовых вычислений ведёт к необходимости в разработке и анализе криптосистем, устойчивых к атакам с использованием квантовых компьютеров алгоритмов постквантовой криптографии [1-3].Программа на квантовом компьютере может быть представлена квантовой
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.
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.
Данная работа посвящена решению задачи обработки числовых последовательностей при помощи вариационных квантовых алгоритмов, реализуемых на шумном квантовом компьютере среднего масштаба. Платформой для квантовых вычислений является интегральная схема на основе сверхпроводящих искусственных атомов. Архитектура квантовой рекуррентной нейронной сети сконструирована с использованием одно- и двухкубитных операций. На этапе эмулирования была изучена обучаемость модели в зависимости от числа кубитов, а также объема и метода кодирования данных в состояние кубитов. Сравнение с классическими архитектурами показало, что на современных квантовых процессорах возможно достичь качества предсказаний в выбранной задаче машинного обучения, сравнимого с качеством реализуемых на классических процессорах моделей.