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.
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.
Сучасні напрями розвитку інформаційно-комунікаційних технологій та засобів управління 97 ПОРІВНЯЛЬНИЙ АНАЛІЗ КОМУТАТИВНИХ І НЕКОМУТАТИВНИХ КРИПТОГРАФІЧНИХ МОДЕЛЕЙ Фроленко В.О.Харківський національний університет радіоелектроніки, Харків, Україна Сухотеплий В.М.Харківський національний університет Повітряних Сил імені Івана Кожедуба, Харків, Україна Безпека цифрових даних та транзакцій є ключовою умовою розвитку сучасних інформаційних технологій.Традиційні криптографічні методи засновані на комутативних групах і довели свою ефективність, проте розвиток квантових обчислень ставить під сумнів їхню довгострокову стійкість.За таких умов зростає значення некомутативних криптографічних моделей, які пропонують нові можливості для анонімності та постквантової безпеки.Метою доповіді є порівняльний аналіз комутативних і некомутативних криптографічних моделей та оцінка їх доцільності для сучасних і постквантових цифрових систем.Комутативні криптографічні моделі ґрунтуються на структурах, де порядок виконання операцій не впливає на результат.Вони включають модульну арифметику, що використовується у RSA та ElGamal, і еліптичні криві, застосовані в ECDSA та EdDSA.Основною перевагою таких моделей є швидкодія, відносно невеликий розмір ключів і простота реалізації алгоритмів перевірки.Ці характеристики роблять комутативні моделі оптимальними для масового використання у сучасних системах.Водночас розвиток квантових алгоритмів, таких як алгоритм Шора, ставить під загрозу їхню стійкість, оскільки ці алгоритми здатні ефективно розв'язувати задачі дискретного логарифма та факторизації великих чисел, на яких базується безпека комутативних схем [1,2].Таким чином, хоча комутативні моделі залишаються швидкими та практичними, їхня криптографічна надійність у перспективі може знижуватися.Некомутаційні моделі базуються на структурах, де порядок виконання операцій критично важливий, що створює додатковий рівень обчислювальної складності [3,4].До таких структур належать групи кіс, матричні групи над некомутативними кільцями та групи перетворень із некомутативними операціями.Складність вирішення пов'язаних задач, таких як задача спряження або декомпозиції, забезпечує високий рівень стійкості до атак, включаючи потенційні квантові.Некомутативні моделі дозволяють реалізовувати анонімні цифрові підписи, що важливо для захисту приватності користувачів у блокчейн-мережах та системах електронного голосування.Перевага некомутативних моделей полягає не лише у стійкості до квантових атак, але й у здатності забезпечити анонімність підписантів у схемах кільцевих або групових підписів.Така анонімність стає критичною у фінансових системах і децентралізованих платформах, де конфіденційність користувачів є ключовою вимогою.Водночас недоліком таких моделей є