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 Программные продукты и системы

Применение квантованных моделей машинного обучения для встраиваемых систем в реальных задачах

А В Ачкасов, Alexander Yagodkin, Макаренко Филипп Владимирович, Ph. V. Makarenko

Published Mar 12, 2026• 0 citations
Publisher
DOI
10.15827/0236-235x.153.070-079

Related papers

О точном решении четырехрядной матрицы, отвечающей уравнениям в вариациях для ультравторично квантованных задач

Д.С. Голиков, Виктор Павлович Маслов, Victor Pavlovich Maslov

Математические заметки•Jan 1, 2008•6 citations

Квантовая перспектива машинного обучения: обзор

Pavel A. Golovinski

Машинное обучение в сочетании с квантовыми технологиями породило новое научное направление, получившее название «квантовое машинное обучение» (QML). В QML реализуется квантовое превосходство за счет большей емкости представления данных квантовыми состояниями, по сравнению с классическим двоичным кодированием, и использования квантового параллелизма. Важным стимулом к развитию QML является прогресс в квантовых вычислениях и создание нанопроцессоров, в которых квантовые эффекты становятся неотъемлемой частью их функционирования. QML позволяет непосредственно оперировать с квантовыми данными при их измерении и в процессах управления квантовыми системами. В обзоре рассматривается общий статистический метод, на котором базируется традиционное машинное обучение. Для него характерно использование принципа максимального правдоподобия и байесовского подхода к оценке больших данных. Требование увеличения быстродействия и снижения потребления энергии приводит к квантовой постановке задачи машинного обучения на основе статистической теории квантовых измерений, которая является обобщением классического статистического подхода. Особенностью квантовых систем является их описание на основе амплитуд вероятностей, что приводит к явлениям интерференции, отсутствующим в классических вероятностных моделях. Наиболее общий способ представления квантовых состояний дает метод матрицы плотности. Процесс измерения квантового состояния является статистическим, т.е. требует проведения измерения над квантовым ансамблем. В результате отдельного измерения квантовая система случайным образом скачком переходит в новое состояние. Для построения систем машинного обучения вводится понятие расстояния между квантовыми данными для чистых и смешанных состояний и определяется вероятность их различения. Обсуждаются принципы построения линейных и нелинейных моделей QML и их основные разновидности. Показана перспективность резервуарного и экстремального квантового машинного обучения, в котором смешение амплитуд, вводимых в систему, производится за счет использования случайных гамильтонианов. Обсуждаются возможности физической реализации QML. Предложен подход к построению квантовой машины экстремального обучения путем формирования спектрального отклика ансамбля квантовых точек на модулированный по времени входной внешний сигнал. Сформулированные базовые представления и принципы QML, а также способ реализации квантового резервуара с временным кодированием сигнала на основе оптического отклика создают базу для развития новых квантовых моделей и устройств, основанных на современных достижениях квантовых технологий и нанооптики.

Вестник ВГУ Серия Системный анализ и информационные технологии•May 12, 2025•0 citations

Квантальные многомерные модели регрессий, основанные на нелинейных дифференциальных уравнениях

Орлова Е. С., Орлова Е. С.

•Jan 1, 2012•0 citations

Исследование различных мод работы сверхпроводникового детектора микроволнового излучения сверхмалых размеров

И.А. Девятов, П.А. Крутицкий, М.Ю. Куприянов

Письма в Журнал экспериментальной и теоретической физики•Jan 1, 2006•0 citations

Application of machine learning methods to optimize quantum algorithms in cryptographic analysis tasks

T. Zhuo

In recent years, quantum computing has attracted considerable attention due to its potential to solve complex problems inaccessible to classical computers. One of the priority areas of application of quantum algorithms is cryptographic analysis, since quantum computers are able to effectively crack widely used cryptosystems such as RSA and ECC. However, the development of quantum algorithms faces a number of difficulties related to optimizing their structure and parameters. This study examines the application of machine learning (ML) methods to improve the efficiency of quantum algorithms in cryptographic analysis tasks. To achieve this goal, hybrid quantum-classical approaches were used, combining the advantages of quantum computing and machine learning. Learning algorithms with and without a teacher were used to automatically adjust the parameters of quantum algorithms, including noise reduction and optimization parameters. The research was based on simulation of quantum operations on simulators and testing on real quantum processors. The use of machine learning methods made it possible to reduce the execution time of quantum algorithms by 20-30% while maintaining the accuracy of the result. In addition, learning optimization has reduced the need for quantum resources, such as the number of gates, which opens up opportunities for performing complex tasks on quantum devices with limited power. The use of such approaches has been demonstrated by the example of cryptographic analysis of the Shor algorithm. The results obtained show the effectiveness of integrating machine learning methods into the process of developing quantum algorithms. This opens up prospects for further research aimed at creating more powerful tools for cryptanalysis and other tasks. The study proves the feasibility of using machine learning to optimize quantum algorithms, improving their performance and expanding the scope of possible applications, including cryptographic analysis. В последние годы квантовые вычисления привлекают значительное внимание из-за своего потенциала решения сложных задач, недоступных классическим компьютерам. Одной из приоритетных областей применения квантовых алгоритмов является криптографический анализ, поскольку квантовые компьютеры способны эффективно взламывать такие широко используемые криптосистемы, как RSA и ECC. Однако разработка квантовых алгоритмов сталкивается с рядом трудностей, связанных с оптимизацией их структуры и параметров. В данном исследовании рассматривается применение методов машинного обучения (МО) для повышения эффективности квантовых алгоритмов в задачах криптографического анализа. Для достижения этой цели были использованы гибридные квантово-классические подходы, объединяющие преимущества квантовых вычислений и машинного обучения. Для автоматической настройки параметров квантовых алгоритмов, включая параметры шумоподавления и оптимизации, использовались алгоритмы обучения с учителем и без него. Исследование проводилось на основе моделирования квантовых операций на симуляторах и тестирования на реальных квантовых процессорах. Использование методов машинного обучения позволило сократить время выполнения квантовых алгоритмов на 20-30% при сохранении точности результата. Кроме того, оптимизация обучения снизила потребность в квантовых ресурсах, таких как количество вентилей, что открывает возможности для выполнения сложных задач на квантовых устройствах с ограниченной мощностью. Использование таких подходов продемонстрировано на примере криптографического анализа алгоритма Шора. Полученные результаты показывают эффективность интеграции методов машинного обучения в процесс разработки квантовых алгоритмов. Это открывает перспективы для дальнейших исследований, направленных на создание более мощных инструментов для криптоанализа и других задач. Исследование доказывает целесообразность использования машинного обучения для оптимизации квантовых алгоритмов, повышения их производительности и расширения сферы возможных приложений, включая криптографический анализ.

Environmental management issues•Aug 15, 2024•0 citations

Основные формулы для многомерного действительного спинора и алгебраическая модель квантованных волновых полей.

G. A. Zaĭt︠s︡ev

Доклады Академии наук•Jan 1, 1964•2 citations
Машинное обучение в сочетании с квантовыми технологиями породило новое научное направление, получившее название «квантовое машинное обучение» (QML). В QML реализуется квантовое превосходство за счет большей емкости представления данных квантовыми состояниями, по сравнению с классическим двоичным кодированием, и использования квантового параллелизма. Важным стимулом к развитию QML является прогресс в квантовых вычислениях и создание нанопроцессоров, в которых квантовые эффекты становятся неотъемлемой частью их функционирования. QML позволяет непосредственно оперировать с квантовыми данными при их измерении и в процессах управления квантовыми системами. В обзоре рассматривается общий статистический метод, на котором базируется традиционное машинное обучение. Для него характерно использование принципа максимального правдоподобия и байесовского подхода к оценке больших данных. Требование увеличения быстродействия и снижения потребления энергии приводит к квантовой постановке задачи машинного обучения на основе статистической теории квантовых измерений, которая является обобщением классического статистического подхода. Особенностью квантовых систем является их описание на основе амплитуд вероятностей, что приводит к явлениям интерференции, отсутствующим в классических вероятностных моделях. Наиболее общий способ представления квантовых состояний дает метод матрицы плотности. Процесс измерения квантового состояния является статистическим, т.е. требует проведения измерения над квантовым ансамблем. В результате отдельного измерения квантовая система случайным образом скачком переходит в новое состояние. Для построения систем машинного обучения вводится понятие расстояния между квантовыми данными для чистых и смешанных состояний и определяется вероятность их различения. Обсуждаются принципы построения линейных и нелинейных моделей QML и их основные разновидности. Показана перспективность резервуарного и экстремального квантового машинного обучения, в котором смешение амплитуд, вводимых в систему, производится за счет использования случайных гамильтонианов. Обсуждаются возможности физической реализации QML. Предложен подход к построению квантовой машины экстремального обучения путем формирования спектрального отклика ансамбля квантовых точек на модулированный по времени входной внешний сигнал. Сформулированные базовые представления и принципы QML, а также способ реализации квантового резервуара с временным кодированием сигнала на основе оптического отклика создают базу для развития новых квантовых моделей и устройств, основанных на современных достижениях квантовых технологий и нанооптики.
In recent years, quantum computing has attracted considerable attention due to its potential to solve complex problems inaccessible to classical computers. One of the priority areas of application of quantum algorithms is cryptographic analysis, since quantum computers are able to effectively crack widely used cryptosystems such as RSA and ECC. However, the development of quantum algorithms faces a number of difficulties related to optimizing their structure and parameters. This study examines the application of machine learning (ML) methods to improve the efficiency of quantum algorithms in cryptographic analysis tasks. To achieve this goal, hybrid quantum-classical approaches were used, combining the advantages of quantum computing and machine learning. Learning algorithms with and without a teacher were used to automatically adjust the parameters of quantum algorithms, including noise reduction and optimization parameters. The research was based on simulation of quantum operations on simulators and testing on real quantum processors. The use of machine learning methods made it possible to reduce the execution time of quantum algorithms by 20-30% while maintaining the accuracy of the result. In addition, learning optimization has reduced the need for quantum resources, such as the number of gates, which opens up opportunities for performing complex tasks on quantum devices with limited power. The use of such approaches has been demonstrated by the example of cryptographic analysis of the Shor algorithm. The results obtained show the effectiveness of integrating machine learning methods into the process of developing quantum algorithms. This opens up prospects for further research aimed at creating more powerful tools for cryptanalysis and other tasks. The study proves the feasibility of using machine learning to optimize quantum algorithms, improving their performance and expanding the scope of possible applications, including cryptographic analysis. В последние годы квантовые вычисления привлекают значительное внимание из-за своего потенциала решения сложных задач, недоступных классическим компьютерам. Одной из приоритетных областей применения квантовых алгоритмов является криптографический анализ, поскольку квантовые компьютеры способны эффективно взламывать такие широко используемые криптосистемы, как RSA и ECC. Однако разработка квантовых алгоритмов сталкивается с рядом трудностей, связанных с оптимизацией их структуры и параметров. В данном исследовании рассматривается применение методов машинного обучения (МО) для повышения эффективности квантовых алгоритмов в задачах криптографического анализа. Для достижения этой цели были использованы гибридные квантово-классические подходы, объединяющие преимущества квантовых вычислений и машинного обучения. Для автоматической настройки параметров квантовых алгоритмов, включая параметры шумоподавления и оптимизации, использовались алгоритмы обучения с учителем и без него. Исследование проводилось на основе моделирования квантовых операций на симуляторах и тестирования на реальных квантовых процессорах. Использование методов машинного обучения позволило сократить время выполнения квантовых алгоритмов на 20-30% при сохранении точности результата. Кроме того, оптимизация обучения снизила потребность в квантовых ресурсах, таких как количество вентилей, что открывает возможности для выполнения сложных задач на квантовых устройствах с ограниченной мощностью. Использование таких подходов продемонстрировано на примере криптографического анализа алгоритма Шора. Полученные результаты показывают эффективность интеграции методов машинного обучения в процесс разработки квантовых алгоритмов. Это открывает перспективы для дальнейших исследований, направленных на создание более мощных инструментов для криптоанализа и других задач. Исследование доказывает целесообразность использования машинного обучения для оптимизации квантовых алгоритмов, повышения их производительности и расширения сферы возможных приложений, включая криптографический анализ.