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

Гибридная квантово-классическая оптимизация задачи маршрутизации транспортных средств с учетом вместимости с использованием QAOA и QUBO

Akmal Akhatov, Fayzullo Makhmadiyarovich Nazarov, Nodir Rabimov

Published May 30, 2026• 0 citations
Publisher

Abstract

Данная работа описывает гибридную квантово-классическая систему для решения задачи маршрутизации транспортных средств с ограниченной вместимостью (CVRP) с использованием реальной распределительной сети в Самарканде, Узбекистан. Проблема формулируется как модель квадратичной неограниченной бинарной оптимизации (QUBO), а решение осуществляется с помощью квантового алгоритма приближенной оптимизации (QAOA) и квантового отжига D-Wave. Описана модульная программная архитектура, которая позволяет плавное выполнение на платформе IBM Quantum и платформе D-Wave. Эксперименты по тестированию для пользовательских экземпляров Самарканда и стандартных наборов данных CVRP показали, что гибридный решатель D-Wave дает на 1,86–2,34% лучшие решения, чем эвристики OR-Tools в средних экземплярах, воспроизводя точное качество решателя CPLEX.

DOI
10.5281/zenodo.20453982

Related papers

Оптимизация сетей квантового распределения ключей с помощью алгоритмов кластеризации

Evgeniy S. Razdyakonov, Sergey Alekseevich Korchagin, А.В. Тимошенко +1 more

Работа посвящена проблеме оптимизации сети квантового распределения ключей (КРК) путем объединения исходного набора конечных узлов на плоскости в небольшие сети доступа с топологией типа «звезда» с помощью алгоритмов кластеризации. В исследовании представлена модифицированная версия алгоритма k-medoids, учитывающая ограничение на максимальную длину соединения между парой узлов. Также была представлена новая неевклидова метрика оценки качества соединения на основе значения квантовой емкости, вычисляемая на основе физических свойств и длины оптоволоконного соединения. В статье проводилось сравнение работы данного алгоритма с использованием двух метрик: евклидовой нормы и представленной метрики оценки квантового соединения. Была проведена серия экспериментов по решению задачи кластеризации для множества наборов случайно распределенных на плоскости узлов. Оказалось, что применение неевклидовой метрики позволяет снизить количество кластеров на 11,7 % по сравнению с евклидовой нормой, а использование нескольких повторений на каждой итерации позволяет улучшить результат еще более чем на 20 %. Метод кластеризации и новая метрика, представленные в данной работе, позволяют уменьшить количество подсетей при разбиении, сократив затраты на организацию центральных узлов, а также позволяет в дальнейшем решать упрощенную задачу построения магистральной сети, объединяющую полученные подсети в одну сеть КРК. This paper is devoted to the problem of optimizing a quantum key distribution (QKD) network by combining an initial set of end nodes into small access networks with star-type topology using clustering algorithms. The study presents a modified version of the k-medoids algorithm that takes into account the constraint on the maximum quantum link length between a pair of nodes. A new non-Euclidean metric for link quality assessment based on the quantum capacitance value calculated based on the physical properties and length of the optical fiber link was also presented. The performance of the presented algorithm using two metrics, the Euclidean norm and the presented estimation metric, was then compared. A series of experiments were conducted to solve the clustering problem for multiple sets of nodes randomly distributed on the plane. It is found that the application of the presented non-Euclidean metric reduces the number of clusters by 11.7% compared to the Euclidean norm, and using multiple attempts at each iteration can improve the result by even more than 20%. The clustering method and the new metric presented in this paper allow us to reduce the number of subnets, reducing the cost of organizing central nodes, and also allows us to further solve the simplified problem of building a backbone network, combining the obtained subnets into a single QKD network.

Modelirovanie, optimizaciâ i informacionnye tehnologii.•Jul 1, 2025•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

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

Гибридный квантовый сопроцессор для персональных компьютеров

Роман Белоусов

О чём эта работа и почему она важна? Квантовые компьютеры обещают революцию в вычислениях, но до сих пор остаются гигантскими установками, доступными лишь избранным лабораториям. Идея запускать квантовые алгоритмы на обычном домашнем ПК звучит как фантастика — однако именно эту задачу решает представляемый препринт. Автор предлагает архитектуру компактного квантового сопроцессора, который вставляется в стандартный слот PCIe, не требует криогенного охлаждения и работает в тандеме с игровой видеокартой. Устройство использует настоящую физическую случайность (шум полупроводников) и наглядную акустическую интерференцию, чтобы впервые сделать «квантовость» осязаемой на рабочем столе. В чём принципиальная новизна? Главная инновация — гибридный подход, разделяющий вычислительные задачи. Квантовая эволюция (перемножение векторов состояния и матриц гейтов) — это чистая математика, которую на превосходном уровне выполняет современный графический процессор. А вот операция измерения, дающая случайный результат, требует истинной непредсказуемости, недостижимой для любого программного генератора псевдослучайных чисел. Сопроцессор берёт на себя именно эту роль: он содержит восемь независимых каналов физической энтропии на основе лавинного пробоя транзисторов, генерирующих тепловой шум, который по своей природе абсолютно случаен. Кроме того, на плате размещён миниатюрный акустический интерферометр — Y-образный волновод, где ультразвуковая волна частотой 40 кГц расщепляется на два плеча и интерферирует сама с собой. Меняя положение поршня в одном из плеч, мы физически поворачиваем вектор состояния кубита и наблюдаем интерференционную картину вживую — то есть получаем аналоговую реализацию однокубитных гейтов (Адамара, фазовых поворотов и т.д.). Таким образом, карта PCIe — это не просто акселератор, а настоящий физический сопроцессор, который «добавляет квантовости» в стандартную компьютерную систему. Как это работает технически? Устройство выполнено в виде полноразмерной платы PCIe x4 Gen3 размерами 240×111 мм и потребляет менее 25 Вт от слота. На плате расположены: · Восемь идентичных шумовых каналов: транзистор BC547 в обратном включении, ограничительный резистор и разделительный конденсатор; напряжение шума оцифровывается 24-битным АЦП ADS1256 и поступает в FPGA. · FPGA (Xilinx Artix-7) — мозг сопроцессора. Она принимает команды от хоста по шине PCIe, управляет сервоприводом поршня интерферометра, вычисляет скользящие медианы шумов, сравнивает сигнал с порогами и выдаёт готовые случайные биты результата измерения. · Акустический интерферометр из PETG-пластика (3D-печать) с парой ультразвуковых датчиков Murata MA40S4S/R, подвижным поршнем на микро-сервоприводе SG90 и сменной губкой для регулировки затухания. Сдвиг поршня на 4.3 мм изменяет разность фаз на π, переводя выход из конструктивной интерференции в деструктивную — точно так же, как поворот кубита на сфере Блоха переводит его из состояния |+⟩ в |−⟩. · Программный стек включает драйвер под Linux (UIO, mmap), библиотеку libqphi с простым API, и backend для Qiskit, благодаря которому стандартная квантовая программа начинает использовать физическую энтропию без изменения кода. Также реализован специализированный слой PyTorch, позволяющий задействовать истинный шум при обучении нейросетей. Когда GPU рассчитывает квантовую цепь, хост вычисляет вероятности всех исходов по правилу Борна и передаёт их в FPGA. Та преобразует вероятности в пороговые напряжения, снимает мгновенное значение шума и выдаёт бит 0 или 1 — честный коллапс волновой функции без всякой псевдослучайности. Какие алгоритмы можно запускать? Автор не ограничивается простым генератором случайных чисел. На этой архитектуре можно реализовать настоящие квантовые (и квантово-подобные) алгоритмы: · Квантовое эхо (Quantum Echo) — техника подавления декогеренции: применение прямой операции U, пауза, в течение которой действуют шумы, затем обратная операция U† и измерение восстановленного состояния. Карта позволяет менять длительность паузы и наблюдать экспоненциальный спад когерентности, а затем частично восстанавливать её — отличный инструмент для изучения декогеренции. · Стохастическая оптимизация — использование физического шума в градиентных методах (ланжевеновская динамика) для выхода из локальных минимумов при обучении нейросетей. · Вариационные квантовые алгоритмы (VQE, QAOA) — гибридный режим: GPU симулирует действие параметризованной квантовой цепи, рассчитывает ожидаемую энергию гамильтониана, а измерения на каждом шаге идут через физический источник. Классический оптимизатор на CPU подбирает параметры, минимизируя энергию. · Квантовые нейронные сети — вставка квантового слоя в классическую нейросеть (PyTorch-слой), где прямое распространение считается на GPU, а коллапс использует биты от сопроцессора; обратное распространение — через репараметризацию или REINFORCE. Что показали эксперименты? Изготовлены и протестированы макеты ключевых узлов. Запись миллиона отсчётов шума подтвердила гауссовость и отсутствие корреляций. Частота нулей при медианном пороге — 0.5002 (при 100 тыс. испытаний) — в идеальном согласии с равновероятным распределением. Интерферометр показал интерференционный контраст более 95%: при сдвиге поршня на половину длины волны амплитуда падала с 98% до 4% от максимальной. Совместный тест интерферометра с шумовым компаратором дал измеренные частоты 0.098, 0.251, 0.502, 0.748 и 0.903 для заданных вероятностей 0.10, 0.25, 0.50, 0.75 и 0.90 соответственно — все в пределах статистической погрешности. Почему это прорыв? Сегодня рынок квантовых вычислений поляризован: с одной стороны, многомиллионные квантовые компьютеры с криогенным охлаждением и очередями на доступ; с другой — быстрые, но лишённые физической достоверности программные симуляторы. Предлагаемый сопроцессор ломает эту дихотомию. Он даёт: · Истинную, физически неклонируемую случайность (класс TRNG), что критически важно для криптографии и доверенного ИИ. · Скорость многокубитной симуляции на локальном GPU (до 30 кубитов) с нулевой задержкой облака. · Наглядную демонстрацию квантовых эффектов, бесценную для образования и исследований. · Открытую архитектуру и совместимость с популярными фреймворками (Qiskit, PennyLane, PyTorch). · Цену, сопоставимую с видеокартой среднего класса (ориентировочно $500–800 в рознице), и работу при комнатной температуре. Ограничения и что дальше Конечно, акустический интерферометр — это только один кубит, а настоящая многочастичная запутанность здесь не создаётся; для многокубитных задач запутанность эмулируется на GPU, что не даёт экспоненциального квантового ускорения, но сохраняет корректную вероятностную статистику. Механический поршень чувствителен к вибрациям и требует периодической калибровки. Однако дорожная карта автора предусматривает переход на MEMS-фазовращатели (версия 2) и далее на интегрированные фотонные интерферометры (версия 3), что со временем сделает устройство полностью твердотельным. Кому это будет интересно? · Студентам и преподавателям, желающим без абстрактной математики увидеть суперпозицию и интерференцию своими глазами. · Исследователям в области доверенного ИИ, нуждающимся в аппаратном источнике истинной энтропии и байесовских оценках неопределённости. · Разработчикам квантовых алгоритмов, которым надоело ждать очереди в облачные QPU. · Энтузиастам и DIY-сообществу — повторить прототип можно в условиях домашней мастерской (3D-печать, пайка, программирование FPGA). Итог Препринт Белоусова Р.С. предлагает смелый и вместе с тем инженерно проработанный шаг к демократизации квантовых вычислений. Впервые идея «квантовой карты расширения» обретает конкретную схемотехническую и программную реализацию, а не остаётся умозрительной концепцией. Работа не обещает немедленного превосходства над суперкомпьютерами, но открывает совершенно новый класс устройств — персональные физически-стохастические сопроцессоры, которые могут стать столь же привычными, как видеокарты или звуковые адаптеры. И именно сейчас настало время, когда такой шаг стал технически возможным.

•Apr 27, 2026•0 citations

КРИПТОГРАФИЧЕСКИЕ ПОСЛЕДСТВИЯ КВАНТОВОГО АЛГОРИТМА НАХОЖДЕНИЯ СКРЫТОГО СДВИГА

Мухамедиева Д.Т., Раупова М.Х., Тагаев Ф.А.

Современные квантовые вычисления демонстрируют способность решать задачи, лежащие в основе классической криптографии, с экспоненциальным ускорением. В данной работе рассматривается квантовый алгоритм нахождения скрытого сдвига — задачи, связанной с восстановлением неизвестного параметра s в функции вида . Показано, что использование квантового преобразования Фурье (QFT) позволяет находить скрытый сдвиг за операций, тогда как классический подход требует не менее ) запросов. Проведена реализация алгоритма в среде Qiskit и выполнено моделирование на квантовом симуляторе. Результаты измерений подтверждают правильность определения скрытого сдвига и демонстрируют экспоненциальное преимущество квантового метода. Обсуждаются криптографические угрозы, связанные с данным алгоритмом, и необходимость разработки постквантовых защитных механизмов.

•Dec 13, 2025•0 citations

ЗАМКНУТЫЕ КЛАССЫ ТРЁХЗНАЧНОЙ ЛОГИКИ КАК ИНСТРУМЕНТ СИНТЕЗА КВАНТОВЫХ QUTRIT-КАНАЛОВ

Anton A. Esin, Elmira Yu. Kalimulina

В докладе рассматривается перенос решётки замкнутых классов трёхзначной логики в модель квантовых каналов трёхуровневых систем. Работа опирается на более ранние результаты авторов по многозначной логике [1-3]. Показано, что сохранение популяций двух нижних уровней приводит ровно к пяти предполным подклассам каналов. Обсуждены практические следствия для квантового распределения ключей и сетевого кодирования.

Международная Звенигородская конференция по физике плазмы и управляемому термоядерному синтезу•Jun 30, 2026•0 citations
Данная работа описывает гибридную квантово-классическая систему для решения задачи маршрутизации транспортных средств с ограниченной вместимостью (CVRP) с использованием реальной распределительной сети в Самарканде, Узбекистан. Проблема формулируется как модель квадратичной неограниченной бинарной оптимизации (QUBO), а решение осуществляется с помощью квантового алгоритма приближенной оптимизации (QAOA) и квантового отжига D-Wave. Описана модульная программная архитектура, которая позволяет плавное выполнение на платформе IBM Quantum и платформе D-Wave. Эксперименты по тестированию для пользовательских экземпляров Самарканда и стандартных наборов данных CVRP показали, что гибридный решатель D-Wave дает на 1,86–2,34% лучшие решения, чем эвристики OR-Tools в средних экземплярах, воспроизводя точное качество решателя CPLEX.
Работа посвящена проблеме оптимизации сети квантового распределения ключей (КРК) путем объединения исходного набора конечных узлов на плоскости в небольшие сети доступа с топологией типа «звезда» с помощью алгоритмов кластеризации. В исследовании представлена модифицированная версия алгоритма k-medoids, учитывающая ограничение на максимальную длину соединения между парой узлов. Также была представлена новая неевклидова метрика оценки качества соединения на основе значения квантовой емкости, вычисляемая на основе физических свойств и длины оптоволоконного соединения. В статье проводилось сравнение работы данного алгоритма с использованием двух метрик: евклидовой нормы и представленной метрики оценки квантового соединения. Была проведена серия экспериментов по решению задачи кластеризации для множества наборов случайно распределенных на плоскости узлов. Оказалось, что применение неевклидовой метрики позволяет снизить количество кластеров на 11,7 % по сравнению с евклидовой нормой, а использование нескольких повторений на каждой итерации позволяет улучшить результат еще более чем на 20 %. Метод кластеризации и новая метрика, представленные в данной работе, позволяют уменьшить количество подсетей при разбиении, сократив затраты на организацию центральных узлов, а также позволяет в дальнейшем решать упрощенную задачу построения магистральной сети, объединяющую полученные подсети в одну сеть КРК. This paper is devoted to the problem of optimizing a quantum key distribution (QKD) network by combining an initial set of end nodes into small access networks with star-type topology using clustering algorithms. The study presents a modified version of the k-medoids algorithm that takes into account the constraint on the maximum quantum link length between a pair of nodes. A new non-Euclidean metric for link quality assessment based on the quantum capacitance value calculated based on the physical properties and length of the optical fiber link was also presented. The performance of the presented algorithm using two metrics, the Euclidean norm and the presented estimation metric, was then compared. A series of experiments were conducted to solve the clustering problem for multiple sets of nodes randomly distributed on the plane. It is found that the application of the presented non-Euclidean metric reduces the number of clusters by 11.7% compared to the Euclidean norm, and using multiple attempts at each iteration can improve the result by even more than 20%. The clustering method and the new metric presented in this paper allow us to reduce the number of subnets, reducing the cost of organizing central nodes, and also allows us to further solve the simplified problem of building a backbone network, combining the obtained subnets into a single QKD network.
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
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.
О чём эта работа и почему она важна? Квантовые компьютеры обещают революцию в вычислениях, но до сих пор остаются гигантскими установками, доступными лишь избранным лабораториям. Идея запускать квантовые алгоритмы на обычном домашнем ПК звучит как фантастика — однако именно эту задачу решает представляемый препринт. Автор предлагает архитектуру компактного квантового сопроцессора, который вставляется в стандартный слот PCIe, не требует криогенного охлаждения и работает в тандеме с игровой видеокартой. Устройство использует настоящую физическую случайность (шум полупроводников) и наглядную акустическую интерференцию, чтобы впервые сделать «квантовость» осязаемой на рабочем столе. В чём принципиальная новизна? Главная инновация — гибридный подход, разделяющий вычислительные задачи. Квантовая эволюция (перемножение векторов состояния и матриц гейтов) — это чистая математика, которую на превосходном уровне выполняет современный графический процессор. А вот операция измерения, дающая случайный результат, требует истинной непредсказуемости, недостижимой для любого программного генератора псевдослучайных чисел. Сопроцессор берёт на себя именно эту роль: он содержит восемь независимых каналов физической энтропии на основе лавинного пробоя транзисторов, генерирующих тепловой шум, который по своей природе абсолютно случаен. Кроме того, на плате размещён миниатюрный акустический интерферометр — Y-образный волновод, где ультразвуковая волна частотой 40 кГц расщепляется на два плеча и интерферирует сама с собой. Меняя положение поршня в одном из плеч, мы физически поворачиваем вектор состояния кубита и наблюдаем интерференционную картину вживую — то есть получаем аналоговую реализацию однокубитных гейтов (Адамара, фазовых поворотов и т.д.). Таким образом, карта PCIe — это не просто акселератор, а настоящий физический сопроцессор, который «добавляет квантовости» в стандартную компьютерную систему. Как это работает технически? Устройство выполнено в виде полноразмерной платы PCIe x4 Gen3 размерами 240×111 мм и потребляет менее 25 Вт от слота. На плате расположены: · Восемь идентичных шумовых каналов: транзистор BC547 в обратном включении, ограничительный резистор и разделительный конденсатор; напряжение шума оцифровывается 24-битным АЦП ADS1256 и поступает в FPGA. · FPGA (Xilinx Artix-7) — мозг сопроцессора. Она принимает команды от хоста по шине PCIe, управляет сервоприводом поршня интерферометра, вычисляет скользящие медианы шумов, сравнивает сигнал с порогами и выдаёт готовые случайные биты результата измерения. · Акустический интерферометр из PETG-пластика (3D-печать) с парой ультразвуковых датчиков Murata MA40S4S/R, подвижным поршнем на микро-сервоприводе SG90 и сменной губкой для регулировки затухания. Сдвиг поршня на 4.3 мм изменяет разность фаз на π, переводя выход из конструктивной интерференции в деструктивную — точно так же, как поворот кубита на сфере Блоха переводит его из состояния |+⟩ в |−⟩. · Программный стек включает драйвер под Linux (UIO, mmap), библиотеку libqphi с простым API, и backend для Qiskit, благодаря которому стандартная квантовая программа начинает использовать физическую энтропию без изменения кода. Также реализован специализированный слой PyTorch, позволяющий задействовать истинный шум при обучении нейросетей. Когда GPU рассчитывает квантовую цепь, хост вычисляет вероятности всех исходов по правилу Борна и передаёт их в FPGA. Та преобразует вероятности в пороговые напряжения, снимает мгновенное значение шума и выдаёт бит 0 или 1 — честный коллапс волновой функции без всякой псевдослучайности. Какие алгоритмы можно запускать? Автор не ограничивается простым генератором случайных чисел. На этой архитектуре можно реализовать настоящие квантовые (и квантово-подобные) алгоритмы: · Квантовое эхо (Quantum Echo) — техника подавления декогеренции: применение прямой операции U, пауза, в течение которой действуют шумы, затем обратная операция U† и измерение восстановленного состояния. Карта позволяет менять длительность паузы и наблюдать экспоненциальный спад когерентности, а затем частично восстанавливать её — отличный инструмент для изучения декогеренции. · Стохастическая оптимизация — использование физического шума в градиентных методах (ланжевеновская динамика) для выхода из локальных минимумов при обучении нейросетей. · Вариационные квантовые алгоритмы (VQE, QAOA) — гибридный режим: GPU симулирует действие параметризованной квантовой цепи, рассчитывает ожидаемую энергию гамильтониана, а измерения на каждом шаге идут через физический источник. Классический оптимизатор на CPU подбирает параметры, минимизируя энергию. · Квантовые нейронные сети — вставка квантового слоя в классическую нейросеть (PyTorch-слой), где прямое распространение считается на GPU, а коллапс использует биты от сопроцессора; обратное распространение — через репараметризацию или REINFORCE. Что показали эксперименты? Изготовлены и протестированы макеты ключевых узлов. Запись миллиона отсчётов шума подтвердила гауссовость и отсутствие корреляций. Частота нулей при медианном пороге — 0.5002 (при 100 тыс. испытаний) — в идеальном согласии с равновероятным распределением. Интерферометр показал интерференционный контраст более 95%: при сдвиге поршня на половину длины волны амплитуда падала с 98% до 4% от максимальной. Совместный тест интерферометра с шумовым компаратором дал измеренные частоты 0.098, 0.251, 0.502, 0.748 и 0.903 для заданных вероятностей 0.10, 0.25, 0.50, 0.75 и 0.90 соответственно — все в пределах статистической погрешности. Почему это прорыв? Сегодня рынок квантовых вычислений поляризован: с одной стороны, многомиллионные квантовые компьютеры с криогенным охлаждением и очередями на доступ; с другой — быстрые, но лишённые физической достоверности программные симуляторы. Предлагаемый сопроцессор ломает эту дихотомию. Он даёт: · Истинную, физически неклонируемую случайность (класс TRNG), что критически важно для криптографии и доверенного ИИ. · Скорость многокубитной симуляции на локальном GPU (до 30 кубитов) с нулевой задержкой облака. · Наглядную демонстрацию квантовых эффектов, бесценную для образования и исследований. · Открытую архитектуру и совместимость с популярными фреймворками (Qiskit, PennyLane, PyTorch). · Цену, сопоставимую с видеокартой среднего класса (ориентировочно $500–800 в рознице), и работу при комнатной температуре. Ограничения и что дальше Конечно, акустический интерферометр — это только один кубит, а настоящая многочастичная запутанность здесь не создаётся; для многокубитных задач запутанность эмулируется на GPU, что не даёт экспоненциального квантового ускорения, но сохраняет корректную вероятностную статистику. Механический поршень чувствителен к вибрациям и требует периодической калибровки. Однако дорожная карта автора предусматривает переход на MEMS-фазовращатели (версия 2) и далее на интегрированные фотонные интерферометры (версия 3), что со временем сделает устройство полностью твердотельным. Кому это будет интересно? · Студентам и преподавателям, желающим без абстрактной математики увидеть суперпозицию и интерференцию своими глазами. · Исследователям в области доверенного ИИ, нуждающимся в аппаратном источнике истинной энтропии и байесовских оценках неопределённости. · Разработчикам квантовых алгоритмов, которым надоело ждать очереди в облачные QPU. · Энтузиастам и DIY-сообществу — повторить прототип можно в условиях домашней мастерской (3D-печать, пайка, программирование FPGA). Итог Препринт Белоусова Р.С. предлагает смелый и вместе с тем инженерно проработанный шаг к демократизации квантовых вычислений. Впервые идея «квантовой карты расширения» обретает конкретную схемотехническую и программную реализацию, а не остаётся умозрительной концепцией. Работа не обещает немедленного превосходства над суперкомпьютерами, но открывает совершенно новый класс устройств — персональные физически-стохастические сопроцессоры, которые могут стать столь же привычными, как видеокарты или звуковые адаптеры. И именно сейчас настало время, когда такой шаг стал технически возможным.
Современные квантовые вычисления демонстрируют способность решать задачи, лежащие в основе классической криптографии, с экспоненциальным ускорением. В данной работе рассматривается квантовый алгоритм нахождения скрытого сдвига — задачи, связанной с восстановлением неизвестного параметра s в функции вида . Показано, что использование квантового преобразования Фурье (QFT) позволяет находить скрытый сдвиг за операций, тогда как классический подход требует не менее ) запросов. Проведена реализация алгоритма в среде Qiskit и выполнено моделирование на квантовом симуляторе. Результаты измерений подтверждают правильность определения скрытого сдвига и демонстрируют экспоненциальное преимущество квантового метода. Обсуждаются криптографические угрозы, связанные с данным алгоритмом, и необходимость разработки постквантовых защитных механизмов.
В докладе рассматривается перенос решётки замкнутых классов трёхзначной логики в модель квантовых каналов трёхуровневых систем. Работа опирается на более ранние результаты авторов по многозначной логике [1-3]. Показано, что сохранение популяций двух нижних уровней приводит ровно к пяти предполным подклассам каналов. Обсуждены практические следствия для квантового распределения ключей и сетевого кодирования.