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

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

Адилова Фатима Туичиевна, 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

Разработка и исследование алгоритма обратного распространения ошибки для квантовой сети

С.М. Гушанский, В.С. Потапов

В работе рассматривается алгоритм обратного распространения ошибки, адаптированного для квантовых нейронных сетей. Основное внимание уделено разработке и модификации традиционного метода обратного распространения ошибки для его применения в условиях квантовой природы данных. Анализируются теоретические аспекты, связанные с квантовыми состояниями,суперпозицией и запутанностью, а также их влияние на эффективность и корректность обучения квантовых сетей. Обоснована актуальность математического алгоритма, включая использование матриц плотности и квантовых операторов для описания и оптимизации параметров сети. Проведено экспериментальное моделирование предложенного подхода на наборах квантовых данных, которое показало высокую точность и стабильность предложенного метода. Обсуждаются ограничения алгоритма, связанные с шумами в квантовых системах и вычислительными затратами при увеличении числа кубитов. Полученные результаты демонстрируют потенциал применения разработанного алгоритма для задач оптимизации и обучения квантовых моделей, что открывает новые перспективы для дальнейшего развития квантового машинного обучения и создания гибридных классико-квантовых алгоритмов. The paper considers the algorithm of error back propagation adapted for quantum neural networks. The main attention is paid to the development and modification of the traditional method of error back propagation for its application in conditions of quantum nature of data. Theoretical aspects related to quantum states, superposition and entanglement, as well as their influence on the efficiency and correctness of training of quantum networks are analyzed. The relevance of the mathematical algorithm,including the use of density matrices and quantum operators to describe and optimize the network parameters, is substantiated. Experimental modeling of the proposed approach on quantum data sets is carried out, which showed high accuracy and stability of the proposed method. The limitations of the algorithm related to noise in quantum systems and computational costs with increasing number of qubits are discussed. The results demonstrate the potential of the developed algorithm for optimization and training of quantum models, which opens new perspectives for further development of quantum machine learning and creation of hybrid classical-quantum algorithms.

Вестник Адыгейского государственного университета серия «Естественно-математические и технические науки»•Feb 24, 2025•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.
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.
В работе рассматривается алгоритм обратного распространения ошибки, адаптированного для квантовых нейронных сетей. Основное внимание уделено разработке и модификации традиционного метода обратного распространения ошибки для его применения в условиях квантовой природы данных. Анализируются теоретические аспекты, связанные с квантовыми состояниями,суперпозицией и запутанностью, а также их влияние на эффективность и корректность обучения квантовых сетей. Обоснована актуальность математического алгоритма, включая использование матриц плотности и квантовых операторов для описания и оптимизации параметров сети. Проведено экспериментальное моделирование предложенного подхода на наборах квантовых данных, которое показало высокую точность и стабильность предложенного метода. Обсуждаются ограничения алгоритма, связанные с шумами в квантовых системах и вычислительными затратами при увеличении числа кубитов. Полученные результаты демонстрируют потенциал применения разработанного алгоритма для задач оптимизации и обучения квантовых моделей, что открывает новые перспективы для дальнейшего развития квантового машинного обучения и создания гибридных классико-квантовых алгоритмов. The paper considers the algorithm of error back propagation adapted for quantum neural networks. The main attention is paid to the development and modification of the traditional method of error back propagation for its application in conditions of quantum nature of data. Theoretical aspects related to quantum states, superposition and entanglement, as well as their influence on the efficiency and correctness of training of quantum networks are analyzed. The relevance of the mathematical algorithm,including the use of density matrices and quantum operators to describe and optimize the network parameters, is substantiated. Experimental modeling of the proposed approach on quantum data sets is carried out, which showed high accuracy and stability of the proposed method. The limitations of the algorithm related to noise in quantum systems and computational costs with increasing number of qubits are discussed. The results demonstrate the potential of the developed algorithm for optimization and training of quantum models, which opens new perspectives for further development of quantum machine learning and creation of hybrid classical-quantum algorithms.
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.