Модели квантового «сильного» вычислительного интеллекта и квантовых нейронных сетей глубокого обучения: платформа интеллектуального управления промышленными роботизированными социотехническими системами
Автор: Капков Р.Ю., Тятюшкина О.Ю., Ульянов С.В.
Журнал: Сетевое научное издание «Системный анализ в науке и образовании» @journal-sanse
Рубрика: Современные проблемы информатики и управления
Статья в выпуске: 3, 2024 года.
Бесплатный доступ
Рассмотрены принципы и методы построения моделей квантового «сильного» вычислительного интеллекта на основе инструментария квантового глубокого обучения с применением квантовых нейронных сетей и квантового генетического алгоритма. Обсуждаются дополнительные особенности моделей квантового перцептрона и модели инженерии квантового глубокого обучения при применении инструментария оптимизации баз знаний интеллектуальных регуляторов на основе QCOptKBTM в задачах квантового интеллектуального управления роботизированными социотехническими системами в проектах «Индустрия 4.0 / 5.0 /6.0». Описание особенностей квантового глубокого обучения позволяет точнее и глубже освоить возможности инструментария QCOptKBTM, который включает в себя этапы обучения и извлечения (из исходных данных) сигнала обучения за счет инструментария SCOptKBTM на технологии мягких вычислений, и далее рассматривается как классические данные. За счет операторов квантовых вычислений классические данные кодируются кубитами, осуществляется оптимальный выбор квантовой корреляции между искомыми решениями и применением конструктивной интерференции извлекается искомый результат путем измерения. Таким образом, разработанный интеллектуальный инструментарий SCOptKBTM и QCOptKBTM включает принципы квантового глубокого обучения, и также как в случае технологии мягких вычислений, формирует оптимальную структуру теперь квантовой нейронной сети, а за счет применения квантового генетического алгоритма ускоряет поиск искомого решения.
Роботизированные социотехнические производственные системы, индустрия 5.0, квантовые сквозные ит, квантовая программная инженерия, квантовый «сильный» вычислительный интеллект, квантовые нейронные сети глубокого обучения
Короткий адрес: https://sciup.org/14131645
IDR: 14131645 | УДК: 512.6,
Models of quantum «strong» computational intelligence and quantum neural networks of deep learning: platform for intelligent control of industrial robotic sociotechnical systems
The principles and methods of quantum «strong» computational intelligence model’s design based on the tools of quantum deep learning applying quantum neural networks and a quantum genetic algorithm are considered. Additional features of quantum perceptron models and quantum deep learning engineering models are discussed when using QCOptKBTM - knowledge base optimization toolkit for intelligent controllers in the tasks of quantum intelligent control of robotic sociotechnical systems in projects «Industry 4.0 / 5.0 /6.0». The description of the features of quantum deep learning allows to more accurately and deeply master the capabilities of the QCOptKBTM toolkit, which includes the stages of learning and extracting (from source data) a learning signal using the SCOptKBTM toolkit based on soft computing technology, and is further considered as classical data. Due to quantum computing operators, classical data is encoded by qubits, the optimal choice of quantum correlation between the desired solutions and the use of constructive interference is made, the desired result is extracted by measurement. Thus, the developed intelligent SCOptKBTM and QCOptKBTM tools include the principles of quantum deep learning, and, as in the case of soft computing technology, forms the optimal structure of the new quantum neural network, and through the use of a quantum genetic algorithm accelerates the search for the desired solution.
Список литературы Модели квантового «сильного» вычислительного интеллекта и квантовых нейронных сетей глубокого обучения: платформа интеллектуального управления промышленными роботизированными социотехническими системами
- Physical limits and information bounds of micro control. Part 2: Quantum soft computing and quan-tum searching algorithms / S. V. Ulyanov [et al.] // Proceedings of the 1998 International Symposium on Micromechatronics and Human Scienc (MHS’98). Nagoya, Japan. – 1998. – Pp. 217-224. – DOI: 10.1109/MHS.1998.745785.
- Information analysis of quantum gates for simulation of quantum algorithms on classical computers / S. V. Ulyanov [et al.] // International Conference on Quantum Communication, Measurements and Computing (QCM&C’2000). – Capri. Italy, 2000. KluwerAcad. PlenumPubl. – 2001. – pp. 207-214.
- Ulyanov S. V., Litvintseva L. V., Hagiwara T. Design of self-organized intelligent control systems based on quantum fuzzy inference: intelligent system of systems engineering approach // IEEE Inter-national Conference on System, Man and Cybernetics (SMC’2005). – Hawaii, USA, 2005. – Vol. 4. – Pp. 3835-3840. – DOI: 10.1109/ICSMC.2005.1571744.
- Valdez F., Melin P. A review on quantum computing and deep learning algorithms and their applica-tions // Soft Computing. – Springer-Verlag GmbH Germany, part of Springer Nature, 2022. – DOI: 10.1007/s00500-022-07037-4 (published online: 07 April 2022).
- Ulyanov S.V. Quantum Soft Computing in Control Process Design: Quantum Genetic Algorithms and Quantum Neural Network Approaches // Proceedings World Automation Congress, Fifth Intern. Sym-posium on Soft Computing for Industry. – Seville, Spain June 28th-July 1st, 2004 (paper No ISSCI028).
- Quantum machine learning for chemistry and physics / M. Sajjan [et al.] // Chem Soc Rev. – 2022. – Vol. 51. – Pp. 6475-6573. – DOI: 10.1039/d2cs00203e.
- A Quantum Neural Network-Based Approach to Power Quality Disturbances Detection and Recogni-tion / D.-G. Li [et al.] // arXive.org e-Print archive. – arXiv:2406.03081v1 [quant-ph] 5 Jun 2024.
- Huang H-Y., Kueng R., Preskill J. Information-theoretic bounds on quantum advantage in machine learning // arXive.org e-Print archive. – arXiv:2101.02464v1 [quant-ph] 7 Jan 2021.
- Synergy of machine learning with quantum computing and communication / Debasmita Bhoumik, Susmita Sur-Kolay, Latesh Kumar K. J., Sundaraja Sitharama Iyengar // arXive.org e-Print archive. – arXiv:2310.03434v1 [quant-ph] 5 Oct 2023.
- A General Approach to Dropout in Quantum Neural Networks / F. Scala, A. Ceschini, M. Panella, D. Gerace // arXive.org e-Print archive. – arXiv:2310.04120v1 [quant-ph] 6 Oct 2023.
- A Survey on Quantum Machine Learning: Current Trends, Challenges, Opportunities, and the Road Ahead / Kamila Zaman, Alberto Marchisio, Muhammad Abdullah Hanif, Muhammad Shafique // arX-ive.org e-Print archive. – arXiv:2310.10315v1 [quant-ph] 16 Oct 2023.
- Chen Z.-B. Quantum Neural Network and Soft Quantum Computing // arXive.org e-Print archive. – arXiv:1810.05025v1 [quant-ph] 10 Oct 2018.
- sQUlearn – A Python Library for Quantum Machine Learning / D. A. Kreplin [et al.] // arXive.org e-Print archive. – arXiv:2311.08990v1 [quant-ph] 15 Nov 2023.
- An artificial neuron implemented on an actual quantum processor / F. Tacchino, C. Macchiavello, D. Gerace, D. Bajoni // npj Quantum Information. – 2019. – Vol. 5. – Article number: 26 (2019). – DOI: https://doi.org/10.1038/s41534-019-0140-4.
- Explaining Grover’s algorithm with a colony of ants: a pedagogical model for making quantum tech-nology comprehensible / Merel A. Schalkers, Kamiel Dankers, Michael Wimmer, Pieter Vermaas // arXive.org e-Print archive. – arXiv:2405.00014v1 [physics.pop-ph] 9 Feb 2024.
- Stoudenmire E.M., Waintal X. Grover's Algorithm Offers No Quantum Advantage // arXive.org e-Print archive. – arXiv:2303.11317v1 [quant-ph] 20 Mar 2023.
- Innan N., Bennai M. Simulation of a Variational Quantum Perceptron using Grover’s Algorithm // arXive.org e-Print archive. – arXiv:2305.11040v1 [quant-ph] 18 May 2023.
- Интеллектуальная когнитивная робототехника. Ч. 4.1. Квантовый «сильный» вычислительный интеллект в интеллектуальном управлении роботизированными автономными системами в «Индустрия 4.0 / 5.0» / Р. Ю. Капков, А.Г. Решетников, О. Ю. Тятюшкина, С. В. Ульянов. – Москва: Курс, 2024.
- Интеллектуальная когнитивная робототехника. Ч. 4.2. Квантовый «сильный» вычислительный интеллект в интеллектуальном управлении роботизированными социотехническими системами / Р. Ю. Капков, А.Г. Решетников, О. Ю. Тятюшкина, С. В. Ульянов. – Москва: Курс, 2024.
