Статьи

Рассмотрены возможности применения интеллектуальной системы управления (ИСУ) беспилотным воздушным судном (БВС). Подробно представлены этапы проектирования встраиваемой ИСУ на основе технологии квантовых и мягких вычислений. В частности, описывается возможность обучения реального БВС со встроенным генетическим алгоритмом, раскрыты варианты применения математического моделирования для извлечения обучающего сигнала. Особое внимание уделено программным инструментариям - «Оптимизаторам баз знаний на мягких и квантовых вычислениях», которые применяются для проектирования встраиваемой самоорганизующейся квантовой ИСУ в непредвиденных ситуациях управления. Представлены эффекты полученные за счет применения квантовых самоорганизующихся контроллеров, встроенных в контур управления ИСУ. Показано квантовое преимущество и превосходство ИСУ над классическими и нечеткими системами управления.

Обсуждается развитие новых видов интеллектуальной когнитивной робототехники с учетом возрастающих потребностей применения роботизированных социотехнических систем в промышленных / непромышленных сферах (особенно для применения в катастрофических ситуациях типа техногенных аварий или коронавирус) и развития квантовых сквозных ИТ. Промышленная революция «Индустрия 4.0» и третья квантовая революция «Квантовая программная инженерия» предопределили развитие нового направления - интеллектуальное когнитивное управление роботизированными социотехническими системами как основы проекта «Индустрия 5.0». Одной из основных проблем стала необходимость исследования взаимодействия человека-оператора с роботом и перераспределения зон ответственности между роботами в коллективе (толпе - swarm) роботов, человеком - оператором и роботом, а также выявления предельных возможностей допустимой работоспособности (Affordance / Kansei / Kawaii Engineering) роботов в различных проблемно-ориентированных областях. Проведен анализ развития моделей роботизированных социотехнических систем и построения образовательных процессов с нестандартной логикой подготовки ИТ-специалистов нового поколения в условиях стремительного разрыва между образовательными процессами и требованиями к базовым знаний в области квантовых сквозных ИТ. Представлена методология, разработанная в ЛИТ им. М. Г. Мещерякова ОИЯИ, по подготовки ИТ-специалистов нового поколения для управления физическими экспериментами, квантового интеллектуального управления физическими установками в мегасайнс проектах типа NICA, роботов - беспилотников радиационного контроля окружающей среды и др.

Рассматриваются основы построения и развития пятой и шестой промышленных революций (I5.0 / I6.0) как развитие результатов проекта Индустрия 4.0 (I4.0) с применением моделей интеллектуальной когнитивной робототехники, квантовой программной инженерии, квантового интеллектуального управления и дружественных интерфейсов типа «мозг - компьютер», «человек - робот». Обсуждаются вопросы построения физических законов интеллектуального управления роботизированными социотехническими системами на основе законов информационно-термодинамического распределения критериев устойчивости, управляемости и робастности. Извлеченная квантовая информация позволяет сформировать дополнительную «социальную» термодинамическую силу управления, скрытую в информационном обмене между агентами многокомпонентной социотехнической системе.

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.

Отличие классического алгоритма от квантового (КА) заключается в следующем: задача, решаемая КА, закодирована в структуре квантовых операторов, применяемых к входному сигналу. Входной сигнал в структуру КA в этом случае всегда один и тот же. Выходной сигнал КA включает в себя информацию о решении закодированной проблемы. В результате КA задается функция для анализа, и КA определяет ее свойство в виде ответа без количественных вычислений. КA изучает качественные свойства функций. Ядром любого КA является набор унитарных квантовых операторов или квантовых вентилей. На практике квантовый вентиль представляет собой унитарную матрицу с определенной структурой. Размер этой матрицы растет экспоненциально с увеличением количества входных данных, что существенно ограничивает моделирование КA на классическом компьютере с фон-неймановской архитектурой. Модели квантовых поисковых алгоритмов применяются для решения задач информатики, таких как поиск в неструктурированной базе данных, квантовая криптография, инженерные задачи, проектирование систем управления, робототехника, интеллектуальные контроллеры и т.д. Алгоритм Гровера подробно объясняется вместе с реализациями на локальном компьютерном симуляторе. В представленной статье описывается практический подход к моделированию одного из самых известных КA на классических компьютерах - алгоритма Гровера.

Описана методика модификации моделирования квантового алгоритма, основанная на прямом (большого объема) матричном представлении квантовых операторов. Этот подход стабилен и точен, но требует размещения матриц оператора в памяти компьютера. Поскольку размер операторов растет экспоненциально, подход полезен для моделирования квантовых алгоритмов с относительно небольшим количеством кубитов (например, приблизительно 11 кубитов на типовом компьютере). Используя его, относительно просто смоделировать работу системы контроля качества решения и выполнить анализ достоверности. Более эффективный метод быстрого моделирования контроля качества основан на вычислении всех или части операторных матриц по мере необходимости на текущей вычислительной основе. Используя данный метод, можно избежать сохранения всех или части операторных матриц. В этом случае количество кубитов, которые могут быть смоделированы (например, количество входных кубитов или количество кубитов в регистре состояния системы), влияет на экспоненциальный рост числа операций, необходимых для вычисления результата матричных произведений, и на размер вектора состояния, выделяемого в памяти компьютера. В одном из вариантов применения этого подхода целесообразно моделировать до 19 или более кубитов на типичном настольном компьютере и даже больше на системе с векторной архитектурой. Из-за особенностей процессов адресации памяти и доступа к ней в типичном настольном компьютере (например, персональный компьютер на базе Pentium), когда количество кубитов относительно невелико, подход «вычисления по требованию», как правило, эффективнее, чем подход с прямым хранением. Подход «вычисления по требованию» выигрывает благодаря применению результатов детального изучения квантовых операторов и их структуры, что позволяет более эффективно вычислять матричные элементы. В работе рассмотрено эффективное моделирование алгоритма квантового поиска Гровера на примере компьютера с классической архитектурой.

В работе описана стратегия проектирования интеллектуальных систем управления на основе технологий квантовых и мягких вычислений. Представлен синергетический эффект квантовой самоорганизации робастной базы знаний, извлеченной из несовершенных баз знаний интеллектуального нечеткого регулятора. Разработанная технология повышает надежность интеллектуальных когнитивных систем управления в непредвиденных ситуациях управления, например, с различными типами взаимодействующих роботов. Наглядные примеры продемонстрировали эффективное внедрение схемы квантового нечеткого логического вывода в качестве готового программируемого алгоритмического решения для систем управления нижнего исполнительного уровня, встроенных в стандартную плату, а также квантовое превосходство квантового интеллектуального управления классическими объектами управления, расширяя тезис Фейнмана-Манина. Обсуждается корректная физическая интерпретация процесса управления самоорганизацией на квантовом уровне на основе квантовых информационно-термодинамических моделей обмена и извлечения квантовой (скрытой) ценной информации из/между классическими траекториями частиц в модели «рой взаимодействующих частиц». Продемонстрирован новый информационный синергетический эффект: из двух ненадежных баз знаний нечеткого регулятора в режиме реального времени создается робастная база знаний квантового нечеткого регулятора. Этот эффект имеет чисто квантовую природу и использует скрытую квантовую информацию, извлеченную из классических состояний. Обсуждаются основные физические и информационно-термодинамические аспекты модели квантового интеллектуального управления классическими объектами управления.

В работе рассматривается методология проектирования интеллектуальных когнитивных систем управления сложными динамическими системами. Кратко описаны информационные и термодинамические подходы, объединяющие однородным условием критерии динамической устойчивости, управляемости и робастности. Обозначены проблемы обучения и адаптации нечеткого регулятора, которые являются актуальными в современной теории управления. Многие существующие решения используют модели искусственных нейронных сетей, основанные на алгоритме обратного распространения ошибки, многослойной структуре Кохонена и т.д. К сожалению, подобные алгоритмы не гарантируют требуемого уровня надежности и точности управления в сложных и непредвиденных ситуациях. Предложено одно из решений проблемы разработки системы когнитивного управления. Оно заключается в поиске конструктивного решения задач проектирования баз знаний и интеллектуального робастного когнитивного управления в заданном проблемно-ориентированном приложении. Сравниваются различные типы регуляторов, в том числе интеллектуальный регулятор на основе эмоционального обучения мозга. Описаны преимущества проектирования робастных баз знаний на основе программно-алгоритмического комплекса Оптимизатор баз знаний (SCOptKBTM) на мягких вычислениях. Рассматривается одна из ключевых задач современной робототехники - разработка технологий когнитивного взаимодействия, позволяющих выполнять интеллектуальные функции управления за счет перераспределения знаний и управления на программном уровне. На практическом примере показана эффективность предложенной гибридной когнитивной системы управления, повышающей точность и надежность распознавания ментальных команд.

В первой части статьи[1] обсуждалась система оценки эмоций оператора с применением глубокого машинного обучения на основе мягких вычислений и проектирование когнитивной системы управления. Данная работа развивает подход когнитивного интеллектуального управления, описывая стратегию проектирования интеллектуальных систем когнитивного управления на основе квантовых и мягких вычислений. Продемонстрирован синергетический эффект квантовой самоорганизации базы знаний, извлеченный из не робастных баз знаний интеллектуального нечеткого регулятора. Применяется информационно-термодинамический закон квантовой самоорганизации оптимального распределения базисных качеств управления (устойчивость, управляемость и робастность) и закон квантовой информационной термодинамики о возможности извлечения дополнительной полезной работы на основе извлеченной квантовой информации, скрытой в классических состояниях. Сформированная (без нарушения второго закона квантовой термодинамики) на основе извлеченного количества скрытой квантовой информации «термодинамическая» сила управления позволяет роботу (как объекту управления) совершить количественно большую полезную работу по сравнению с количеством затраченной (на извлечение квантовой скрытой информации) работу. Гарантированное достижение цели управления роботом осуществляется на основе спроектированной интеллектуальной когнитивной системы управления с применением инструментария квантового оптимизатора баз знаний QCOptKBTM, в структуру которого включен квантовый нечеткий вывод - КНВ. Квантовый алгоритм самоорганизации не робастных баз знаний КНВ структурно опирается на синергетические эффекты от скрытой квантовой информации для осуществления реализации оптимального распределения качеств управления. Данная технология позволяет повысить надежность интеллектуальных когнитивных систем управления в ситуациях управления в условиях опасности, описанных с помощью когнитивного нейроинтерфейса и различных типов взаимодействия с роботами. Примеры продемонстрировали эффективность введения схемы КНВ в качестве готового программируемого алгоритмического решения для встраиваемых интеллектуальных систем управления. Показана возможность применения нейроинтерфейса на базе когнитивного шлема с квантовым нечетким регулятором для управления транспортным средством.