Публикации автора

Работа направлена на исследование влияния экологических факторов на экономические компоненты уровня и качества жизни для оценки эффективности социально-экономических систем. Показана многоаспектность категории качества жизни и методов ее измерения. На основе методических подходов к измерению качества жизни и информационно-статистической базы Росстата для областей Северо-Кавказского и Приволжского ФО России за 2016-2019 гг. построен экономический интегральный индикатор уровня и качества жизни населения. В работе оценивается и специфицируется модель регрессии, отражающая общую эколого-экономическую ситуацию в регионах и определяющая наличие влияния факторов окружающей среды на экономические компоненты. Для регрессионной модели определяются статистические параметры значимости, а на ее основе конструируется прогнозая модель индикатора уровня и качества жизни до 2023 года.

Проведена оценка риска природопользования для стран Европейского союза на основе двух главных критериев — природной опасности и защищенности от стихийных бедствий. Для этого использовано специфическое геоинформационное обеспечение при расчете риска согласно авторской методике. Природная опасность складывается из природных процессов различного генезиса — литосферные, гидросферные, атмосферные и биосферные процессы, которые считаются опасными в рамках всего государства согласно официальным данным, — а также защищенности от стихийных бедствий и катастроф на государственном уровне. Последний критерий рассчитывается на основе ряда социально-экономических и экологических показателей для стран ЕС: валового внутреннего продукта, доли трудоспособного населения и населения, находящегося за чертой бедности, телекоммуникационного и транспортного коэффициентов, ожидаемой продолжительности жизни и грамотности населения, детской смертности, напряженности экологических проблем. Зависимости между уровнем экономического развития и уровнем риска природопользования в отдельных странах ЕС не установлено. Так, высокоразвитые страны попадают во все категории риска: Италия, Австрия и Германия — высокий риск, Франция, Нидерланды и Бельгия — средний риск, Люксембург, Швеция, Дания — низкий риск. И наоборот, слаборазвитые страны также присутствуют во всех категориях: Кипр, Болгария, Румыния — высокий риск, Латвия, Литва — средний риск, Эстония — низкий риск. Поэтому при оценках риска природопользования, последующем его анализе и управлении чрезвычайными ситуациями природного и природно-техногенного характера не следует опираться только на показатели уровня экономического развития в странах, например, на ВВП, а также на установленные, пусть и на международном уровне, экологические стандарты, такие как ПДК, ПДВ вредных веществ в почвах, растениях, водных объектах, атмосферном воздухе и т. п. Учет при оценках риска природопользования прямых показателей, ущерба от прошлых событий также страдает рядом недостатков. Необходим дифференцированный подход.

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.

Рассмотрена цель машинного обучения состоит в том, чтобы обучить компьютер извлекать определенные свойства из заданного набора данных без явного кодирования или набора правил, а затем использовать полученные результаты для изучения этих свойств в новых данных в целях прогнозирования, классификации или построения модели исследуемого объекта. Обсуждаются наиболее популярные модели машинного обучения такие как контролируемое обучение (supervised learning) или обучение с учителем, при котором машина предварительно обучается с использованием некоторых помеченных данных. Другие формы обучения, такие как неконтролируемое и с подкреплением (unsupervised and reinforced), также широко изучались и применялись в различных областях. Тремя наиболее широко используемыми алгоритмами контролируемого машинного обучения, относящимися к квантовым вычислениям, являются (a) нейронная сеть (NN - neural networks) для синтеза квантовой логики, физического отображения и декодирования квантовых ошибок, протокол QKD (quantum key distribution), квантовый ускоритель ML, квантовые нейронные сети (QNN - quantum neural networks); (б) Обучение с подкреплением (RL) для декодирования квантовых ошибок и (в) Метод опорных векторов (или SVM - support vector machine) для квантового машинного обучения. В исследовании также обсуждаются различные модели обучения ML, включая метод случайного поиска для квантовой коммуникации. Работа рассчитана на повышение квалификации ИТ - специалистов, применяющих методы «сильного» ИИ.

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.