ТОЧНА АЛГЕБРАЇЧНА РЕДУКЦІЯ КВАНТОВИХ НЕЙРОННИХ СХЕМ: ЗАЛЕЖНА ВІД СПОСТЕРЕЖУВАНИХ РЕНОРМАЛІЗАЦІЯ ТА КЕРУВАННЯ НАДІЙНІСТЮ НА ОСНОВІ КРИВИНИ

Автор(и)

DOI:

https://doi.org/10.28925/2663-4023.2026.35.1441

Ключові слова:

квантові нейронні схеми; залежна від спостережуваних ренормалізація; точна редукція моделей; замикання Крилова; квантова інформація Фішера; кривина Беррі; надійність інформаційних систем; кібербезпека.

Анотація

Обчислювальна складність і надійність параметризованих квантових схем залежать від того, які вихідні величини має зберігати інформаційна система. У статті розроблено послідовність побудов від квантової нейронної схеми та заданих спостережуваних через замикання Лі й Крилова до точної алгебраїчної редукції та запропонованого геометричного моніторингу надійності. Динаміку описано скінченновимірною марковською моделлю з явно визначеним набором цільових спостережуваних. Розмежовано мінімальний лінійний простір спостережуваних, замкнений координатний простір операторів Паулі для класичного моделювання та асоціативну операторну алгебру, на якій може бути реалізована цілком додатна редукована квантова динаміка зі збереженням сліду. Інваріантність простору дає безпосередній доказ точного відтворення заданих виходів; окремо наведено достатню конструкцію фізично допустимого квантового скорочення. Структурований XX-ланцюжок із локальним дефазуванням ілюструє перехід від повного операторного простору розмірності 4ⁿ до простору з n(2n−1) координатами Паулі, зокрема від 1024 до 45 координат для п’яти кубітів. Незалежна чисельна перевірка з фіксованими параметрами порівнює повну та редуковану еволюцію, а модель із загальнішими взаємодіями демонструє відсутність скорочення тим самим методом координатного замикання. Квантову інформацію Фішера та кривину Беррі визначено з додатковими умовами достатності й гладкості; їх збереження не виводиться лише зі збереження середніх значень кількох вимірювань. Локальний розклад розділяє калібрувальні, нечутливі до виходів і чутливі до виходів напрямки. Для останніх запропоновано показник моніторингу на основі кривини та вибірковий регуляризатор. Чутливість першого порядку відокремлено від динамічної нестійкості. Практична спрямованість полягає у формуванні перевірюваної номінальної моделі квантового компонента інформаційної системи. Чисельні результати стосуються лише точності відтворення спостережуваних і розміру замикання. Поліпшення надійності, узагальнювальної здатності або виявлення кібератак за допомогою запропонованого механізму чисельно не підтверджено; чисельне поліпшення для механізму керування на основі кривини не заявляється.

Завантаження

Дані завантаження ще не доступні.

Посилання

Biamonte, J., Wittek, P., Pancotti, N., Rebentrost, P., Wiebe, N., & Lloyd, S. (2017). Quantum machine learning. Nature, 549, 195–202. https://doi.org/10.1038/nature23474

Cerezo, M., Arrasmith, A., Babbush, R., Benjamin, S. C., Endo, S., Fujii, K., McClean, J. R., Mitarai, K., Yuan, X., Cincio, L., & Coles, P. J. (2021). Variational quantum algorithms. Nature Reviews Physics, 3, 625–644. https://doi.org/10.1038/s42254-021-00348-9

Preskill, J. (2018). Quantum computing in the NISQ era and beyond. Quantum, 2, 79. https://doi.org/10.22331/q-2018-08-06-79

Grigoletto, T., Tao, Y., Ticozzi, F., & Viola, L. (2025). Exact model reduction for continuous-time open quantum dynamics. Quantum, 9, 1814. https://doi.org/10.22331/q-2025-07-29-1814

Ohnishi, I., Lemeshko, A., & Srichan, C. (2026). Lie-algebraic observable-dependent renormalization: A unified framework for driven open quantum systems and stochastic Navier–Stokes equations [Preprint]. SSRN. https://doi.org/10.2139/ssrn.6681038

Srichan, C., & Ohnishi, I. (2026). Quantum learnable geometry and Lie-algebraic observable-dependent renormalization (Rev. 01) [Preprint]. SSRN. https://doi.org/10.2139/ssrn.7444558

McClean, J. R., Boixo, S., Smelyanskiy, V. N., Babbush, R., & Neven, H. (2018). Barren plateaus in quantum neural network training landscapes. Nature Communications, 9, 4812. https://doi.org/10.1038/s41467-018-07090-4

Larocca, M., Czarnik, P., Sharma, K., Muraleedharan, G., Coles, P. J., & Cerezo, M. (2022). Diagnosing barren plateaus with tools from quantum optimal control. Quantum, 6, 824. https://doi.org/10.22331/q-2022-09-29-824

Braunstein, S. L., & Caves, C. M. (1994). Statistical distance and the geometry of quantum states. Physical Review Letters, 72, 3439–3443. https://doi.org/10.1103/PhysRevLett.72.3439

Meyer, J. J. (2021). Fisher information in noisy intermediate-scale quantum applications. Quantum, 5, 539. https://doi.org/10.22331/q-2021-09-09-539

Stokes, J., Izaac, J., Killoran, N., & Carleo, G. (2020). Quantum natural gradient. Quantum, 4, 269. https://doi.org/10.22331/q-2020-05-25-269

Gorini, V., Kossakowski, A., & Sudarshan, E. C. G. (1976). Completely positive dynamical semigroups of N-level systems. Journal of Mathematical Physics, 17, 821–825. https://doi.org/10.1063/1.522979

Lindblad, G. (1976). On the generators of quantum dynamical semigroups. Communications in Mathematical Physics, 48, 119–130. https://doi.org/10.1007/BF01608499

Hochs, P., & Roberts, A. J. (2019). Normal forms and invariant manifolds for nonlinear, non-autonomous PDEs, viewed as ODEs in infinite dimensions. Journal of Differential Equations, 267, 7263–7312. https://doi.org/10.1016/j.jde.2019.07.021

Downloads


Переглядів анотації: 0

Опубліковано

2026-10-26

Як цитувати

Срічан, Ч., & Онісі, І. (2026). ТОЧНА АЛГЕБРАЇЧНА РЕДУКЦІЯ КВАНТОВИХ НЕЙРОННИХ СХЕМ: ЗАЛЕЖНА ВІД СПОСТЕРЕЖУВАНИХ РЕНОРМАЛІЗАЦІЯ ТА КЕРУВАННЯ НАДІЙНІСТЮ НА ОСНОВІ КРИВИНИ. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 3(35), 551–560. https://doi.org/10.28925/2663-4023.2026.35.1441