ИТ прикладных квантовых мягких вычислений
программно-аппаратная платформа робастных интеллектуальных контроллеров в робототехнике
Аннотация
Рассматривается информационная технология проектирования робастной интеллектуальной системы управления на базе квантового нечеткого вывода. Применение разработанной методологии проектирования основано на квантовой самоорганизации неточных баз знаний нечетких регуляторов и приводит к повышению уровня робастности интеллектуальных систем управления в непредвиденных ситуациях. Проводится сравнение результатов математического моделирования и физического эксперимента на примере автономного робота в виде системы “перевернутый маятник – движущаяся каретка”. Получено экспериментальное подтверждение существования синергетического эффекта формирования робастного самоорганизующегося нечеткого регулятора из конечного числа не робастных нечетких регуляторов в реальном времени. Полученный эффект основан на существовании скрытой квантовой информации, извлекаемой из классических состояний процессов изменения во времени коэффициентов усиления регуляторов. Выведенный закон квантовой информационной термодинамики устанавливает возможность формирования термодинамической силы управления за счет извлеченного количества скрытой квантовой информации и совершения дополнительной полезной работы, гарантирующие достижение цели управления на базе повышения уровня робастности самоорганизующегося квантового регулятора. При этом количество совершенной объектом управления полезной работы (на макроуровне) превышает количество работы, затраченной (на микроуровне) квантовым самоорганизующимся регулятором на извлечение квантовой информации, скрытой в реакциях неточных баз знаний без нарушения второго информационного закона термодинамики открытых квантовых систем с обменом информацией запутанных супер-коррелированных состояний. Приведен конкретный пример автономного робота, демонстрирующий существование синергетического эффекта квантовой самоорганизации неточных баз знаний.
Описана обобщенная стратегия проектирования интеллектуальных робастных систем управления, основанных на технологиях квантовых / мягких вычислений, которые повышают надежность гибридных интеллектуальных контроллеров за счет обеспечения способности к самоорганизации. Основное внимание уделено повышению уровня робастности интеллектуальных систем управления в непредсказуемых ситуациях управления с демонстрацией на наглядных примерах. Описаны программно-аппаратная платформа и инструментарий поддержки суперкомпьютерного ускорителя моделирования квантовых алгоритмов на классическом компьютере.
Литература
2. Litvintseva L.V., Ulyanov S.V. Quantum fuzzy inference for knowledge base design in robust intelligent controllers. Journal of Computer and Systems Sciences International. 2007;46(6):908-961. https://doi.org/10.1134/S1064230707060081
3. Nielsen M.A., Chuang I.L. Quantum Computation and Quantum Information: 10th Anniversary Ed. Cambridge: Cambridge University Press; 2010. 702 p. https://doi.org/10.1017/CBO9780511976667
4. Ulyanov S.V. Self-organization of robust intelligent controller using quantum fuzzy inference. In: 2008 3rd International Conference on Intelligent System and Knowledge Engineering. Xiamen, China: IEEE Computer Society; 2008. p. 726-732. https://doi.org/10.1109/ISKE.2008.4731026
5. DiVincenzo D.P., Horodecki M., Leung D.W., Smolin J.A., Terhal B.M. Locking classical correlation in quantum states. Physical Review Letters. 2004;92(6);067902. https://doi.org/10.1103/PhysRevLett.92.067902
6. Ulyanov S.V., Litvintseva L.V., Panfilov S.A. Design of self-organized intelligent control systems based on quantum fuzzy inference: intelligent system of systems engineering approach. In: 2005 IEEE International Conference on Systems, Man and Cybernetics, Waikoloa. HI, USA: IEEE Computer Society; 2005. Vol. 4. p. 3835-3840. https://doi.org/10.1109/ICSMC.2005.1571744
7. Ulyanov S.V. Self-Organized Intelligent Robust Control Based on Quantum Fuzzy Inference. In: Mller A. (ed) Recent Advances in Robust Control Novel Approaches and Design Methods. Ch. 9. InTech; 2011. p. 187-220. https://doi.org/10.5772/17189
8. Ulyanov S.V. Quantum soft computing in control processes design: Quantum genetic algorithms and quantum neural network approaches. In: Proceedings World Automation Congress. Seville, Spain: IEEE Computer Society; 2004. p. 99-104. Available at: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=1439352 (accessed 01.04.2023).
9. Mishin A., Ulyanov S. Intelligent Robust Control of Dynamic Systems with Partial Unstable Generalized Coordinates Based on Quantum Fuzzy Inference. In: Batyrshin I., Sidorov G. (eds.) Advances in Soft Computing. MICAI 2011. Lecture Notes in Computer Science. Vol. 7095. Berlin, Heidelberg: Springer; 2011. p. 24-36. https://doi.org/10.1007/978-3-642-25330-0_3
10. Dong D., Chen Z.-L., Chen Z.-H., Zhang C.-B. Quantum mechanics helps in learning for more intelligent robots. Chinese Physics Letters. 2006;23(7):1691-1694. https://doi.org/10.1088/0256-307X/23/7/010
11. Lukac M., Perkowski M. Inductive learning of quantum behaviors. Facta Universitatis. 2007;20(3):561-586. https://doi.org/10.2298/FUEE0703561L
12. Kagan E., Ben-Gal I. Navigation of Quantum-Controlled Mobile Robots. In: Topalov A. (ed.) Recent Advances in Mobile Robotics. Ch. 15. InTech; 2011. p. 220-311. https://doi.org/10.5772/25944
13. Bannikov A., Egerton S., Callaghan V., Jonson B.D., Shaukat M. Quantum computing: Non-deterministic controllers for artificial intelligent agents. In: Lopez-Cozar R., et al. Workshop Proceedings of the 6th International Conference on Intelligent Environments. Vol. 8. Amsterdam Netherlands: IOS Press; 2010. p. 109-118. https://doi.org/10.3233/978-1-60750-638-6-109
14. Chatzis S.P., Korkinof D., Demiris Y. A quantum-statistical approach toward robot learning by demonstration. IEEE Transactions on Robotics. 2012;28(6):1371-1381. https://doi.org/10.1109/TRO.2012.2203055
15. Kouda N., Matsui N. An examination of qubit neural network in controlling an inverted pendulum. Neural Processing Letters. 2005;22(3):277-290. https://doi.org/10.1007/s11063-005-8337-2
16. Panella M., Martinelli G. Neurofuzzy networks with nonlinear quantum learning. IEEE Transactions on Fuzzy Systems. 2009;17(3):698-710. https://doi.org/10.1109/TFUZZ.2008.928603
17. Chen F., Hou R., Tao G. Adaptive Controller Design for Faulty UAVs via Quantum Information Technology. International Journal of Advanced Robotic Systems. 2012;9(6):256. https://doi.org/10.5772/53617
18. Gyongyosi L., Imre S. Quantum Cellular Automata Controlled Self-Organizing Networks. In: Salcido A. (ed.) Cellular Automata Innovative Modelling for Science and Engineering. Ch. 6. InTech; 2011. p. 113-152. https://doi.org/10.5772/15750
19. Kim Y.H., Kim J.H. Multiobjective quantum-inspired evolutionary algorithm for fuzzy path planning of mobile robot. In: IEEE Congress on Evolutionary Computation (CEC 2009). Trondheim, Norway: IEEE Computer Society; 2009. p. 1185-1192. https://doi.org/10.1109/CEC.2009.4983080
20. Masood A. A Perspective on Whether Robot Localization Can be Effectively Simulated by Quantum Mechanics. International Journal Of Multidisciplinary Sciences And Engineering. 2021;3(9):15-18. Available at: https://www.ijmse.org/Volume3/Issue9/paper3.pdf (accessed 01.04.2023).
21. Dong D., Chen C. Quantum robot: Structure, algorithms and applications. Robotica. 2006;24(4):513-521. https://doi.org/10.1017/S0263574705002596
22. Chen C., Dong D. Quantum intelligent mobile system. Quantum Inspired Intelligent Systems. Studies in Computational Intelligence. 2008;121:77-102. https://doi.org/10.1007/978-3-540-78532-3_4
23. Nedjah N., Coelho L.d.S., Mourelle L.d.M. (eds.) Quantum Inspired Intelligent Systems. Studies in Computational Intelligence. Vol. 121. Berlin, Heidelberg: Springer; 2008.156 p. https://doi.org/10.1007/978-3-540-78532-3
24. Kim S.S., Choia H.J., Kwak K. Knowledge extraction and representation using quantum mechanics and intelligent models. Expert Systems with Applications. 2012;39(3):3572-3581. https://doi.org/10.1016/j.eswa.2011.09.047
25. Ulyanov S.V. Quantum Fuzzy Inference Based on Quantum Genetic Algorithm: Quantum Simulator in Intelligent Robotics. In: Aliev R., Kacprzyk J., Pedrycz W., Jamshidi M., Babanli M., Sadikoglu F. (eds.) 10th International Conference on Theory and Application of Soft Computing, Computing with Words and Perceptions ICSCCW-2019. ICSCCW 2019. Advances in Intelligent Systems and Computing. Vol. 1095. Cham: Springer; 2020. p. 78-85. https://doi.org/10.1007/978-3-030-35249-3_9
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
