Scientific journal

Modern high technologies

ISSN 1812-7320

"Перечень" ВАК

ИФ РИНЦ = 1,279

Введение

Автоматизация и управление технологическими процессами (АСУ ТП) являются важнейшим компонентом современных промышленных комплексов, отдельных производственных линий и конкретных операций. По мере того, как предприятия стремятся повысить продуктивность, эффективность и точность, АСУ ТП стали незаменимыми в контроле динамических процессов для достижения желаемых результатов, несмотря на воздействие внешних и внутренних факторов [1]. Однако сложность, многомерность и нелинейность многих промышленных приложений представляет собой серьезные проблемы при проектировании систем управления.

Традиционные методы управления, такие как пропорционально-интегрально-дифференциальные регуляторы и модельное прогнозирующее управление, получили широкое распространение во многих отраслях промышленности. В то же время, несмотря на тот факт, что эти методы эффективны для управления линейными и умеренно сложными системами, они сталкиваются с рядом сложностей и ограничений, когда стоит задача их применения к нелинейным, крупномасштабным или высокодинамичным процессам [2]. Кроме того, потребность обеспечивать оптимизацию в режиме реального времени становится все более сложной задачей по мере роста объема и многомерности данных. В определенной мере эти запросы позволили удовлетворить алгоритмы машинного обучения (МО) и их последующие инновации, включая опорные векторные машины Кортеса и Вапника, деревья решений и ансамблевые методы, такие как случайные леса и усиление градиента. В результате существенным образом улучшилась производительность АСУ ТП в практических приложениях. Однако ни традиционные методы управления, ни технологии МО в полной мере не отвечают потребностям АСУ ТП в приложениях Индустрии 4.0 и 5.0.

Проектирование систем управления на основе классических вычислительных архитектур ограничено их последовательным характером, что снижает способность этих методов обрабатывать высокоразмерные данные в режиме реального времени. В свою очередь алгоритмы МО не подходят из-за фундаментальных требований промышленного управления: предсказуемости, надежности и строгой безопасности.

В данном контексте следует отметить, что квантовые вычисления, которые являются новой вычислительной парадигмой в информационных технологиях после эпохи Мура, становятся своевременным и дальновидным вкладом в промышленную автоматизацию, соединяя наиболее революционные инновации современной эпохи. Сравнительная характеристика, наглядно демонстрирующая превосходство и эффективность на сегодняшний день квантовых вычислений для АСУ ТП, представлена в табл. 1.

Таким образом, существенное ускорение, которое обеспечивают квантовые вычисления по сравнению с классическими методами для различных приложений, таких как криптоанализ, решение задач с ограничениями, комбинаторная оптимизация, вызывает значительный научно-исследовательский интерес применимости и сравнительной эффективности данных технологий в задачах АСУ ТП, что послужило основанием для выбора темы данной статьи.

Последние достижения в области эмуляции на основе ПЛИС, которые направлены на простые схемы с ограниченной запутанностью, такие как Клиффорд + T и наборы вращательных вентилей, а также базовые алгоритмы (поиск Гровера и факторизация Шора), описывают в своих публикациях Eid Aldawsari, Raja Selvarajan [3], Junjie Wu, Yong Liu [4], Giuliana Siddi Moreau, Lorenzo Pisani [5]. Работы таких авторов, как С.Х. Ахмед, направлены на анализ преимуществ использования квантовых подходов в прикладных задачах искусственного интеллекта [6].

Анализ архитектур, использующих конвейерное выполнение, которые открывают широкие возможности для оптимизации пропускной способности центрального процессора, входит в круг научных интересов С.В. Ульянова, Н.В. Рябова, П.В. Зрелова [7], А.С. Семенова [8], Colin Burdine, Nora Bauer [9].

Анализ существующих на сегодняшний день публикаций и наработок демонстрирует высокий интерес ученых к рассматриваемой проблематике, однако квантовая технология в основном работает на уровне схем и логики, поэтому многие вопросы не нашли своего должного решения и полного освещения в научно-экспертной литературе. Так, например, до сих пор отсутствует встроенная среда реального времени, которая одновременно эмулирует и обучает параметризованные вариационные квантовые схемы на месте в высокочастотном контуре управления, что представляет собой критический пробел для динамических задач квантового машинного обучения в областях, чувствительных к задержкам, таких как промышленное управление. Кроме того, несмотря на значительные успехи в области эмуляции квантовых схем на основе ПЛИС, большинство существующих работ сосредоточено либо на конкретных квантовых алгоритмах (например, QFT, Гровера и QAOA), либо на крупномасштабных автономных симуляционных платформах, разработанных с целью обеспечения пропускной способности, а не задержки. Эти реализации, хотя и эффективны для проверки квантовых протоколов или ускорения распределения квантовых ключей, часто не обладают адаптивностью, необходимой для динамических задач обучения.

Таблица 1

Сравнительный анализ вычислительных подходов для решения NP-трудных задач в АСУ ТП*

*MPC (Model Predictive Control) – предиктивное управление на основе модели, MILP (Mixed-Integer Linear Programming) – смешанное целочисленное линейное программирование, RTO (Real-Time Optimization) – оптимизация в реальном времени, ГП/ТП графический процессор / тензорный процессор (GPU/TPU), QAOA (Quantum Approximate Optimization Algorithm) – квантовый приближенный алгоритм оптимизации, VQE (Variational Quantum Eigensolver) – вариационный квантовый алгоритм поиска собственных значений, NISQ (Noisy Intermediate-Scale Quantum) – эпоха «шумных» квантовых компьютеров промежуточного масштаба.

Примечание: составлена автором на основе полученных данных в ходе исследования

Цель исследования – проведение сравнительного анализа современных методов эмуляции квантовых вычислений в АСУ ТП.

Материалы и методы исследования

В качестве исходной базы исследования использованы современные научные публикации, нормативно-технические документы и результаты экспериментальных проектов в области квантовых вычислений и автоматизированных систем управления технологическими процессами. Методологическая основа опирается на системный подход, обеспечивающий целостное рассмотрение взаимодействия квантовых вычислительных методов и архитектуры промышленных АСУ ТП. В работе применены методы сравнительно-аналитического анализа, моделирования, а также структурно-функциональный и контент-анализ отечественных и зарубежных источников за 2020–2025 гг. Для интерпретации результатов использовались методы теоретического обобщения и логического моделирования взаимосвязей между вычислительными и технологическими подсистемами.

Результаты исследования и их обсуждение

Эмуляторы, служащие программными аналогами квантового процессора, играют важную роль в АСУ ТП и, хотя они не в состоянии воспроизводить квантовый процессор с большим количеством кубитов из-за ограничений памяти, они хорошо подходят для исследования квантовых алгоритмов в меньших масштабах [10]. Это дает ценную отправную точку. Тестирование с помощью небольших задач позволяет быстро исключить неправильные подходы, экономя время и направляя разработку более эффективным образом. Реальные проекты продемонстрировали это преимущество. Например, в задаче оптимального распределения грузовых контейнеров эмуляторы помогли отличить подходы, которые можно было перенести на реальный квантовый процессор, от тех, которые не подходили для этого [11].

В настоящее время наработан уже достаточно широкий спектр методов эмуляции квантовых вычислений, классифицируемых по различным признакам. Наиболее распространенной категорией являются эмуляторы с полным векторным состоянием, которые обычно используются для эмуляции квантовых машин общего назначения [12]. Другой группой методов, способных воспроизводить универсальные квантовые вычисления, являются эмуляторы на основе тензорных сетей и эмуляторы на основе диаграмм решений. Эмуляторы на основе тензорных сетей требуют меньше места, чем первые, в обмен на точность. Чем более точные результаты необходимы для АСУ ТП, тем большие объемы памяти требуются. Диаграммы решений имеют тот же недостаток, поскольку они являются стохастическими и не будут иметь такой же точности, как эмуляторы векторного состояния. Существуют также эмуляторы матрицы плотности, способные делать все то же самое, что и эмуляторы полного векторного состояния, но при этом они могут моделировать шум, что делает их менее эффективными [13].

Таблица 2

Сравнительный анализ методов эмуляции квантовых вычислений в АСУ ТП

Примечание: составлена автором на основе полученных данных в ходе исследования.

Таблица 3

Сравнительная характеристика вычислительных ресурсов и масштабируемости методов эмуляции квантовых вычислений

Примечание: составлена автором на основе полученных данных в ходе исследования.

Для реализации эмуляторов с максимально возможным количеством запутанных кубитов и поддержкой максимально возможного количества операций используются методы разреженных матриц или разложение квантовой схемы на более мелкие схемы для выполнения распределенных вычислений [14].

Учитывая широкий спектр методов эмуляции, в табл. 2 представлены результаты сравнительного анализа наиболее известных из них с точки зрения их возможностей и ограничений, а также применимости к задачам АСУ ТП.

Сравнительный анализ, представленный в табл. 2, позволяет сделать следующие выводы.

Гибридные методы для целей АСУ ТП являются наиболее перспективными. Гибридная эмуляция, использующая вариационные алгоритмы (например, VQE или QAOA), обладает наивысшей пригодностью. Она напрямую решает практические задачи (оптимизация в реальном времени, настройка регуляторов, планирование) и рассчитана на интеграцию с существующей классической логикой управления.

Матричная эмуляция мало пригодна для реальных задач. Из-за экспоненциальных требований к памяти матричный метод (симуляция полного вектора состояния) не может использоваться для решения сколько-нибудь масштабных производственных задач. Данный метод подходит для лабораторной проверки и верификации сверхмалых компонентов.

Методы стабилизаторов и квантовых траекторий критически важны не для решения задач АСУ ТП, а для обеспечения ее работоспособности. Моделирование на стабилизаторах позволяет отладить классическую часть управляющей системы, а метод траекторий – оценить, как реальные промышленные помехи (шум, декогеренция) повлияют на точность и стабильность квантового контура.

Тензорные сети хорошо подходят для решения структурированных задач с локальными взаимодействиями (например, моделирование процессов на конвейере или в линейных производственных цепочках).

Таблица 4

Примеры применения эмуляции квантовых вычислений для решения задач АСУ ТП в разных отраслях промышленности

Примечание: составлена авторами на основе полученных данных в ходе исследования.

Учитывая вышеизложенное, на следующем этапе исследования представляется целесообразным провести сравнительную характеристику методов эмуляции квантовых вычислений в АСУ ТП по их фундаментальным вычислительным затратам, асимптотической сложности (масштабируемости) и способности моделировать ошибки (шум) (табл. 3).

Данные, приведенные в табл. 3, свидетельствуют о том, что выбор метода определяется компромиссом между универсальностью, масштабируемостью и способностью моделировать шум.

Матричная эмуляция, являясь детерминированным и универсальным методом, демонстрирует наихудшую масштабируемость. Ее применение ограничивается экспоненциальным ростом требований к памяти O(2N), что делает ее непригодной для систем размером более 40–50 кубит. Моделирование шума (через матрицы плотности) возможно, но увеличивает затраты до O(4N).

Эмуляция на тензорных сетях предлагает решение проблемы памяти, так как ее затраты зависят от квантовой запутанности, а не напрямую от числа кубитов (N). Для задач с низкой запутанностью (например, 1D-цепочки или некоторые задачи оптимизации) сложность может быть близка к полиномиальной, но для хаотичных схем с высокой запутанностью она также становится экспоненциальной [15].

Моделирование на стабилизаторах является полиномиально-быстрым (O(poly(N,M))), но строго ограничено не-универсальными (Клиффордовыми) схемами. Это специализированный инструмент, непригодный для решения общих задач оптимизации, но критически важный для тестирования систем коррекции ошибок.

Гибридная эмуляция и метод квантовых траекторий являются итерационными подходами. Их общая сложность зависит от числа итераций (K), умноженного на сложность эмуляции одного шага (которая часто сама по себе экспоненциальна, O(M×2N)). Ключевое различие в том, что метод траекторий специально предназначен для стохастического анализа шума (его точность растет с числом выборок R), тогда как гибридный метод решает задачу оптимизации (его точность зависит от сходимости классического оптимизатора).

Безусловно, значительный исследовательский интерес представляет не только академическая плоскость методов эмуляции, но и их практическое использование, результаты развертывания в конкретных промышленных приложениях. Это в итоге позволит оценить результаты применения методов на практике, их совместимость и способность решать реальные задачи АСУ ТП. С этой целью в табл. 4 систематизирован опыт ведущих мировых промышленных компаний, которые уже сегодня используют конкретные методы эмуляции для решения прикладных задач в своих технологических процессах.

Анализ практических примеров использования квантовой эмуляции в промышленных задачах АСУ ТП позволяет отметить следующее.

Как и в предыдущих вариантах сравнения методов эмуляции, доминирующими являются гибридные вариационные алгоритмы. В настоящее время они выступают в качестве стандарта для решения прикладных промышленных задач. По мнению автора, это обусловлено их природой: они изначально создавались для работы на доступных (или эмулируемых) квантовых процессорах малой и средней размерности (эра NISQ), используя классический оптимизатор, что идеально подходит для существующей архитектуры АСУ ТП.

Также на сегодняшний день наблюдается четкая специализация методов эмуляции по типу решаемых задач, например:

− VQE (вариационный квантовый алгоритм поиска собственных значений) используется для задач квантового моделирования (нефтехимия, фармацевтика), где целью является поиск основного состояния молекулы;

− QAOA (приближенный квантовый алгоритм оптимизации) является универсальным инструментом для комбинаторной оптимизации в самых разных приложениях (логистика, планирование, маршрутизация роботов, оптимизация энергосетей).

Заключение

Методы эмуляции квантовых вычислений являются фундаментальным инструментом в квантовых вычислениях. Они позволяют проводить тщательную разработку, всестороннее тестирование и добиваться значительного прогресса перед развертыванием на квантовом оборудовании. Кроме того, благодаря им обеспечивается прозрачность, гибкость и возможности, которые имеют решающее значение для продвижения внедрения технологий, исследований и разработок в этой области.

В статье проведен сравнительный анализ различных методов эмуляции для решения задач АСУ ТП, в частности рассмотрены такие методы, как матричная эмуляция, эмуляция на основе тензорных сетей, моделирование на основе стабилизаторов, гибридная эмуляция, метод квантовых траекторий. Характеристика методов осуществлялась с точки зрения их преимуществ и ограничений, пригодности, а также области целесообразного использования. Кроме того, отдельное внимание уделено фундаментальным вычислительным затратам методов, их асимптотической сложности (масштабируемости) и способности моделировать ошибки (шум). Представлены существующие на сегодняшний день успешные примеры применения эмуляции квантовых вычислений в различных отраслях промышленности.