Квантовый алгоритм робастного интеллектуального управления процессом охлаждения азотом сверхпроводящего магнита
Боковая панель статьи
Основное содержимое статьи
Аннотация
Технологический процесс криогенной установки охлаждения сверхпроводящего магнита рассматривается как классический объект управления со слабоструктурированной, плохо формализуемой моделью с не доопределенными параметрами, информация о которых содержится в обучающем сигнале, измеренного на реальном объекте. Реализован новый вид квантового координационного двухканального интеллектуального управления вентилями давления и расхода жидкого азота со скрытой (существенно нелинейной) обратной взаимосвязью в технологическом процессе с переменной структурой охлаждения сверхпроводящего магнита. Представлены этапы отечественной квантовой программной ИТ – инженерии проектирования встраиваемых самоорганизующихся промышленных интеллектуальных систем управления с использованием разработанного авторами программного инструментария QSCIT (Quantum Soft Computational Intelligence Toolkit). Инструментарий QSCIT создан на основе промышленных оптимизаторов баз знаний (SC&QC)OptKBTM с применением технологий квантовых мягких вычислений. Квантовый когнитивно – рациональный «сильный» вычислительный ИИ применен для проектирования робастных самоорганизующихся баз знаний в нештатных (непредвиденных) ситуациях управления. Процесс проектирования в виде двух этапов основан на физическом (информационно - термодинамическом) законе рационального распределения качественных характеристик управления: устойчивость по Ляпунову, управляемость и робастность. Характеристика требуемого уровня робастности определяется как рациональный необходимый минимум производства и скорости производства энтропии - меры расхода регулятором необходимого полезного ресурса для гарантированного достижения цели управления. Первый этап рационального когнитивного процесса извлечения знаний из обучающего сигнала основан на инструментарии ИТ - мягких вычислений SCOptKBTM (формирования уровня интеллекта нечеткого регулятора «в малом» в ситуации обучения). На втором этапе проектирования учитывается квантовый синергетический эффект самоорганизации формирования робастной базы знаний квантового регулятора (квантовый «сильный» вычислительный ИИ «в большом» для нештатных ситуаций) из неточных (не робастных) баз знаний нечетких регуляторов (ИИ «в малом» в нештатных ситуациях) на основе квантового нечеткого вывода в инструментарии QCOptKBTM. Энтропийный анализ экспериментальной работы регуляторов показал, что квантовый интеллектуальный регулятор с «сильным» ИИ обладает объективным свойством (физически строгого и математически корректного доказательства) когнитивно - рационального расхода ресурса для совершения силой управления полезной работы, необходимой для гарантированного достижения цели управления. Данное свойство позволяет устранить необходимость субъективной интерпретации результатов «доверенного», «генеративного» и «объяснительного» моделей ИИ. Показана эффективность и квантовое преимущество применения интеллектуальных самоорганизующихся квантовых регуляторов управления (встроенных в бортовые интеллектуальные системы управления) классическими объектами управления на основе ИТ квантовых мягких вычислений.
Скачивания
Информация о статье
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
Решетников А. Г., Ульянов С. В. Программно-алгоритмическая поддержка интеллектуальных систем управления на технологиях мягких вычислений // Программные продукты и системы. 2025. – №4. – С. 704-714.
Интеллектуальная система управления расходом жидкого азота в сборнике криогенной установки контроля СП магнитов: мягкие вычисления / Ю. Г. Беспалов, Д. А. Неополитанский, Д. Н. Никифоров [и др.] // Системный анализ в науке и образовании. – 2022. – №3. – С.138-159.
Formation of knowledge bases of fuzzy regulators based on the physical training signal of a nitrogen cryogenic plant using a genetic algorithm / Y. Bespalov, P. Zrelov, M. Katulin [et al.] // Physics of Particles and Nuclei. – 2024. – Т.55, № 1. – Pp. 566–568.
Необходимость применения интеллектуальных систем управления в экспериментальных ядерно-физических комплексах (типа NICA). Ч. I: Проблема нештатных ситуаций / О. И. Бровко, А. В. Елисеев, В. Д. Кекелидзе [и др.] // Системный анализ в науке и образовании. – 2019. – № 4. – С. 32-57.
Возможности применения сквозных квантовых информационных технологий в интеллектуальных системах управления слабо формализованными физическими объектами (типа комплекс NICA) / В. В. Кореньков, А. Г. Решетников, Г. П. Решетников, С. В. Ульянов// Системный анализ в науке и образовании. – 2018. – №. 4. – С. 10-53.
Ульянов С. В. Технологии интеллектуальных вычислений. Мягкие и дробные вычисления в интеллектуальном управлении / С. В. Ульянов, Г. П. Решетников. – Дубна: УНЦ ОИЯИ, 2013.
Litvintseva L. V., Ul’yanov S. V., Ul’yanov S. S. Design of robust knowledge bases of fuzzy controllers for intelligent control of substantially nonlinear dynamic systems: II. A soft computing optimizer and robustness of intelligent control systems //Journal of computer and systems sciences international. – 2006. – Т. 45. – №. 5. – С. 744-771.
Ульянов С. В. Квантовая релятивистская информатика. Ч. 4: квантовая релятивистская информация и измерения, квантовая релятивистская термодинамика и физические / информационные пределы квантового управления, квантовые релятивистские вычисления и алгоритмы, квантовая программная инженерия. М.: Курс. 2025.
Ulyanov S. V. System and Method for Control Using Quantum Soft Computing. – US Patent No 6,578,018 B1, 2003.
Решетников А. Г., Ульянов В. С., Ульянов С. В. Робастное интеллектуальное управление автономным роботом: Квантовая самоорганизация неточных баз знаний – эксперимент // Известия РАН. Теория и системы управления. – 2023. – №5. – С. 127–146.
Ulyanov S. V. Self-organizing Quantum Robust Control Methods and Systems for Situations with Uncertainty and Risk. – US Patent No 8788450 B2, 2014.
Quantum Engineering of “Strong” Computational AI Robust Control. Part III. Vol. 1: Physical intelligent control quantum law; Quantum algorithm of imperfect knowledgebase self-organization; Quantum intelligent feedback force control and information-thermodynamic stability of port-Hamiltonian control object; Applied SW/HW toolkit SCOptKBTM/QCOptKBTM / V. V. Borovinskiy [et al.]. – M.: Kurs, 2025.
Интеллектуальная когнитивная робототехника. Часть 4.1: квантовый «сильный» вычислительный интеллект в интеллектуальном управлении роботизированными автономными системами в «Индустрия 4.0 / 5.0» / Р. Ю. Капков, О. Ю. Тятюшкина, А. Г. Решетников, С. В. Ульянов. – Москва: Курс. – 2024. – 483 c.
Способ и система интеллектуального самоорганизующегося координационного управления объектами с неопределенными параметрами в нештатных ситуациях : [патент на изобретение] / Д. Н. Никитин, А. Г. Решетников, С. В. Ульянов. – ФИПС, РФ, 2025. – Заявка: 2025 117 067 от 20.06. 2025.
Свидетельство о Государственной регистрации программы для ЭВМ № 2024611065 Интеллектуальная координационная система управления на основе квантового нечеткого вывода для Tango Controls / П. В. Зрелов, М. С. Катулин, А. Г. Решетников, С.В. Ульянов. – Заявка № 2023689678. – Дата государственной регистрации в Реестре программ для ЭВМ 17 января 2024.
Бустер комплекса NICA: сверхпроводящий синхротрон нового поколения / А. В. Бутенко, О. И. Бровко, А. Р. Галимо [и др.] // Успехи физических наук. – 2023. – Т. 193, № 2. – С. 206-225.
Ульянов С. В. Синергизм информации в интеллектуальном управлении и принцип компенсации неполноты извлекаемых знаний. Ч. 1: Парадоксы логики адекватности физических моделей в проблеме Вундгейлера // Системный анализ в науке и образовании. – 2013. – № 1. – С. 65-101.
Интеллектуальная система дистанционного управления давлением и расходом жидкого азота в криогенной системе сверхпроводящих магнитов: программно-аппаратная платформа / А. В. Бутенко, С. А. Костромин, Д. Н. Никифоров [и др.] // Письма в ЭЧАЯ. – 2023. – Т. 20, № 2(247). – С. 183–199.
Никифоров Д. Н., Решетников А. Г., Ульянов С. В. Квантовое интеллектуальное управление давлением азота в криогенной установке испытательного стенда фабрики магнитов // Физика элементарных частиц и атомного ядра. – 2024. – Т. 55, №. 3. – C. 677–683.
Reshetnikov A. G., Ulyanov S. V. Intelligent information technologies based on quantum computing in the task of controlling elements of an accelerator complex // Physics of Particles and Nuclei. – 2024. – Vol. 55, №. 3. – Pp. 566-568.
Ulyanov S. V. Quantum Algorithm of Imperfect KB Self-organization. Pt I: Smart Control-Information-Thermodynamic Bounds // Artificial Intelligence Advances. – 2021. – Vol. 3, No 2. – DOI: https://doi.org/10.30564/aia.v3i2.3171
Термодинамические ограничения и информационные условия устойчивости, управляемости и робастности интеллектуального когнитивного управления // С. В. Ульянов, А. А. Шевченко, А. В. Шевченко, О. Ю. Тятюшкина // Программные продукты и системы. – 2021. – Т. 34, № 4. – С. 524–542. – DOI: 10.15827/0236-235X.136.524-542.
Интеллектуальная когнитивная робототехника. Ч. 4.3: Промышленный квантовый «сильный» вычислительный интеллект в интеллектуальном управлении роботизированными социотехническими системами «Индустрии 4.0/5.0» / В. В. Боровинский, Р. Ю. Капков, А. Г. Решетников, С. В. Ульянов. – Москва: Курс, 2025. – 459 с.
Ulyanov S. V. Quantum Fuzzy Inference Based on Quantum Genetic Algorithm: Quantum Simulator in Intelligent Robotics // International Conference on Theory and Application of Soft Computing, Computing with Words and Perceptions. – Cham : Springer International Publishing, 2019. – Pp. 78-85. – https://doi.org/10.1007/978-3-030-35249-3_9.
REST API — Tango Controls 10.0.0 documentation. –Tango Controls Community, 2017-2025. – URL: https://tango-controls.readthedocs.io/en/latest/Reference/bindings/rest-api.html.