КВАНТОВИЙ МЕТОД ОПОРНИХ ВЕКТОРІВ: РОЗРОБКА ВАРІАЦІЙНИХ АЛГОРИТМІВ ДЛЯ РЕАЛІЗАЦІЇ КЛАСИФІКАЦІЇ ДАНИХ У ТЕХНІЧНИХ, ПРИРОДНИЧИХ І СОЦІАЛЬНО-ЕКОНОМІЧНИХ СИСТЕМАХ
QUANTUM SUPPORT VECTOR MACHINES: DEVELOPING VARIATIONAL ALGORITHMS FOR DATA CLASSIFICATION IN TECHNICAL, NATURAL, AND SOCIO-ECONOMIC SYSTEMS
Сторінки: 11-16. Номер: №3, 2023 (321) 
Автори:
КАЗІОНОВ Максим
Хмельницький національний університет
ORCID ID: 0009-0004-0177-3336
e-mail: mr.kazionov@gmail.com
СКРИПНИК Тетяна
Хмельницький національний університет
ORCID ID: 0000-0002-8531-5348
e-mail: tkskripnik1970@gmail.com
БАРМАК Олександр
Хмельницький національний університет
ORCID ID: 0000-0003-0739-9678
e-mail: alexander.barmak@gmail.com
KAZIONOV maksym, SKRYPNYK tetyana, BARMAK olexsander
Khmelnytskyi National University
DOI: https://www.doi.org/10.31891/2307-5732-2023-321-3-11-16
Анотація мовою оригіналу
У роботі наведені результати дослідження застосування квантового методу опорних векторів у різних сферах, зокрема в технічних, природничих і соціально-економічних системах. Для висвітлення способів застосування квантового підходу у технічних інформаційних системах було використано проблему класифікації зловмисного трафіку, для природничих систем – проблему класифікації якості води, для економічних систем – проблему класифікації відтоку клієнтів. У випадку класифікації зловмисного трафіку, квантова модель продемонструвала кращу ефективність порівняно з класичними методами, хоча час навчання був трохи більшим через обмежену доступність квантових комп’ютерів. Враховуючи потенціал квантового обчислення для обробки великого обсягу даних та складних аналітичних завдань, його застосування в кібербезпеці може сприяти виявленню та прогнозуванню кібератак, захисту мереж та систем від загроз, а також виявленню вразливостей і встановленню механізмів їх усунення.
У випадку екологічних досліджень, класичні методи та квантовий класифікатор продемонстрували приблизно однакову якість класифікації, але результати не досягали еталонного рівня. Для поліпшення моделей можна використовувати кращі методи класифікації або комбінувати класичні методи з квантовими для отримання більш точних результатів.
У випадку прогнозування відтоку клієнтів у фінансових задачах, квантовий метод опорних векторів перевершив класичні методи, що свідчить про його великий потенціал, який може бути реалізований у якісні результати у майбутньому. Для подальшого розвитку таких застосувань необхідно вдосконалювати алгоритми, збільшувати кількість квантових ресурсів та активно використовувати нові підходи до навчання та оптимізації моделей.
Ключові слова: штучний інтелект, машинне навчання, квантові обчислення, квантовий метод опорних векторів, технічні інформаційні системи.
Розширена анотація англійською мовою
The paper presents research results on the application of the quantum support vector machine method in various domains, including technical, natural, and socio-economic systems. To explore the utilization of the quantum approach in technical information systems, the problem of malicious traffic classification was investigated. For natural systems, the classification of water quality was addressed, while customer churn classification was tackled in economic systems.
In the case of malicious traffic classification, the quantum model demonstrated superior effectiveness compared to classical methods, albeit with slightly longer training times due to limited availability of quantum computers. Considering the potential of quantum computing in processing large volumes of data and complex analytical tasks, its application in cybersecurity can contribute to the detection and prediction of cyber-attacks, network and system protection against threats, as well as the identification of vulnerabilities and the establishment of mitigation mechanisms.
Regarding ecological research, classical methods and the quantum classifier showcased similar classification quality, but the results did not reach the benchmark level. To enhance the models, one can leverage improved classification methods or combine classical and quantum approaches to achieve more precise results. In the context of customer churn prediction in financial tasks, the quantum support vector machine method outperformed classical methods, highlighting its significant potential for yielding high-quality results in the future. To further develop such applications, algorithm refinement, increased availability of quantum resources, and the active utilization of new approaches for training and model optimization are necessary.
Keywords: artificial intelligence, machine learning, quantum computing, quantum support vector machines, technical information systems.
