Квантовый алгоритм машинного обучения в дипломе: как усилить классификацию и защититься на отлично

В марте 2026 года исследователи НИТУ МИСИС представили новый квантовый алгоритм для машинного обучения, который точнее классифицирует данные за счёт квантовых корреляций. Для студента ИТ-вуза это не просто новость — это готовый фундамент для ВКР. Вы можете взять за основу гибридную архитектуру (квантовый слой + классические нейросети), показать, как реализовать её на симуляторе Qiskit, и сравнить метрики с традиционными методами. Ниже разберём, как превратить эту тему в защищаемый проект, избежать типовых ошибок и уложиться в требования ГОСТ.

Что именно вы можете сделать в дипломе: три сценария

Каждая из тем ниже опирается на квантовый алгоритм из статьи МИСИС и закрывает реальные запросы вузов — от нормоконтроля до демонстрации инженерного подхода.

Тема 1. Гибридный квантово-классический классификатор для задач с шумными данными

Актуальность: Статья показывает, что квантовая часть повышает точность на 5–15% на сложных наборах (медицина, финансы). Вы можете взять это как гипотезу и проверить на своём датасете (например, кредитный скоринг).

• Цель: Разработать и обучить гибридную модель (ансамбль из квантового вариационного схемы и полносвязной нейросети) для бинарной классификации.
• Задачи: 1) Обзор квантовых алгоритмов (QAOA, VQC). 2) Выбор фреймворка (Qiskit, Cirq). 3) Реализация пайплайна предобработки → квантовая схема → классификатор PyTorch. 4) Расчёт метрик (Accuracy, Precision, Recall, F1, ROC-AUC) на тестовой выборке и сравнение с Random Forest.
• Структура: Глава 1 — Квантовое машинное обучение: принципы, ограничения шума, обзор VQC. Глава 2 — Архитектура гибридного классификатора (C4-диаграмма компонентов). Глава 3 — Эксперименты: точность, время выполнения, устойчивость к шуму.

Тема 2. Оценка влияния квантового шума на качество ML-модели (на примере алгоритма МИСИС)

Актуальность: Разработчики из МИСИС тестировали алгоритм на симуляторе без шума. В реальных квантовых процессорах (IBM, Rigetti) шум портит результат. Ваша ВКР может стать первой, кто измерит это падение и предложит методы коррекции.

• Цель: Проанализировать деградацию метрик классификации при различных уровнях шума (деполяризующий, амплитудный затухающий) и предложить архитектурные улучшения.
• Задачи: 1) Изучить модели шума в Qiskit Aer. 2) Воспроизвести алгоритм из статьи. 3) Снять зависимость F1 от количества вентилей и глубины схемы. 4) Реализовать пост-обработку (zero-noise extrapolation) и показать прирост.
• Структура: Глава 1 — Физика кубитов и источники шума (T1, T2, gate error). Глава 2 — Детальное описание алгоритма с ASCI-схемой квантовой цепи. Глава 3 — Графики: accuracy vs noise level, таблицы с метриками.

Тема 3. Разработка веб-сервиса для демонстрации квантового классификатора (Frontend + Backend)

Актуальность: Работодатели и комиссия ценят практическое применение. Вы можете упаковать алгоритм в REST API (FastAPI) и простой UI (React/Streamlit), чтобы любой мог загрузить данные и получить предсказание.

• Цель: Спроектировать и реализовать микросервисную архитектуру (API + симулятор Qiskit + БД для логирования).
• Задачи: 1) Спроектировать C4-диаграмму (контейнеры: web-клиент, backend, worker Qiskit). 2) Разработать эндпоинт /predict. 3) Настроить Docker Compose (контейнер с Qiskit + uvicorn). 4) Написать тесты (unit, интеграционные) и измерить latency.
• Структура: Глава 1 — Сравнение архитектур монолит vs микросервисы, обзор OpenAPI. Глава 2 — Детальная UML-диаграмма последовательности (sequence) для запроса. Глава 3 — Нагрузочное тестирование (JMeter / Locust) и анализ времени ответа.

Как вставить материал статьи в главы ВКР: конкретные советы

Глава 1 (Анализ)

В параграфе «Современное состояние квантового машинного обучения» укажите: «В 2026 году исследователи МИСИС предложили ... (описание алгоритма). Основное отличие — использование многокубитных вентилей, что повышает выразительность модели». Ссылайтесь на статью CNews. Добавьте таблицу сравнения с аналогами (Google Quantum AI, IBM Quantum).

// Пример списка источников в ГОСТ 7.1:
// 1. В МИСИС разработали новый квантовый алгоритм для машинного обучения // CNews. – 2026. – 16 марта. – URL: https://www.cnews.ru/news/line/2026-03-16_v_misis_razrabotali_novyj

Глава 2 (Проектирование)

Нарисуйте C4-диаграмму Level 2: ваш сервис, симулятор Qiskit, менеджер шума. Обязательно включите блок «Metrics collector» (Prometheus или просто логгер). Код квантовой схемы вынесите в приложение, а в тексте опишите псевдокод:

// Псевдокод гибридной схемы (Qiskit)
import numpy as np
from qiskit import QuantumCircuit, Aer, execute

def quantum_layer(params):
    qc = QuantumCircuit(4)
    qc.ry(params[0], 0)
    qc.cx(0, 1)
    qc.rz(params[1], 1)
    qc.measure_all()
    return qc

sim = Aer.get_backend('qasm_simulator')
result = execute(quantum_layer([0.5, 1.2]), sim, shots=1024).result()
counts = result.get_counts()

Глава 3 (Тестирование)

Посчитайте метрики согласно ISO/IEC 25010 (эффективность, надёжность). Покажите два графика: 1) Accuracy при разном количестве кубитов (2,3,4); 2) Время выполнения vs количество вентилей. Используйте AUC-ROC для сравнения с Random Forest.

Важно: Не забудьте про раздел «Экономическая эффективность» — можно оценить стоимость запуска симулятора на облачном сервере (AWS) vs классический алгоритм. Это даст дополнительные баллы на защите.

Чему вы научитесь, выполнив такой диплом

• Проектировать гибридные архитектуры (квантовый слой + классика) с учётом шума.
• Работать с Qiskit, Cirq и TensorFlow Quantum на уровне инженера-исследователя.
• Считать метрики классификации в условиях стохастичности квантовых измерений.
• Оформлять схемы (C4, UML, BPMN) для квантовых пайплайнов — это выделит вас среди 90% студентов.
• Писать раздел экономики и безопасности (оценка TCO, риски квантовых угроз).

FAQ: что чаще всего спрашивают студенты

1. Нужен ли реальный квантовый компьютер для ВКР?

Нет, достаточно симулятора Qiskit Aer/Azure Quantum. Но если хотите использовать IBM Quantum (доступ бесплатный на 10 кубитов), пишите заявку за 2 месяца. В дипломе обязательно укажите модель шума, иначе комиссия спросит про применимость на реальном железе.

2. Какие данные подходят для экспериментов?

Любые табличные с небольшим признаком (до 10-15). Лучше взять из открытых репозиториев: UCI (диабет, ирисы) или синтетический датасет со скрытыми корреляциями. Избегайте изображений — квантовые схемы плохо масштабируются на большие размерности.

3. Как оформить код, чтобы пройти нормоконтроль?

Код нужно вынести в приложение (отдельный файл .py или .ipynb). В тексте — только листинг ключевых функций (не более 15 строк). Обязательно добавьте комментарии по ГОСТ 19.701-90 (или укажите, что код соответствует PEP 8).

4. Как доказать эффективность, если квантовое преимущество пока неочевидно?

Сравнивайте не только точность, но и скорость сходимости (loss over epochs) и устойчивость к переобучению. В статье МИСИС показано улучшение на 7% — ваша задача «договориться» с данными, чтобы выигрыш был не менее 3-5%. Если разница меньше — это тоже результат, оберните его в анализ trade-off (шум vs точность).

Источник: В МИСИС разработали новый квантовый алгоритм для машинного обучения (опубликовано 2026-03-16)