Квантовые технологии и инструменты искусственного интеллекта обладают огромным потенциалом для применения во многих отраслях промышленности, обещая повышение эффективности, точности и безопасности, а также расширение возможностей прогнозирования и адаптивного управления сложными процессами. Исследователи полагают, что преимущества этих инновационных технологий могут идеально подойти для создания беспилотных систем. Цель статьи заключается в изучении особенностей и перспектив применения нейросетевых и квантовых технологий в технологических процессах производства беспилотных систем. Методы исследования: анализ и синтез, систематизация данных по сферам применения, моделирование с использованием физически информированных нейронных сетей, применение квантовых алгоритмов для оптимизации проектирования и производства, оценка эффективности и надежности автономных систем. В статье детализированы сферы и потенциал применения нейросетевых и квантовых технологий для производства автономных платформ. Отдельное внимание уделено физически информированным нейронным сетям для идентификации нелинейных моделей систем в процессе проектирования беспилотных аппаратов. Апробация и преимущества предложенной архитектуры проведены на примере параметрической оптимизации лонжерона крыла БПЛА. Проведенный сравнительный анализ показывает, что физически информированные нейронные сети, интегрирующие физические законы в функцию потерь, способны на порядок сократить вычислительное время по сравнению с прямым численным моделированием. Также акцентировано внимание на повышенной сходимости, устойчивости к переобучению и стабильных результатах прогнозирования, которые позволяют получить квантовые алгоритмы в задачах производства и масштабирования беспилотников. Благодарности: Автор благодарит ООО «НИИ Кибернетики Сибири» за техническую и финансовую поддержку при проведении исследований.
Quantum technologies and artificial intelligence tools have enormous potential for application in many industries, promising increased efficiency, accuracy, and safety, as well as expanded capabilities for forecasting and adaptive management of complex processes. Researchers believe that the advantages of these innovative technologies may be ideal for the creation of unmanned systems. The purpose of this article is to study the features and prospects of applying neural network and quantum technologies in the technological processes of unmanned system production. Research methods: analysis and synthesis, systematisation of data by area of application, modelling using physically informed neural networks, application of quantum algorithms to optimise design and production, evaluation of the efficiency and reliability of autonomous systems. The article details the areas and potential of neural network and quantum technologies for the production of autonomous platforms. Particular attention is paid to physically informed neural networks for identifying nonlinear system models in the design of unmanned aerial vehicles. The proposed architecture has been tested and its advantages demonstrated using the example of parametric optimisation of the UAV wing spar. A comparative analysis shows that physically informed neural networks, which integrate physical laws into the loss function, can reduce computing time by an order of magnitude compared to direct numerical simulation. Attention is also focused on increased convergence, resistance to overfitting, and stable prediction results, which make it possible to obtain quantum algorithms in the tasks of manufacturing and scaling unmanned aerial vehicles. Acknowledgements: The author thanks the Research Institute of Cybernetics of Siberia LLC for technical and financial support during the research.
1. Левченко Н.В., Замятин П.А. Применение положений унитарной квантовой теории в интересах подотрасли беспилотных авиационных систем // Славянский форум. 2024. № 1 (43). С. 337–346. EDN: PVEGLV.
2. M.D. Owahedur Rahman, Muhammad Bilal Yaseen, Anum Shafiq, Sadashiv Chaturvedi. Quantum-Driven Optimization in UAV-Assisted RIS Networks: A Comprehensive Framework for Maximizing Quantum-Enhanced Signal Reconfiguration Efficiency // International Journal of Communication Systems. 2025. Vol. 38. Is. 14. Р. e70224. DOI: 10.1002/dac.70224.
3. Замятин П.А., Ростовцев Р.М., Солохин С.А., Хрусталев П.Е. Использование квантовых технологий для решения навигационных задач робототехнических комплексов, включая беспилотные авиационные системы // Славянский форум. 2024. № 3 (45). С. 182–200. EDN: HPITEU.
4. Youchun Zh. Design of Multimodal Neural Network Control System for Mechanically Driven Reconfigurable Robot // Computational Intelligence and Neuroscience. 2022. Vol. 2022. P. 2447263. DOI: 10.1155/2022/2447263. EDN: KFSYMO.
5. Vandana Dabass, Suman Sangwan. Optimization Algorithm-Based Deep Quantum Neural Network for Task Allocation in Multi-Robot Systems // International Journal of Adaptive Control and Signal Processing. 2025. Vol. 39. Is. 8. Р. 1696–1711. DOI: 10.1002/acs.4015.
6. Савельев М.Ф., Обухов А.В., Малахова Н.С., Воробьев Е.Г. Метод решения задачи безопасного движения транспорта и пешеходов на основе квантовых и нейрокомпьютерных систем // Интеллектуальные технологии на транспорте. 2024. № 4 (40). С. 43–49. DOI: 10.20295/2413-2527-2024-440-43-49. EDN: DEEAVT.
7. Иванов М.Е., Решетников Д.В. Нейросетевая коррекция навигационных систем высокоточных беспилотных летательных аппаратов на основе обучения нейросети без учителя // Инновационное приборостроение. 2025. Т. 4. № 1. С. 68–73. DOI: 10.31799/2949-0693-2025-1-68-73. EDN: UPDLCI.
8. Qifu Wang, Yuteng Guan Neural Network-Based Adaptive Dynamic Surface Course Tracking Control of an Unmanned Surface Vehicle With Signal Input Quantization // International Journal of Adaptive Control and Signal Processing. 2025. Vol. 39. Р. 20–27. DOI: 10.1002/acs.4017.
9. Сергеев Д.А., Родионов Д.Г., Поляков П.А. и др. Интеллектуальная система мониторинга и адаптации маршрута беспилотных летательных аппаратов на основе нейросетевого анализа объектов риска // Программные системы и вычислительные методы. 2025. № 1. С. 55–70. DOI: 10.7256/2454-0714.2025.1.73255. EDN: UZVYID.
10. Patel N., Vasani N., Gupta R. et al. Convolutional neural network and unmanned aerial vehicle-based public safety framework for human life protection // International Journal of Communication Systems. 2025. Т. 38. № 1. e5545. DOI: 10.1002/dac.5545. EDN: ETIXOI.
11. Zhao Ch., Yan H., Gao D. et al. Adaptive Neural Network Iterative Sliding Mode Course Tracking Control for Unmanned Surface Vessels // Journal of Mathematics. 2022. Vol. 2022. P. 1417704. DOI: 10.1155/2022/1417704. EDN: YUASUN.
12. Березкин А.А., Вивчарь Р.М., Киричек Р.В. Подход к обоснованию требований к качеству видеопотока при FPV-управлении беспилотными системами // Труды учебных заведений связи. 2024. Т. 10. № 4. С. 7–15. DOI: 10.31854/1813-324X-2024-10-4-7-15. EDN: JQQCXK.
13. Амосов О.С., Амосова С.Г. Интеллектуальные технологии совместной навигации и функционирования подвижных объектов в разных физических средах // Информационные технологии. 2025. Т. 31. № 1. С. 24–34. DOI: 10.17587/it.31.24-34. EDN: ZOUENC.
14. Özgören A.C., Uzol O. A Data-Driven Approach for the Prediction of Reynolds Number Effects on Wind Turbine Airfoil Aerodynamic Polars // Wind Energy. 2025. Vol. 28. Is. 3. DOI: 10.1002/we.2964. EDN: ZXGPHH.
15. Fan B., Li Yu., Zhang R., Fu Q. Review on the Technological Development and Application of UAV Systems // Chinese Journal of Electronics. 2020. Vol. 29. Is 2. P. 199–207. DOI: 10.1049/cje.2019.12.006. EDN: EKVCCK.
16. Тырышкин С.Ю. Алгоритмы квантовой оптимизации в исследовании операций: методы, приложения и перспективы развития // Международный журнал гуманитарных и естественных наук. 2024. № 11–3 (98). С. 243–247. DOI: 10.24412/2500-1000-2024-11-3-243-247. EDN: HUVQMR.