Системная информатика, 2026, № 30

В данной работе представлены материалы о существовании в структурах биологического наследования у живых организмов наряду с нуклеотидно-алфавитной системой информационного наследования взаимно-дополнительной с ней операторно-алфавитной биоинформационной системы. Эта операторная биоинформатика и ее алфавит сопряжены с квантовой механикой, квантовой логикой и квантовой информатикой, поскольку генетические молекулы принадлежат к микромиру квантовой механики и многие авторы давно подозревают, что живые организмы являются квантово-подобными сущностями. В поиске и обосновании этой операторной биоинформатики и ее алфавитов особое внимание уделяется унитарным операторам, на которых, как на логических вентилях (гейтах), строятся все вычисления в квантовом компьютинге и которые в квантовой механике описывают эволюцию замкнутых квантовых систем. Разрабатываемый квантово-логический аппарат данной биоинформатики основан на генетическом алфавите из 4 унитарных матриц Адамара, семействах унитарных матриц на базе этого алфавита и циклических степенных группах унитарных преобразований. Обсуждаются возможности и перспективы предлагаемого подхода для развития квантово-логической биологии, биоморфного искусственного интеллекта и биотехнологий.

В статье представлен программный комплекс TB-ANALYSIS, разработанный для интеллектуального анализа и управления динамикой резонанса в одномерных системах с движущимися границами. Реализованный в среде MATLAB, программный комплекс сочетает классические методы решения краевых задач (аналитические, асимптотические и приближенные) с технологиями искусственного интеллекта (ИИ) для прогнозирования и предотвращения резонансных явлений. Ключевой особенностью разработки является гибридная архитектура, которая, наряду с модулями численного моделирования и факторного анализа, реализует интеллектуальный модуль на основе глубоких нейронных сетей (ГНС). Этот модуль автоматически прогнозирует резонансные частоты на основе параметров модели и определяет оптимальные значения коэффициентов демпфирования, вязкоупругости и жесткости для подавления резонанса. Нейронные сети обучаются с использованием синтетических данных, генерируемых самим пакетом. Эффективность и точность пакета подтверждены тестированием на модельных задачах.