Цветовая кодировка кубитных состояний
Ключевые слова:
квант, кубит, цвет, эмоциональный смысл, квантовая информатика, обработка изображений, кодАннотация
Трудности алгоритмической имитации естественного мышления указывают на несовершенство используемых для этого форматов представления информации. В этом отношении перспективна кодировка информации кубитными состояниями квантовой теории, структура которых согласуется с крупными теориями когнитивной семантики. Представлено развитие этого подхода, связывающее кубитные состояния с цветом как самостоятельным носителем эмоционально-смысловых значений. Основой для этого стало геометрическое подобие цветовых тел и Гильбертова пространства кубитных состояний, позволившее установить между ними взаимооднозначное математическое отображение. Для этого использовано оригинальное разложение кубита по тройке неортогональных векторов, соответствующих красному, синему и зелёному цветам. Действительные коэффициенты такого разложения являются томограммами кубитного состояния по соответствующим направлениям, связанными с компонентами вектора Стокса операцией поворота. При этом композиционные соотношения чёрного, белого и шести основных цветов (красный, зелёный, синий, жёлтый, фиолетовый, голубой) выражаются аналогичными суперпозициями кубитных состояний. Чистые и смешанные цвета соответствуют чистым и смешанным состояниям на поверхности и внутри сферы Блоха, тогда как оттенки серого отображаются на вертикальный диаметр сферы. При этом светлость цвета соответствует вероятности базисного кубитного состояния «1», тогда как насыщенность цвета и цветовой тон кодируют когерентность и фазу кубитного состояния. Полученный результат открывает возможности для использования квантовой информатики в задачах семантического анализа данных, обработки изображений и создания природоподобных вычислительных архитектур.
Литература
1. Налимов В.В. Спонтанность сознания: вероятностная архитектура смыслов и смысловая архитектоника личности. М: Прометей, 1989. 288 с.
2. Петренко В.Ф. Основы психосемантики. М: Эксмо, 2010. 480 с.
3. Кузнецов О.П. Когнитивная семантика и искусственный интеллект // Искусственный интеллект и принятие решений. 2012. № 4. C. 32–42.
4. Кузнецов О.П. Модели голографических процессов обработки информации в нейронных сетях // Автомат. и телемех. 1993. Т. 7. С. 160–172.
5. Дурнев Р.А., Жданенко И.В., Крюков К.Ю. Будущее искусственного интеллекта в спасательном деле // Технологии гражданской безопасности. 2018. Т. 15. № 4. С. 25–29.
6. Кудрин В.Б., Хруцкий К.С. Трехзначная логика и троичная информатика Н.П. Брусенцова: их аристотелевские основания // Biocosmology – neo-Aristotelism. 2018. Т. 7. С. 337–388.
7. Bessmertny I., Sukhikh N., Vedernikov Ju., Koroleva Ju. Ternary Logics in Decision Making // Reliability and Statistics in Transportation and Communication. (Eds.: Kabashkin I., Yatskiv I., Prentkovskis O.). 2021. pp. 411–419.
8. Васильев В.Н., Павлов А.В. Голографические технологии для систем искусственного интеллекта // Научно-технический вестник информационных технологий, механики и оптики. 2005. Т. 21. № 5. С. 95–99.
9. Aerts D., Czachor M. Cartoon computation: Quantum-like computing without quantum mechanics // J. Phys. A Math. Theor. 2007. vol. 40. no. 13. pp. 259–266.
10. Кудряшова Е.С., Михайлова Н.Н., Хусаинов А.А. Моделирование конвейерных и волновых вычислений // Науковедение. 2014. № 1. 12 p.
11. Павельева Е.А. Обработка и анализ изображений на основе использования информации о фазе // Компьютерная оптика. 2018. Т. 42. № 6. С. 1022–1034.
12. Павлов А.В. Начальное порождение понятий при обработке образов на алгебре фурье-дуальных операций // Искусственный интеллект и принятие решений. 2018. С. 84–97.
13. Фоминых И.Б. Инженерия образов, творческие задачи, эмоциональные оценки // Онтология проектирования. 2018. Т. 8. № 2. С. 175–189.
14. Гуц А.К. Основы квантовой кибернетики. Омск: Полиграфический центр КАН, 2008. 204 с.
15. Соловьёв В.М. Квантовые компьютеры и квантовые алгоритмы. Часть 2. Квантовые алгоритмы // Известия Саратовского университета. Серия Математика, Механика, Информатика. 2016. Т. 16. № 1. C. 104–112.
16. Melnikov A., Kordzanganeh M., Alodjants A.P., Lee R.-K. Quantum Machine Learning: from physics to software engineering // Adv. in Physics X. 2023. vol. 8. no. 1. DOI: 10.48550/arXiv.2301.01851.
17. Manju A., Nigam M.J. Applications of quantum inspired computational intelligence: A survey // Artificial Intelligence Review. 2014. vol. 42. no. 1. pp. 79–156.
18. Bhattacharyya S., Maulik U., Dutta P. Quantum Inspired Computational Intelligence. Morgan Kaufmann, 2017. 506 p. DOI: 10.1016/C2015-0-01859-7.
19. Howard M. Wallman J. Veitch V. Emerson J. Contextuality supplies the ’magic’ for quantum computation // Nature. 2014. vol. 510. no. 7505. pp. 351–355.
20. Khrennikov A. Contextuality, Complementarity, Signaling, and Bell Tests // Entropy. 2022. vol. 24. no. 10. pp. 1380.
21. Холево А.С. Математические основы квантовой информатики. Лекционные курсы НОЦ. М: МИАН, 2018. 118 с.
22. Venegas-Andraca S.E., Bose S. Storing, processing, and retrieving an image using quantum mechanic // SPIE Quantum Information and Computation. (Eds.: Donkor E., Pirich A.R., Brandt H.E.). 2003. vol. 5105. DOI: 10.1117/12.485960.
23. Le P.Q., Dong F., Hirota K. A flexible representation of quantum images for polynomial preparation, image compression, and processing operations // Quantum Information Processing. 2011. vol. 10. no. 1. pp. 63–84. DOI: 10.1007/s11128-010-0177-y.
24. Yuan S., Mao X., Xue Y., Chen L., Xiong Q., Compare A. SQR: A simple quantum representation of infrared images // Quantum Inf. Process. 2014. vol. 13. no. 6. pp. 1353–1379.
25. Sang J., Wang S., Li Q. A novel quantum representation of color digital images // Quantum Information Processing. 2017. vol. 16. no. 2. DOI: 10.1007/s11128-016-1463-0.
26. Levkowitz H., Herman G.T. GLHS: A Generalized Lightness, Hue, and Saturation Color Model // CVGIP: Graphical Models and Image Processing. 1993. vol. 55. no. 4. pp. 271–285.
27. Tian-Yuan S. The reversibility of six geometric color spaces // Photogrammetric Engineering and Remote Sensing. 1995. vol. 61. no. 10. pp. 1223–1232.
28. Iliyasu A.M. Towards realising secure and efficient image and video processing applications on quantum computers // Entropy. 2013. vol. 15. no. 8. pp. 2874–2974.
29. Hai S.L., Qingxin Z., Ri G.Z. Multidimensional color image storage, retrieval, and compression based on quantum amplitudes and phases // Information Sciences. 2014. vol. 273. pp. 212–232.
30. Yan F., Iliyasu A.M., Venegas-Andraca S.E. A survey of quantum image representations // Quantum Information Processing. 2016. vol. 15. no. 1. pp. 1–35. DOI: 10.1007/s11128-015-1195-6.
31. Yan F, Iliyasu A.M., Le P.Q. Quantum image processing: A review of advances in its security technologies. International Journal of Quantum Information. 2017. vol. 15. no. 3. 18 p. DOI: 10.1142/S0219749917300017.
32. Yan F., Li N., Hirota K. QHSL: A quantum hue, saturation, and lightness color model // Information Sciences. 2021. vol. 577. pp. 196–213.
33. Pridmore R.W. Hue cycle described by graphs and color names // Color Research and Application. 1991. vol. 16. no. 2. pp. 114–121.
34. McCamy C.S. The primary hue circle // Color Research and Application. 1993. vol. 18. no. 1. pp. 3–10.
35. Li N., Yan F. A single-qubit-based HSL color model for efficient quantum image security applications // Optical and Quantum Electronics. 2022. vol. 54. pp. 1–39.
36. Yan F., Iliyasu A.M., Zhen-Tao L. Bloch Sphere-Based Representation for Quantum Emotion Space // Journal of Advanced Computational Intelligence and Intelligent Informatics. 2019. vol. 19. no. 1. pp. 134–142.
37. Yan F., Iliyasu A.M., Sihao J. Quantum Structure for Modelling Emotion Space of Robots // Applied Sciences. 2019. vol. 9. no. 16. pp. 3351.
38. Surov I.A. Quantum core affect. Color-emotion structure of semantic atom // Frontiers in Psychology. 2022. vol. 13. DOI: 10.3389/fpsyg.2022.838029.
39. Surov I.A. Natural Code of Subjective Experience // Biosemiotics. 2022. vol. 15. no. 2. pp. 109–139.
40. Суров И.А. Какая разница? Прагматическая формализация смысла // Искусственный интеллект и принятие решений. 2023. № 1. С. 78–89.
41. Baumgratz T., Cramer M., Plenio M.B. Quantifying coherence // Physical Review Letters. 2014. vol. 113. no. 14. DOI: 10.1103/PhysRevLett.113.140401.
42. Warmuth M.K., Kuzmin D. Bayesian generalized probability calculus for density matrices // Machine Learning. 2010. vol. 78. no. 1-2. pp. 63–101.
43. Fedorov A.K., Kiktenko E.O. Quaternion Representation and Symplectic Spin Tomography // Journal of Russian Laser Research. 2013. vol. 34. no. 5. pp. 477–487.
44. Hunter J.D. Matplotlib: A 2D graphics environment // Computing in Science and Engineering. 2007. vol. 9. no. 3. pp. 90–95.
45. Kuehni R.G. Color Space and Its Divisions. Color Order from Antiquity to the Present. New Jersey: Wiley-Interscience, 2003. 408 p.
46. Rossi M., Buratti G. The Architecture of Color: Number and Shapes as Measurement and Representation Tools // Nexus Network Journal. 2015. vol. 17. no. 2. pp. 547–569.
47. Khrennikov A. Ubiquitous Quantum Structure. From psychology to finance. Springer. 2010. 216 p.
48. Суров И.А. Алоджанц А.П. Модели принятия решений в квантовой когнитивистике (учебное пособие). Санкт-Петербург: Университет ИТМО, 2018. 63 c.
49. Суров И.А. Открытие чёрного ящика: Извлечение семантических факторов Осгуда из языковой модели word2vec // Информатика и автоматизация. 2022. Т. 21. № 5. С. 916–936.
50. Указ президента Российской Федерации «О развитии искусственного интеллекта в Российской Федерации». 2019. URL: http://www.kremlin.ru/acts/bank/44731.
51. Widdows D., Bruza P. Quantum Information Dynamics and Open World Science // AAAI Spring Symposium: Quantum Interaction. 2007. pp. 126-133.
52. Widdows D., Kitto K., Cohen T. Quantum Mathematics in Artificial Intelligence // Journal of Artificial Intelligence Research. 2021. vol. 72. pp. 1307–1341.
53. Ezhov А.А, Ventura D. Quantum Neural Networks / (Eds.: Kasabov N.) // Future Directions for Intelligent Systems and Information Sciences. Springer. 2000. pp. 213–235.
54. Петренко В.Ф., Супрун А.П. Методологические пересечения психосемантики сознания и квантовой физики. М: УРСС, 2018. 304 с.
55. Кленов Н.В., Кузнецов А.В., Щеголев А.Е., Соловьев И.И., Куприянов М.Ю., Терешонок М.В., Бакурский С.В. Нейрон на основе одного потокового кубита // Физика низких температур. 2019. Т. 45. № 7. С. 898–905.
56. Колесниченко О.Ю., Смолин В.С., Щербаков Д.А., Колесниченко Ю.Ю. Нейросети и понимание работы мозга в квантовом мире // Материалы VIII Международный конференции: Знания – Онтологии – Теории. 2021. С. 112–121.
57. Brachman R.J. Systems that know what they're doing // IEEE Intelligent Systems. 2002. vol. 17. no. 6. pp. 67–71.
58. Samsonovich А., Goldin R.F., Ascoli G.A. Toward a semantic general theory of everything // Complexity. 2009. vol. 16. no. 4. pp. 12–18.
59. Райков А.Н. Слабый vs сильный искусственный интеллект // Информатизация и связь. 2020. № 1. С. 81–88.
60. Roli A., Jaeger J., Kauffman S.A. How Organisms Come to Know the World: Fundamental Limits on Artificial General Intelligence // Frontiers in Ecology and Evolution. 2022. vol. 9. DOI: 10.3389/fevo.2021.806283.
2. Петренко В.Ф. Основы психосемантики. М: Эксмо, 2010. 480 с.
3. Кузнецов О.П. Когнитивная семантика и искусственный интеллект // Искусственный интеллект и принятие решений. 2012. № 4. C. 32–42.
4. Кузнецов О.П. Модели голографических процессов обработки информации в нейронных сетях // Автомат. и телемех. 1993. Т. 7. С. 160–172.
5. Дурнев Р.А., Жданенко И.В., Крюков К.Ю. Будущее искусственного интеллекта в спасательном деле // Технологии гражданской безопасности. 2018. Т. 15. № 4. С. 25–29.
6. Кудрин В.Б., Хруцкий К.С. Трехзначная логика и троичная информатика Н.П. Брусенцова: их аристотелевские основания // Biocosmology – neo-Aristotelism. 2018. Т. 7. С. 337–388.
7. Bessmertny I., Sukhikh N., Vedernikov Ju., Koroleva Ju. Ternary Logics in Decision Making // Reliability and Statistics in Transportation and Communication. (Eds.: Kabashkin I., Yatskiv I., Prentkovskis O.). 2021. pp. 411–419.
8. Васильев В.Н., Павлов А.В. Голографические технологии для систем искусственного интеллекта // Научно-технический вестник информационных технологий, механики и оптики. 2005. Т. 21. № 5. С. 95–99.
9. Aerts D., Czachor M. Cartoon computation: Quantum-like computing without quantum mechanics // J. Phys. A Math. Theor. 2007. vol. 40. no. 13. pp. 259–266.
10. Кудряшова Е.С., Михайлова Н.Н., Хусаинов А.А. Моделирование конвейерных и волновых вычислений // Науковедение. 2014. № 1. 12 p.
11. Павельева Е.А. Обработка и анализ изображений на основе использования информации о фазе // Компьютерная оптика. 2018. Т. 42. № 6. С. 1022–1034.
12. Павлов А.В. Начальное порождение понятий при обработке образов на алгебре фурье-дуальных операций // Искусственный интеллект и принятие решений. 2018. С. 84–97.
13. Фоминых И.Б. Инженерия образов, творческие задачи, эмоциональные оценки // Онтология проектирования. 2018. Т. 8. № 2. С. 175–189.
14. Гуц А.К. Основы квантовой кибернетики. Омск: Полиграфический центр КАН, 2008. 204 с.
15. Соловьёв В.М. Квантовые компьютеры и квантовые алгоритмы. Часть 2. Квантовые алгоритмы // Известия Саратовского университета. Серия Математика, Механика, Информатика. 2016. Т. 16. № 1. C. 104–112.
16. Melnikov A., Kordzanganeh M., Alodjants A.P., Lee R.-K. Quantum Machine Learning: from physics to software engineering // Adv. in Physics X. 2023. vol. 8. no. 1. DOI: 10.48550/arXiv.2301.01851.
17. Manju A., Nigam M.J. Applications of quantum inspired computational intelligence: A survey // Artificial Intelligence Review. 2014. vol. 42. no. 1. pp. 79–156.
18. Bhattacharyya S., Maulik U., Dutta P. Quantum Inspired Computational Intelligence. Morgan Kaufmann, 2017. 506 p. DOI: 10.1016/C2015-0-01859-7.
19. Howard M. Wallman J. Veitch V. Emerson J. Contextuality supplies the ’magic’ for quantum computation // Nature. 2014. vol. 510. no. 7505. pp. 351–355.
20. Khrennikov A. Contextuality, Complementarity, Signaling, and Bell Tests // Entropy. 2022. vol. 24. no. 10. pp. 1380.
21. Холево А.С. Математические основы квантовой информатики. Лекционные курсы НОЦ. М: МИАН, 2018. 118 с.
22. Venegas-Andraca S.E., Bose S. Storing, processing, and retrieving an image using quantum mechanic // SPIE Quantum Information and Computation. (Eds.: Donkor E., Pirich A.R., Brandt H.E.). 2003. vol. 5105. DOI: 10.1117/12.485960.
23. Le P.Q., Dong F., Hirota K. A flexible representation of quantum images for polynomial preparation, image compression, and processing operations // Quantum Information Processing. 2011. vol. 10. no. 1. pp. 63–84. DOI: 10.1007/s11128-010-0177-y.
24. Yuan S., Mao X., Xue Y., Chen L., Xiong Q., Compare A. SQR: A simple quantum representation of infrared images // Quantum Inf. Process. 2014. vol. 13. no. 6. pp. 1353–1379.
25. Sang J., Wang S., Li Q. A novel quantum representation of color digital images // Quantum Information Processing. 2017. vol. 16. no. 2. DOI: 10.1007/s11128-016-1463-0.
26. Levkowitz H., Herman G.T. GLHS: A Generalized Lightness, Hue, and Saturation Color Model // CVGIP: Graphical Models and Image Processing. 1993. vol. 55. no. 4. pp. 271–285.
27. Tian-Yuan S. The reversibility of six geometric color spaces // Photogrammetric Engineering and Remote Sensing. 1995. vol. 61. no. 10. pp. 1223–1232.
28. Iliyasu A.M. Towards realising secure and efficient image and video processing applications on quantum computers // Entropy. 2013. vol. 15. no. 8. pp. 2874–2974.
29. Hai S.L., Qingxin Z., Ri G.Z. Multidimensional color image storage, retrieval, and compression based on quantum amplitudes and phases // Information Sciences. 2014. vol. 273. pp. 212–232.
30. Yan F., Iliyasu A.M., Venegas-Andraca S.E. A survey of quantum image representations // Quantum Information Processing. 2016. vol. 15. no. 1. pp. 1–35. DOI: 10.1007/s11128-015-1195-6.
31. Yan F, Iliyasu A.M., Le P.Q. Quantum image processing: A review of advances in its security technologies. International Journal of Quantum Information. 2017. vol. 15. no. 3. 18 p. DOI: 10.1142/S0219749917300017.
32. Yan F., Li N., Hirota K. QHSL: A quantum hue, saturation, and lightness color model // Information Sciences. 2021. vol. 577. pp. 196–213.
33. Pridmore R.W. Hue cycle described by graphs and color names // Color Research and Application. 1991. vol. 16. no. 2. pp. 114–121.
34. McCamy C.S. The primary hue circle // Color Research and Application. 1993. vol. 18. no. 1. pp. 3–10.
35. Li N., Yan F. A single-qubit-based HSL color model for efficient quantum image security applications // Optical and Quantum Electronics. 2022. vol. 54. pp. 1–39.
36. Yan F., Iliyasu A.M., Zhen-Tao L. Bloch Sphere-Based Representation for Quantum Emotion Space // Journal of Advanced Computational Intelligence and Intelligent Informatics. 2019. vol. 19. no. 1. pp. 134–142.
37. Yan F., Iliyasu A.M., Sihao J. Quantum Structure for Modelling Emotion Space of Robots // Applied Sciences. 2019. vol. 9. no. 16. pp. 3351.
38. Surov I.A. Quantum core affect. Color-emotion structure of semantic atom // Frontiers in Psychology. 2022. vol. 13. DOI: 10.3389/fpsyg.2022.838029.
39. Surov I.A. Natural Code of Subjective Experience // Biosemiotics. 2022. vol. 15. no. 2. pp. 109–139.
40. Суров И.А. Какая разница? Прагматическая формализация смысла // Искусственный интеллект и принятие решений. 2023. № 1. С. 78–89.
41. Baumgratz T., Cramer M., Plenio M.B. Quantifying coherence // Physical Review Letters. 2014. vol. 113. no. 14. DOI: 10.1103/PhysRevLett.113.140401.
42. Warmuth M.K., Kuzmin D. Bayesian generalized probability calculus for density matrices // Machine Learning. 2010. vol. 78. no. 1-2. pp. 63–101.
43. Fedorov A.K., Kiktenko E.O. Quaternion Representation and Symplectic Spin Tomography // Journal of Russian Laser Research. 2013. vol. 34. no. 5. pp. 477–487.
44. Hunter J.D. Matplotlib: A 2D graphics environment // Computing in Science and Engineering. 2007. vol. 9. no. 3. pp. 90–95.
45. Kuehni R.G. Color Space and Its Divisions. Color Order from Antiquity to the Present. New Jersey: Wiley-Interscience, 2003. 408 p.
46. Rossi M., Buratti G. The Architecture of Color: Number and Shapes as Measurement and Representation Tools // Nexus Network Journal. 2015. vol. 17. no. 2. pp. 547–569.
47. Khrennikov A. Ubiquitous Quantum Structure. From psychology to finance. Springer. 2010. 216 p.
48. Суров И.А. Алоджанц А.П. Модели принятия решений в квантовой когнитивистике (учебное пособие). Санкт-Петербург: Университет ИТМО, 2018. 63 c.
49. Суров И.А. Открытие чёрного ящика: Извлечение семантических факторов Осгуда из языковой модели word2vec // Информатика и автоматизация. 2022. Т. 21. № 5. С. 916–936.
50. Указ президента Российской Федерации «О развитии искусственного интеллекта в Российской Федерации». 2019. URL: http://www.kremlin.ru/acts/bank/44731.
51. Widdows D., Bruza P. Quantum Information Dynamics and Open World Science // AAAI Spring Symposium: Quantum Interaction. 2007. pp. 126-133.
52. Widdows D., Kitto K., Cohen T. Quantum Mathematics in Artificial Intelligence // Journal of Artificial Intelligence Research. 2021. vol. 72. pp. 1307–1341.
53. Ezhov А.А, Ventura D. Quantum Neural Networks / (Eds.: Kasabov N.) // Future Directions for Intelligent Systems and Information Sciences. Springer. 2000. pp. 213–235.
54. Петренко В.Ф., Супрун А.П. Методологические пересечения психосемантики сознания и квантовой физики. М: УРСС, 2018. 304 с.
55. Кленов Н.В., Кузнецов А.В., Щеголев А.Е., Соловьев И.И., Куприянов М.Ю., Терешонок М.В., Бакурский С.В. Нейрон на основе одного потокового кубита // Физика низких температур. 2019. Т. 45. № 7. С. 898–905.
56. Колесниченко О.Ю., Смолин В.С., Щербаков Д.А., Колесниченко Ю.Ю. Нейросети и понимание работы мозга в квантовом мире // Материалы VIII Международный конференции: Знания – Онтологии – Теории. 2021. С. 112–121.
57. Brachman R.J. Systems that know what they're doing // IEEE Intelligent Systems. 2002. vol. 17. no. 6. pp. 67–71.
58. Samsonovich А., Goldin R.F., Ascoli G.A. Toward a semantic general theory of everything // Complexity. 2009. vol. 16. no. 4. pp. 12–18.
59. Райков А.Н. Слабый vs сильный искусственный интеллект // Информатизация и связь. 2020. № 1. С. 81–88.
60. Roli A., Jaeger J., Kauffman S.A. How Organisms Come to Know the World: Fundamental Limits on Artificial General Intelligence // Frontiers in Ecology and Evolution. 2022. vol. 9. DOI: 10.3389/fevo.2021.806283.
Опубликован
2023-09-25
Как цитировать
Суров, И. А. (2023). Цветовая кодировка кубитных состояний. Информатика и автоматизация, 22(5), 1207-1236. https://doi.org/10.15622/ia.22.5.9
Раздел
Искусственный интеллект, инженерия данных и знаний
Copyright (c) Илья Алексеевич Суров
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).