IonQ | IonQ на IEEE QCE26: 10 научных работ, реальные результаты в квантовых вычислениях

Новые исследования компании IonQ и ее партнеров объединяют предысторию квантовых технологий и их дорожную карту на будущее, демонстрируя реальные результаты уже сегодня

Мы переживаем фундаментальную перестройку стека вычислений. История показывает, что каждый раз, когда стоимость базовой вычислительной мощности падает на порядок, правила игры в программном обеспечении меняются в одночасье. Мы видели это, когда размером с комнату мейнфреймы уступили место кремниевым микропроцессорам, и снова, когда графические процессоры для видеоигр были перепрофилированы под матричные вычисления, мгновенно превратив глубокое обучение из академического курьеза в современную реальность. Сегодня беспрецедентный взрывной рост параллельных вычислений заставляет совершить еще одну смену парадигмы, переводя нас от жесткой логики, написанной вручную, к динамичному интеллекту, требующему огромных вычислительных ресурсов.

IEEE QCE26 знаменует собой веху в непрерывной эволюции сектора, движимой компанией IonQ и ее партнерами. Академические открытия и готовность к внедрению на уровне предприятий объединяются в единый путь вперед, причем IonQ демонстрирует этот постоянный прогресс с помощью 10 принятых научных работ, которые связывают фундаментальную теорию с практическим применением на уровне предприятий. Четыре из этих работ завоевали медали в соответствующих треках конференции IEEE QCE26, включая две награды за первое место за следующие исследования:

• Трек «Квантовые приложения» — "Measuring Accuracy and Energy-to-Solution of Quantum Fine-Tuning of Foundational AI Models" (совместная работа с клиентом QBasel)
• Трек «Сквозные гибридные кейсы в квантовых вычислениях» — "End-to-End Performance of Quantum-Accelerated Large-Scale Linear Algebra Workflows" (совместная работа с партнером Synopsys)

Еще две работы заняли 3-е место в качестве лучших научных работ в своих треках:

• Трек «Сквозные гибридные кейсы в квантовых вычислениях» — "Protein Folding on a 64-Qubit Trapped-Ion Hardware via Counterdiabatic Quantum Optimization" (совместная работа с партнером Kipu)
• Трек «Совместное проектирование и поиск в области генеративного ИИ» — "DQAOA-GPT: AI-Accelerated Distributed Quantum Optimization for Combinatorial Problems" (совместная работа с партнерами/клиентами Oak Ridge и Nvidia)

Примечательно, что работы IonQ завоевали как первое, так и третье места в номинации «Лучшая научная работа» в треке «Сквозные гибридные кейсы в квантовых вычислениях» на престижной конференции IEEE QCE.

Полный список работ IonQ охватывает самые разные темы с реальными бизнес-последствиями, например, то, как IonQ масштабирует гибридные квантово-классические рабочие процессы до 150 кубитов для повышения экономической эффективности и результативности промышленных симуляций. Они иллюстрируют, как квантовое железо IonQ напрямую взаимодействует с классическими высокопроизводительными вычислениями (HPC), оптимизируя логистику цепочек поставок, ускоряя конвейеры ИИ и многое другое. Эти работы представляют то, чего IonQ добивается прямо сейчас, объединяя инновации в алгоритмах с растущей зрелостью оборудования для обеспечения операционной ценности в рамках существующих корпоративных рабочих процессов.

Как квантовые технологии продвигаются по трем структурным столпам

Исследования, собранные в статьях IonQ для конференции IEEE, сосредоточены вокруг трех структурных столпов, которые отражают динамику в ключевых частях подхода IonQ к полному стеку.

Первый столп — «Реальное промышленное влияние и оптимизация». Это область, где IonQ и ее партнеры задействовали гибридные квантово-классические рабочие процессы и аппаратное обеспечение квантовых вычислений для решения реальных коммерческих задач и задач оптимизации, которые оказались неразрешимыми только для классических алгоритмов и компьютеров.

Второй столп — «Синергия квантовых технологий и искусственного интеллекта». Эта синергия проявляется во множестве аспектов: от того, как квантовые технологии и технологии ИИ интегрируются друг с другом, до их влияния на обучение нейронных сетей и моделей машинного обучения, а также на вывод данных ИИ.

Третий столп — «Архитектурная устойчивость и преодоление шумового барьера». Эпоха отказоустойчивых квантовых вычислений уже близка, но предстоит еще многое сделать в стремлении улучшить производительность, точность и надежность квантового оборудования. Работы, посвященные этому столпу, призваны показать, как платформы современной эпохи зашумленных промежуточных квантовых вычислений развиваются в сторону отказоустойчивых систем завтрашнего дня.

Вот более подробный обзор каждой из работ, которые IonQ представляет на IEEE QCE26:

Столп 1: Реальное промышленное влияние и оптимизация

Фокус: демонстрация того, как гибридные квантово-классические рабочие процессы могут быть бесшовно встроены в корпоративное инженерное программное обеспечение, гидродинамику и логистику цепочек поставок для обеспечения измеримой операционной эффективности.

• "End-to-End Performance of Quantum-Accelerated Large-Scale Linear Algebra Workflows" Моделирование методом конечных элементов (МКЭ) оценивает структурную целостность деталей машин во многих отраслях промышленности, а сокращение времени решения снижает вычислительные затраты и повышает производительность МКЭ. В этом исследовании квантово-классический решатель задачи о разбиении графов (Graph Partitioning Problem, GPP) был интегрирован в программное обеспечение для многофизического МКЭ-моделирования Synopsys/Ansys LS-DYNA. GPP важна для снижения затрат на обработку разреженных матриц в сложных сетках конечных элементов. Мы протестировали рабочие процессы с сетками размером до 35 миллионов элементов, масштабируя их до 150 кубитов в симуляциях NVIDIA CUDA-Q/cuTensorNet и до 36 кубитов на оборудовании IonQ Forte, с улучшением времени выполнения в наилучшем случае на 14,6% и примерно на 12% соответственно.Ссылка: arXiv:2603.15515
• Моделирование методом конечных элементов (МКЭ) оценивает структурную целостность деталей машин во многих отраслях промышленности, а сокращение времени решения снижает вычислительные затраты и повышает производительность МКЭ. В этом исследовании квантово-классический решатель задачи о разбиении графов (Graph Partitioning Problem, GPP) был интегрирован в программное обеспечение для многофизического МКЭ-моделирования Synopsys/Ansys LS-DYNA. GPP важна для снижения затрат на обработку разреженных матриц в сложных сетках конечных элементов. Мы протестировали рабочие процессы с сетками размером до 35 миллионов элементов, масштабируя их до 150 кубитов в симуляциях NVIDIA CUDA-Q/cuTensorNet и до 36 кубитов на оборудовании IonQ Forte, с улучшением времени выполнения в наилучшем случае на 14,6% и примерно на 12% соответственно.
• Ссылка:
• "Hybrid Quantum-Classical Optimization Workflows for the Shipment Selection Problem" IonQ и компания по электрическим грузоперевозкам Einride разработали гибридный квантово-классический рабочий процесс для решения сложной задачи комбинаторной оптимизации, возникающей из-за простоя в расписании автопарка, вызванного отменой перевозок и другими сбоями. Решения, полученные с помощью квантовых вычислений, инициализировали оптимизатор Einride, обеспечив доставку до 12,1% большего количества грузов в наиболее эффективном сценарии без существенного изменения операционных расходов. Запуски на аппаратном обеспечении IonQ на основе захваченных ионов соответствовали симуляциям для задач размером до 35 кубитов, в то время как более крупные задачи размером до 130 кубитов симулировались, что подчеркивает потенциальную ценность квантовых вычислений для крупномасштабной логистики. Ссылка: https://arxiv.org/abs/2604.11758
• IonQ и компания Einride, занимающаяся электрическими грузоперевозками, разработали гибридный квантово-классический рабочий процесс для решения сложной проблемы комбинаторной оптимизации, возникающей из-за окон простоя в расписании автопарка, вызванных отменой перевозок и другими сбоями. Решения, полученные с помощью квантовых вычислений, обеспечили теплый старт оптимизатора Einride, что позволило выполнить на 12,1% больше перевозок в наиболее успешном сценарии без существенного изменения операционных расходов. Оборудование на базе системы IonQ с захваченными ионами совпало с результатами симуляций для задач размером до 35 кубитов, в то время как более крупные задачи размером до 130 кубитов симулировались, подчеркивая потенциальную ценность квантовых вычислений для крупномасштабной логистики.
• Link:
• "Quantum Lattice Boltzmann Solutions for Transport Under 3D Spatially Varying Advection on Trapped Ion Hardware" В качестве важного этапа в вычислительной гидродинамике (CFD) компании IonQ и Ansys объединили усилия для первой высокоточной демонстрации на аппаратном обеспечении сложного поведения 3D-адвекции-диффузии жидкости с неоднородными полями скоростей и границами. Демонстрация, в которой использовался гибридный алгоритмический фреймворк Quantum Lattice Boltzmann Method (QLBM) для CFD и транспортного моделирования, выполнялась на системах IonQ Forte с захваченными ионами и 64-кубитной системе разработки Barium, аналогичной предстоящей линейке IonQ Tempo. Для компаний, использующих CFD, это достижение может привести к ускорению НИОКР и более реалистичному моделированию жидкостей с использованием меньших вычислительных ресурсов.Link: https://arxiv.org/abs/2604.28121
• В качестве важного этапа в вычислительной гидродинамике (CFD) компании IonQ и Ansys объединили усилия для первой высокоточной демонстрации на аппаратном обеспечении сложного поведения 3D-адвекции-диффузии жидкости с неоднородными полями скоростей и границами. Демонстрация, в которой использовался гибридный алгоритмический фреймворк Quantum Lattice Boltzmann Method (QLBM) для CFD и транспортного моделирования, выполнялась на системах IonQ Forte с захваченными ионами и 64-кубитной системе разработки Barium, аналогичной предстоящей линейке IonQ Tempo. Для компаний, использующих CFD, это достижение может привести к ускорению НИОКР и более реалистичному моделированию жидкостей с использованием меньших вычислительных ресурсов.
• Link:

Столп 2: Синергия квантовых технологий и ИИ

Фокус: Подчеркивание того, как квантовые вычисления могут выступать в качестве усилителя возможностей для современного ИИ — улучшая точность моделей, оптимизируя этапы обучения и открывая новые возможности в областях с большими объемами данных.

• "DQAOA-GPT: AI-Accelerated Distributed Quantum Optimization for Combinatorial Problems" IonQ, Окриджская национальная лаборатория и Nvidia демонстрируют реальную конвергенцию квантовых технологий и ИИ с помощью новой распределенной модели алгоритма приближенной квантовой оптимизации на базе генеративной предобученной трансформером (DQAOA-GPT). Этот гибридный фреймворк объединяет DQAOA, которая разбивает крупные задачи оптимизации на более мелкие подзадачи, с генерацией квантовых цепей на основе GPT для решения этих подзадач. Объединение квантовой оптимизации комбинаторных задач и обученной, управляемой ИИ генерации квантовых цепей приводит к снижению вычислительных затрат и издержек, а также к большей способности решать более масштабные задачи оптимизации по сравнению с обычно используемой итеративной вариационной техникой оптимизации.Link: https://arxiv.org/abs/2607.20225
• IonQ, Окриджская национальная лаборатория и Nvidia демонстрируют реальную конвергенцию квантовых технологий и ИИ с помощью новой распределенной модели алгоритма приближенной квантовой оптимизации на базе генеративной предобученной трансформером (DQAOA-GPT). Этот гибридный фреймворк объединяет DQAOA, которая разбивает крупные задачи оптимизации на более мелкие подзадачи, с генерацией квантовых цепей на основе GPT для решения этих подзадач. Объединение квантовой оптимизации комбинаторных задач и обученной, управляемой ИИ генерации квантовых цепей приводит к снижению вычислительных затрат и издержек, а также к большей способности решать более масштабные задачи оптимизации по сравнению с обычно используемой итеративной вариационной техникой оптимизации.
• Link:
• "Measuring Accuracy and Energy-to-Solution of Quantum Fine-Tuning of Foundational AI Models" Предыдущие исследования IonQ показали, что квантовые нейронные сети могут эффективно дообучать предварительно обученные классические модели ИИ для гибкой настройки под конкретные задачи классификации. Эта новая работа, выполненная в партнерстве с QuantumBasel, успешно выполнила эти схемы квантового дообучения на реальном оборудовании QPU — машине IonQ Forte Enterprise, достигнув 24% снижения погрешности по сравнению с базовыми показателями классического дообучения в идеальном/бесшумном случае симуляции. Анализ энергии, потребляемой при выполнении этих схем, продемонстрировал четкий путь к благоприятной энергоэффективности квантового оборудования с предполагаемой точкой безубыточности энергозатрат на решение около 34 кубитов по сравнению с классической симуляцией. Link: arXiv:2605.02798
• Предыдущие исследования IonQ показали, что квантовые нейронные сети могут эффективно дообучать предварительно обученные классические модели ИИ для гибкой настройки под конкретные задачи классификации. Эта новая работа, выполненная в партнерстве с QuantumBasel, успешно выполнила эти схемы квантового дообучения на реальном оборудовании QPU — машине IonQ Forte Enterprise, достигнув 24% снижения погрешности по сравнению с базовыми показателями классического дообучения в идеальном/бесшумном случае симуляции. Анализ энергии, потребляемой при выполнении этих схем, продемонстрировал четкий путь к благоприятной энергоэффективности квантового оборудования с предполагаемой точкой безубыточности энергозатрат на решение около 34 кубитов по сравнению с классической симуляцией.
• Link:
• "Scalable On-Hardware Training of Quantum Neural Networks and Application to Clinical Data Imputation" IonQ и Quantum Signals продемонстрировали важное приложение в сфере здравоохранения, используя квантовые нейронные сети (QNN) для интеллектуального заполнения пропусков в электронных медицинских картах (ЭМК). Мы проверили гибридный квантово-классический обучающий фреймворк для градиентной оптимизации QNN на процессорах ближнего действия, поручив ему задачу импутации клинических данных в наборе данных MIMIC-III, который содержит десятки тысяч ЭМК пациентов. Квантовые модели работали на оборудовании IonQ Forte Enterprise на 16 кубитах без ухудшения производительности и посредством тензорно-сетевой симуляции на 32 кубитах, причем вывод для 32 кубитов выполнялся на аппаратном обеспечении. Модели сравнялись с сильными классическими нейронными базовыми линиями или превзошли их, демонстрируя при этом меньшую дисперсию между запусками и показывая практичное, масштабируемое обучение QNN в условиях ограничений аппаратного обеспечения ближнего действия.Link:https://arxiv.org/abs/2606.03517
• IonQ и Quantum Signals продемонстрировали важное медицинское приложение, используя квантовые нейронные сети (QNN) для интеллектуального заполнения пропусков в электронных медицинских картах (EHR). Мы проверили гибридную квантово-классическую обучающую структуру для градиентной оптимизации QNN на процессорах ближнего действия, поставив перед ней задачу импутации клинических данных в наборе данных MIMIC-III, который содержит десятки тысяч медицинских карт пациентов. Квантовые модели работали на оборудовании IonQ Forte Enterprise на 16 кубитах без ухудшения производительности и посредством симуляции тензорной сети на 32 кубитах, причем вывод для 32 кубитов выполнялся на самом железе. Модели соответствовали или превосходили сильные классические нейронные базовые показатели, демонстрируя при этом меньшую дисперсию между запусками, что указывает на практичное и масштабируемое обучение QNN в условиях ограничений оборудования ближнего действия.
• Link:
• "Квантовые представления чётности для классического машинного обучения: обнаружение обучаемых базисов и восстановление кодеров" Это исследование имеет экономические последствия для компаний, которые стремятся минимизировать аппаратные затраты во время вывода моделей ИИ. В нем рассматривались представления на основе чётности для классификации, поскольку они обладают высокой выразительностью, но дешевы в вычислениях. Работа подчеркивает асимметричную гибридную парадигму, где квантовые ресурсы используются строго на этапе обучения для обнаружения скрытых векторов двоичных коэффициентов. Решение этой задачи классическим путем в исходном виде соответствует экспоненциальному перебору всех возможных двоичных векторов. После обнаружения двоичного вектора вывод модели выполняется полностью на классическом устройстве и является достаточно дешевым для развертывания на периферии (edge). В ходе исследования найденные слова двоичных векторов улучшили среднюю точность на 23,9% – 41,7% по сравнению с оцениваемыми классическими базовыми моделями.Link:https://arxiv.org/abs/2605.11213
• Это исследование имеет экономические последствия для компаний, которые стремятся минимизировать аппаратные затраты во время вывода моделей ИИ. В нем рассматривались представления на основе чётности для классификации, поскольку они обладают высокой выразительностью, но дешевы в вычислениях. Работа подчеркивает асимметричную гибридную парадигму, где квантовые ресурсы используются строго на этапе обучения для обнаружения скрытых векторов двоичных коэффициентов. Решение этой задачи классическим путем в исходном виде соответствует экспоненциальному перебору всех возможных двоичных векторов. После обнаружения двоичного вектора вывод модели выполняется полностью на классическом устройстве и является достаточно дешевым для развертывания на периферии (edge). В ходе исследования найденные слова двоичных векторов улучшили среднюю точность на 23,9% – 41,7% по сравнению с оцениваемыми классическими базовыми моделями.
• Link:

Столп 3: Архитектурная устойчивость и преодоление шумового барьера

Цель: Подчеркнуть растущую аппаратную зрелость и техническую точность IonQ, показав, как сложное моделирование шума, аппаратные функции и минимизация ошибок извлекают максимальную вычислительную пользу из систем текущего поколения.

• "Измерения в середине вычислений для подавления клиффордова шума в гамильтоновых симуляциях" В сотрудничестве с NVIDIA и qBraid эта работа продемонстрировала уникальные возможности измерений в середине вычислений (MCM) системы IonQ Tempo для устранения ошибок во время сложных химических и молекулярных симуляций. Исследователи объединили методы обобщенного сверхбыстрого кодирования (GSE), подавления клиффордова шума (CliNR) и MCM, и при запуске с ускоренным вычислительным программным обеспечением Nvidia этот подход позволил добиться уровня ошибок на 54% ниже, чем при прямых физических симуляциях Троттера. Более низкий уровень ошибок в конечном итоге означает более точные и эффективные симуляции, снижение затрат на НИОКР и ускорение выхода на рынок для предприятий, использующих эти процессы.Link:https://arxiv.org/abs/2605.06792
• В сотрудничестве с NVIDIA и qBraid эта работа продемонстрировала уникальные возможности измерений в середине вычислений (MCM) системы IonQ Tempo для устранения ошибок во время сложных химических и молекулярных симуляций. Исследователи объединили методы обобщенного сверхбыстрого кодирования (GSE), подавления клиффордова шума (CliNR) и MCM, и при запуске с ускоренным вычислительным программным обеспечением Nvidia этот подход позволил добиться уровня ошибок на 54% ниже, чем при прямых физических симуляциях Троттера. Более низкий уровень ошибок в конечном итоге означает более точные и эффективные симуляции, снижение затрат на НИОКР и ускорение выхода на рынок для предприятий, использующих эти процессы.
• Link:
• "Сворачивание белка на 64-кубитном ионно-ловушечном оборудовании с помощью контРАдиабатической квантовой оптимизации" Сворачивание белка — процесс, посредством которого цепи аминокислот принимают трехмерные структуры, обеспечивающие биологические функции, — является ключом к ускорению разработки лекарств и снижению сопутствующих затрат на НИОКР. IonQ и Kipu изучили шесть пептидов с помощью геометрически ограниченной решеточной модели с нагрузками сворачивания белка от 46 до 61 кубита. По мнению авторов, это крупнейшая на сегодняшний день демонстрация оптимизации сворачивания квантового белка на ионных ловушках: исследователи применили дискретную контрадиабатическую квантовую оптимизацию со смещением полем для решеточного сворачивания белка на экземплярах размером до 61 кубита на 64-кубитной системе разработки Barium, аналогичной готовящейся к выпуску линейке IonQ Tempo.Link:https://arxiv.org/abs/2604.26861
• Сворачивание белка — процесс, посредством которого цепи аминокислот принимают трехмерные структуры, обеспечивающие биологические функции, — является ключом к ускорению разработки лекарств и снижению сопутствующих затрат на НИОКР. IonQ и Kipu изучили шесть пептидов с помощью геометрически ограниченной решеточной модели с нагрузками сворачивания белка от 46 до 61 кубита. По мнению авторов, это крупнейшая на сегодняшний день демонстрация оптимизации сворачивания квантового белка на ионных ловушках: исследователи применили дискретную контрадиабатическую квантовую оптимизацию со смещением полем для решеточного сворачивания белка на экземплярах размером до 61 кубита на 64-кубитной системе разработки Barium, аналогичной готовящейся к выпуску линейке IonQ Tempo.
• Link:
• "Структура спектральной интерполяции для цветного шума в квантовых схемах" В этой статье, которая будет представлена на конференции IEEE соавтором Дором Габаем (Dor Gabay), основное внимание уделяется сложным возможностям внутреннего моделирования шума IonQ. В ней представлена надежная структура для прогнозирования и смягчения ошибок в схемах. В частности, исследователи изучили цветной шум, который может быть трудно поддаваться моделированию, поскольку, в отличие от белого шума, он имеет неравномерное распределение мощности сигнала по частотам и временные корреляции между выборками. Чтобы смоделировать эволюцию зашумленной схемы, исследователи объединили спектральное представление стохастических шумовых процессов с классической стороны с предварительно вычисленными шумовыми артефактами в виде операторов с квантовой стороны посредством интерполяции в пространстве параметров.Link: Conference Presentation / Workshop
• Эта работа, которая будет представлена на конференции IEEE соавтором Дором Габаем (Dor Gabay), посвящена сложным возможностям IonQ по внутреннему моделированию шума и представляет надежную основу для прогнозирования и смягчения ошибок в квантовых схемах. В частности, исследователи изучили цветной шум, который трудно поддается моделированию, поскольку, в отличие от белого шума, он имеет неравномерное распределение мощности сигнала по частотам и временные корреляции между выборками. Исследователи связали спектральное представление процессов стохастического шума на классической стороне с предварительно вычисленными артефактами шума на квантовой стороне через интерполяцию в пространстве параметров для моделирования эволюции зашумленной схемы.
• Ссылка: Презентация на конференции / Семинар

Что отражает наш портфель коллективных исследований

Академические исследования лежат в основе квантовой индустрии, но мы прошли долгий путь от оценки квантовых алгоритмов в чистом академическом вакууме. IonQ и ее партнеры в настоящее время также определяют формальные инженерные правила взаимодействия для гибридних квантово-классических архитектур, причем делают это сразу на нескольких различных фронтах.

Наши исследования показывают, что максимальная вычислительная полезность и ценность для бизнеса достигаются за счет гибридного выполнения — объединения целевой квантовой обработки с классическими этапами предварительной или последующей обработки там, где они дают наибольший прирост эффективности. При этом мы подчеркиваем немедленную жизнеспособность оборудования эпохи NISQ за счет использования встроенных в железо функций, таких как измерения в процессе работы схемы и внутреннее моделирование шума, для достижения высокой точности уже сегодня, доказывая, что нам не нужно ждать полной отказоустойчивости для получения ощутимых бизнес-результатов и коммерческой ценности.

Также важно отметить, что IonQ не ускоряет эту интегрированную эволюцию в одиночку. Демонстрация реального прироста производительности, преимуществ синергии квантовых технологий и искусственного интеллекта, а также улучшений архитектурного качества требует командной работы. Параллельная разработка с такими партнерами, как Nvidia, Synopsys/Ansys, Einride и другими в области аппаратного обеспечения, пользовательских алгоритмов и стеков промышленного ПО, бесценна для продвижения этой эволюции вперед.

Благодаря этим исследовательским достижениям IonQ не только наблюдает сближение своих академических и коммерческих сроков создания квантовых вычислений, но и превращает квантовые вычисления в функциональный, активный компонент более широкой современной вычислительной экосистемы. Мы ожидаем, что результатом публикации этих конкретных архитектурных вех для мирового сообщества IEEE станет дальнейшее продвижение квантовых вычислений в центр этой экосистемы.

Заявления прогнозирующего характера IonQ

Этот документ содержит заявления прогнозирующего характера, включая заявления относительно сроков появления отказоустойчивых квантовых вычислений и влияния обмена информацией, содержащейся в данном документе. Эти заявления являются лишь прогнозами, основанными на наших ожиданиях на дату составления этого документа, и подвержены ряду рисков, включая, помимо прочего, риски, описанные в нашем Годовом отчете по форме 10-K за 2025 год и нашем Квартальном отчете по форме 10-Q за второй квартал 2026 года, поданных в Комиссию по ценным бумагам и биржам (SEC). Время от времени возникают новые риски. Мы не берем на себя обязательств по обновлению каких-либо заявлений прогнозирующего характера, за исключением случаев, предусмотренных законом.