Разработка вероятностных и нейросетевых моделей прямых и обратных задач для создания нанотехнологийНИР

Development of probabilistic and neural network models of direct and inverse problems for the creation of nanotechnologies

Соисполнители НИР

МГУ имени М.В.Ломоносова Координатор

Источник финансирования НИР

госбюджет, раздел 0110 (для тем по госзаданию)

Этапы НИР

# Сроки Название
1 1 января 2021 г.-31 декабря 2021 г. Разработка вероятностных и нейросетевых моделей прямых и обратных задач для создания нанотехнологий
Результаты этапа: Основные результаты выполнения данного этапа НИР состоят в следующем: 1) Разработан метод поиска редуцированного базиса для уравнения Смолуховского. 2) Разработан многочастотный алгоритм определения диэлектрической проницаемости однородного слоя в прямоугольном волноводе. 3) Проведено моделирование динамики генерации висмутового волоконного лазера. 4) Предложен и реализован метод кросс-классификации эволюционных и роевых алгоритмов непрерывной оптимизации и различных тестовых задач непрерывной оптимизации с использованием различных методов понижения размерности. 5) Разработана программная система для автоматического распознавания печатных текстов в русской дореформенной орфографии на основе технологии распознавания Tesseract. 6) Реализован численный код PLASMALESS для моделирования магнитной системы установок токамак. Модернизирован численный код TOKSCEN (TOKamak SCENario) для расчетов сценариев разряда в установках токамак. 7) Создана модель предиктивной аналитики на основе временных рядов. 8) Исследованы сценарии работы газотурбинной установки. Изучена работа установки, получены и обработаны данные об «общем уровне». Для построения прогноза были использованы модели линейной регрессии, ARIMA и скользящего среднего. Для анализа стационарности был использован тест Дики-Фуллера. 9) Для установки JET получены оценки погрешностей восстановления в задаче реконструкции равновесия плазмы для случая ограничения на коэффициент запаса устойчивости q. 10) Исследована актуальная математическая задача, связанная с возмущением классической детерминированной системы дифференциальных уравнений Лоренца за счет добавления в правую часть стохастического дифференциала (стохастического процесса). На основе разработанного численного кода показано, что в результате внесения в систему стохастичности возможно видоизменение классического (детерминированного) аттрактора с его преобразованием в так называемый «стохастический» аттрактор.
2 1 января 2022 г.-31 декабря 2022 г. Разработка вероятностных и нейросетевых моделей прямых и обратных задач для создания нанотехнологий
Результаты этапа: Основные результаты, полученные в рамках НИР в отчетном 2022 году: 1) С использованием технологии глубоких нейронных сетей разработана и программно реализована модель, позволяющая распознавать в режиме реального времени при ограниченных вычислительных ресурсах эмоции человека по видеопоследовательности, в которой присутствует как речевой сигнал, относящийся к источнику, для которого нужно определить состояние, так и его лицо. Реализовано автоматическое структурирование данных и приведение их к унифицированному формату, включающее в себя создание выборки для обучения, создание тестовой выборки, обработка данной выборки путем приведения к одинаковому размеру и удаление частей изображения, не влияющих на классификацию. 2) Решена задача мультиклассовой семантической сегментации изображений процесса интрацитоплазматической инъекции сперматозоида (ИКСИ) методами глубокого обучения. 3) Предложен метод автоматической семантической сегментации кадров видеозаписи процесса интрацитоплазматической инъекции сперматозоида (ИКСИ) на четыре класса: микроинъектор, микропипетка, яйцеклетка и фон. 4)Исследована структура редуцированных базисов для задач агрегационной кинетики. 5)Рассмотрена агрегация частиц в пространственно неоднородной среде с учетом диффузии и переноса частиц и наличия источника мономеров. Показано хорошее совпадение результатов численных расчетов с теоретическими предсказаниями. 6)Проведено моделирование динамики генерации тулиевого волоконного лазера. 7)Изучен вариационный метод получения необходимых (и достаточных) условий устойчивости возмущенных решений системы уравнений Валлиса. 8) Проведено исследование устойчивости, чувствительности и стабилизации стохастически возмущенной динамической системы Лоренца, представляющей модель конвективной турбулентности. 9) Рассмотрен деформационный (гомотопический) метод исследования экстремальных задач. Примеры применения этого метода иллюстрируются для известных задач нелинейного анализа. 10) Методами математического моделирования продолжено изучение проблемы совместного сосуществования различных групп населения внутри урбанистического образования. 11) Реализован программный продукт Gamebreaker-2, способный однозначно определять игровую деятельность и прерывать её. В качестве алгоритма выбран метод машинного обучения – классификатор случайного леса. 12) Разработан новый высокоэффективный метод для нахождения распределения электрического тока в плазме установки токамак с учетом дополнительной априорной информации. 13) С помощью разработанного ранее вычислительного кода RPB (Reconstruction Plasma Boundary) проведено моделирование работы системы электромагнитной диагностики токамака Т-15МД, ее оптимизация. 14) Модифицирован алгоритма применения методики epsilon-сетей для моделирования начальной фазы разряда на установке T-15M. Изучены возможности применения нейронных сетей в задаче реконструкции равновесия плазмы 15) Был модифицирован трехмерный релятивистский код взаимодействия лазерного импульса с веществом. Произведены первые вычислительные эксперименты взаимодействия лазерного излучения с веществом (распределенными кластерами гелия в вакууме). 16) Выполнено исследование эффективности нейросетевых методов машинного обучения, основанных на архитектуре трансформеров, для решения задачи распознавания и классификации именованных сущностей в русскоязычных текстах. 17) Выполнена реализация прототипа программной библиотеки на основе разработанной модели популяционных алгоритмов и введённой системы паттернов, тестирование которой показало работоспособность и перспективность предложенного подхода. 18) Разработан новый метод расчета комплексной амплитуды установившегося решения задачи для уравнений Максвелла в волноводе, состоящий в решении интегрального уравнения в малой области, соответствующей изучаемому образцу.
3 1 января 2023 г.-31 декабря 2023 г. Разработка вероятностных и нейросетевых моделей прямых и обратных задач для создания нанотехнологий
Результаты этапа: Основные результаты, полученные в рамках НИР в отчетном 2023 году: 1) Разработан альтернативный подход к очищению речевых сигналов от шума – использование генеративных диффузионных моделей, которые моделируют распределение обучающих данных. Проведенные эксперименты показывают, что модель превосходит современные методы по основным метрикам качества очищения речи для широкого диапазона отношений сигнал/шум, что свидетельствует о хорошей обобщающей способности модели и целесообразности ее применения для решения поставленной задачи. 2) Проведены работ по моделированию процессов в установках токамак. Проведены работы по развитию моделей плазмы. 3) Разработана библиотеки параллельной реализации популяционных алгоритмов. 4) Проведено исследования возможностей применения методов факторизации для прогнозирования эффективности работы популяционных алгоритмов для задач многомерной непрерывной оптимизации. Рассмотрена задача поиска пути с минимальным перепадом энергии, которая возникает при анализе процессов перехода между различными структурными состояниями в системах с атомарной или молекулярной структурой. В рамках работы приведена постановка оптимизационной задачи поиска пути, выполнены реализация и применение метода для модельных потенциалов, которые представляют собой различные энергетические профили. Проведено исследование влияния параметров метода на формирование путей и соответствующих энергетических профилей. Продемонстрирована высокая чувствительность метода к входным параметрам. 5) Проведено исследований по разработке и верификации оценочной функции для учёта межмолекулярных взаимодействий в белковых комплексах. Для тестового набора комплексов приведены результаты численных экспериментов, демонстрирующие оценки энергии взаимодействия, полученные с помощью разработанной функции. Представлены результаты сравнения с существующими методами. Разработанная оценочная функция обладает набором параметров, выбор которых позволит различным образом рассматривать процесс формирования комплекса. 6) Исследована кинетика агрегации седиментирующих частиц аналитически и численно при использовании уравнения переноса-диффузии . предлагается аппроксимация рациональной функцией для всего диапазона чисел Пекле. Оцениваются скорости агрегации, численно решая уравнение переноса-диффузии. Результаты проведенного численного моделирования хорошо согласуются с аналитической теорией для большого диапазона рассматриваемых чисел Пекле (разница между минимальным и максимальным рассматриваемыми числами составляет 4 порядка). 7) Изучена детерминированная и стохастическая система дифференциальных уравнений Валлиса. Поведение решений системы Валлиса после появления случайного шума достаточно наглядно демонстрирует существенную роль учета стохастичности в моделировании возникновения турбулентности. Представляется логичным то, что стохастические возмущения усиливают стохастические же колебания вокруг положений равновесия, которые характерны для системы уравнений Валлиса, в результате чего интегральная траектория, напоминающая странный аттрактор, будет появляться и здесь. Результаты численных расчетов подтверждают эти предположения. 8) Проведено исследование нелинейной дифференциальной системы уравнений в частных производных второго порядка, известной как система типа «реакция-диффузия» Колмогорова-Петровского-Пискунова (известна также как уравнения Фишера-КПП). Показано, что при определенных ограничениях решение системы выходит на стационарный режим, т. е. является асимптотически устойчивым на бесконечных временных промежутках.
4 1 января 2024 г.-31 декабря 2024 г. Разработка вероятностных и нейросетевых моделей прямых и обратных задач для создания нанотехнологий
Результаты этапа:
5 1 января 2025 г.-31 декабря 2025 г. Разработка вероятностных и нейросетевых моделей прямых и обратных задач для создания нанотехнологий
Результаты этапа:

Прикрепленные к НИР результаты

Для прикрепления результата сначала выберете тип результата (статьи, книги, ...). После чего введите несколько символов в поле поиска прикрепляемого результата, затем выберете один из предложенных и нажмите кнопку "Добавить".

Прикрепленные файлы

№ Имя Описание Имя файла Размер Добавлен