Разработка нейросетевых методов обработки данных физического экспериментаНИР

Development of neural netrwork methods of data processing of physical experement

Источник финансирования НИР

госбюджет, раздел 0110 (для тем по госзаданию)

Этапы НИР

# Сроки Название
1 1 января 2012 г.-31 декабря 2013 г. Разработка нейросетевых методов обработки данных физического эксперимента
Результаты этапа: 1. Разработка и совершенствование нейросетевых (НС) методов прогнозирования геомагнитных индексов Dst и Kp и вариаций потоков релятивистских электронов (РЭ). В 2013 году осуществлена разработка методик обучения и применения нейросетевых моделей, осуществляющих прогнозирование среднечасовых значений геомагнитного индекса Kp и потока РЭ внешнего радиационного пояса Земли на один час вперёд. Получена усовершенствованная нейросетевая модель для прогнозирования индекса Dst с более низкой погрешностью прогнозирования по сравнению с моделью 2012 г., и модели для прогнозирования индекса Kp и потока РЭ. Полученные модели используются для онлайн-прогнозирования на сайте Центра анализа космической погоды НИИЯФ МГУ (http://swx.sinp.msu.ru). 2. Исследование проблемы идентификации корональных дыр (КД) на изображениях Солнца при многоволновых наблюдениях. Области пониженной интенсивности на изображениях Солнца, автоматически выделяемые разработанным ранее пороговым алгоритмом, могут быть не только корональными дырами, но и каналами волокон, и областями пониженной интенсивности вокруг активных областей. Такие потемнения вокруг активных областей хорошо видны в линии 171Å (SDO/AIA) или 174Å (PROBA2/SWAP), при температурах от 0.5 до 1 МК. Для кластеризации и классификации различных объектов пониженной интенсивности были проанализированы данные о магнитном поле в основании областей пониженной интенсивности. Использовались деревья решений и нейронные сети Кохонена. Было выявлено, что небольшие обособленные низкоширотные КД невозможно различить по параметрам фотосферного магнитного поля с «темных областей» вокруг активных областей. Обнаруженное сходство может говорить о том, что данные области могут являться источниками медленного солнечного ветра со схожими характеристиками. 3. Разработка и совершенствование НС методов решения обратных задач (ОЗ) высокой размерности. Проведён сравнительный анализ различных подходов к определению параметров при НС решении ОЗ высокой размерности: автономного, группового, поэтапного и их комбинаций. Показано, что наиболее эффективным является групповое определение параметров. 4. Разработка и совершенствование НС методов решения ОЗ обнаружения, идентификации и определения парциальных концентраций веществ по их спектрам. Проведён сравнительный анализ различных способов понижения размерности входных данных, путём отбора наиболее существенных входных признаков, путём конструирования новых, а также путём отбора наиболее существенных признаков среди сконструированных. Показано, что наиболее эффективным способом является неравномерная агрегация исходного набора каналов. 5. Разработка методики использования НС методов кластеризации для идентификации компонентного состава растворов. С помощью НС Кохонена была проведена кластеризация специально подготовленного массива данных, представляющих собой спектры комбинационного рассеяния света многокомпонентных растворов, в которых могли присутствовать от 1 до 5 неорганических солей. Были получены разбиения с числом классов (кластеров) от 2 до 40. Начато проведение исследований по определению оптимальной методики кластеризации для данной задачи. 6. Использование НС алгоритмов для разработки флуоресцентных биосенсоров на основе наночастиц. В данной работе НС применялись для выделения флуоресцентного вклада наночастиц, используемых в биомедицине в качестве биомаркеров и носителей лекарств, на фоне флуоресцентного фона собственных флуорофоров биологических объектов. Показана принципиальная возможность решения этой задачи. Использованные архитектуры НС позволили обнаружить флуоресценцию углеродных точек на фоне собственной флуоресценции яичного белка с точностью не хуже чем 0.002 мг/мл.
2 1 января 2014 г.-31 декабря 2014 г. Разработка нейросетевых методов обработки данных физического эксперимента
Результаты этапа: 1) Разработка и совершенствование адаптивных методов прогнозирования геомагнитных индексов Dst и Kp и вариаций потоков релятивистских электронов (РЭ). В 2014 году разработаны новые и усовершенствованы существующие адаптивные методы прогнозирования среднечасовых значений геомагнитных индексов Dst и Kp и потока РЭ внешнего радиационного пояса Земли (РПЗ) на 1-4 часа вперёд, по данным о параметрах солнечного ветра (СВ), межпланетного магнитного поля (ММП) и о предыстории самих прогнозируемых величин, на основе нейронных сетей (НС). Показано, что при увеличении горизонта прогноза от 1 до 4 часов качество прогноза снижается не слишком существенно, что позволяет ставить вопрос об использовании этих моделей для онлайн-прогнозирования и о дальнейшем увеличении горизонта. Полученные модели используются для онлайн-прогнозирования на сайте Центра анализа космической погоды НИИЯФ МГУ (http://swx.sinp.msu.ru). 2) Разработка нейросетевых методов анализа состояний магнитосферы Земли. Путём кластеризации (с помощью НС Кохонена и алгоритма k-средних) осуществлена сегментация данных многомерных временных рядов (ВР), описывающих изменение состояния магнитосферы Земли. Работа проведена отдельно для двух массивов данных: а) Массив 1, предназначенный для прогнозирования индекса Dst и включающий ВР параметров СВ, параметров ММП и самого индекса Dst; б) Массив 2, предназначенный для прогнозирования потока РЭ (E>2 МэВ) и включающий дополнительно ВР индекса Kp и потока РЭ. Результаты сегментации проанализированы с физической точки зрения и показано, что выделяемые адаптивно типы сегментов (кластеры) могут быть соотнесены с физически различными состояниями магнитосферы Земли.
3 1 января 2015 г.-31 декабря 2015 г. Разработка нейросетевых методов обработки данных физического эксперимента
Результаты этапа:
4 1 января 2016 г.-31 декабря 2016 г. Разработка нейросетевых методов обработки данных физического эксперимента
Результаты этапа: 1) Горизонт прогнозирования геомагнитных индексов Dst и Kp и вариаций потоков релятивистских электронов (РЭ) внешнего радиационного пояса Земли (ВРПЗ) увеличен до 12 часов. Показано, что удовлетворительное качество прогноза сохраняется для геомагнитных индексов при горизонте до 6 часов включительно и для потоков РЭ до 12 часов включительно. Показано, что нейросетевое прогнозирование позволяет получить более высокую точность прогнозов по сравнению с методами ПЛС и МГУА (см.п.5). Показано, что одновременное прогнозирование с несколькими горизонтами прогноза с помощью одной нейронной сети позволяет повысить качество прогноза. На сайте НИИЯФ МГУ реализован усовершенствованный вариант онлайн-прогнозирования. 2) Повышено качество прогноза суточных флюенсов РЭ ВРПЗ с помощью понижения размерности входного пространства задачи путём выбора оптимальных способов формирования входных признаков. 3) Разработана методика оценки качества сегментации многомерного временного ряда (МВР) на основе физических и математических критериев. 4) Методика применена для оценки качества адаптивной сегментации с помощью нейронных сетей Кохонена МВР, описывающего состояние магнитосферы Земли, а также для оценки качества сегментации при решении 3 эталонных задач. 5) Продолжены работы по применению адаптивных методов, не основанных на нейронных сетях. Метод проекций на латентные структуры (ПЛС) как наиболее мощный и эффективный метод решения задач использовался при решении задач прогнозирования, оценки и обратных задач в качестве референсного метода, альтернативного нейросетевому. Метод многомерного разрешения кривых (МРК) использовался для решения задач анализа многокомпонентных смесей спектроскопическими методами. 6) Нейросетевые методы и метод ПЛС были применены при решении нескольких обратных задач спектроскопии - задачи анализа состава многокомпонентных растворов неорганических солей, задачи определения концентраций азотистых оснований в растворах для повышения устойчивости ДНК-вычислений и задачи определения типов и концентраций наночастиц в урине человека с целью мониторинга их выведения из организма при их использовании для адресной доставки лекарств.
5 1 января 2017 г.-31 декабря 2017 г. Разработка нейросетевых методов обработки данных физического эксперимента
Результаты этапа: 1. Проведено сравнение качества прогнозирования максимального за сутки среднечасового потока электронов внешнего радиационного пояса Земли на геостационарной орбите различными адаптивными методами – с помощью многомерной авторегрессионной модели, искусственных нейронных сетей (ИНС) архитектуры многослойный персептрон и комитетов деревьев решений в рамках bagging-подхода. В качестве исходных параметров были использованы среднечасовые значения геомагнитных индексов Dst, АЕ и Kp, Bz-компоненты ММП, Vх-компоненты скорости СВ, плотности протонов из базы данных OmniWeb, а также потока релятивистских электронов с энергией > 2 МэВ, измеренные на КА серии GOES, за период с 1992 по 2002 г. (данные CDAWeb). Показано, что несколько лучший результат даёт использование деревьев решений. Дополнительно улучшить качество прогноза позволяет учёт значений УНЧ (ULF)-индекса, который является одним из существенных параметров, характеризующих взаимодействие «волна-частица», ответственное за ускорение и рассеяние электронов ВРПЗ. [А.О.Ефиторов, И.Н.Мягкова, С.А.Доленко. Сравнение качества прогнозирования максимального за сутки среднечасового потока электронов внешнего радиационного пояса Земли на геостационарной орбите различными адаптивными методами. 12-я ежегодная конференция «Физика плазмы в Солнечной системе», 6-10 февраля 2017 г., ИКИ РАН. Сборник тезисов докладов, с.136.] 2. При прогнозировании суточных интегральных потоков (флуенсов) релятивистских электронов с энергией > 2 МэВ на геостационарной орбите с помощью ИНС были использованы три новых приёма. Во-первых, был совершен переход от прогнозирования по календарным суткам к прогнозированию на 1-4 суток вперёд от текущего часа. Во-вторых, определение оптимальной глубины погружения временного ряда было проделано отдельно для каждой физической входной переменной. В-третьих, помимо исторических данных с разрешением в сутки, на вход ИНС подавались данные за последние сутки с часовым разрешением. Применение описанных приёмов позволило повысить качество прогнозирования. [Н.С.Сентемова, С.А.Доленко, И.Н.Мягкова. Нейросетевое прогнозирование интегральных суточных потоков релятивистских электронов на геостационарной орбите. XV Всероссийская научная конференция "Нейрокомпьютеры и их применение". Тезисы докладов. М., МГППУ, 2017, с.221-223.] Отдельно исследовался вопрос об оптимальном выборе способа погружения многомерного временного ряда, и было показано, что отбор существенных задержек для каждого временного ряда с применением кросс-корреляции является более эффективным, чем «прямоугольное» (одинаковое для всех физических переменных) погружение даже при условии выбора оптимальной глубины погружения. [R.Batusov, S.Dolenko, I.Myagkova. Neural Network Prediction of Daily Relativistic Electrons Fluence in the Outer Radiation Belt of the Earth: Selection of Delay Embedding Method. Procedia Computer Science, 2018, accepted.] 3. При прогнозировании часовых значений геомагнитного индекса Dst было произведено сравнение трёх способов представления входных данных: а) исходные значения входных признаков, перенормированные в диапазон [0,1]; б) разности между погружёнными и непогружёнными среднечасовыми значениями параметров, имеющими распределение, близкое к нормальному; в) исходные данные, приведённые к нормальному распределению биективным нелинейным преобразованием. Показано, что все нейросетевые модели работают лучше тривиальных, а преобразования входных данных позволяют повысить качество прогноза. [В.Р.Широкий, И.Н.Мягкова, С.А.Доленко. Сравнение методов нормализации входных признаков в задаче нейросетевого прогнозирования уровня геомагнитных возмущений. XV Всероссийская научная конференция "Нейрокомпьютеры и их применение". Тезисы докладов. М., МГППУ, 2017, с.223-224.] 4. На протяжении нескольких последних лет в лаборатории велись исследования по изучению эффективности группового определения значений нескольких выходных признаков при нейросетевом решении задач с несколькими выходами. В отчётном году эффект был подтвержден при решении задачи прогнозирования суточных интегральных потоков (флюенсов) релятивистских электронов на геостационарной орбите. Показано, что при осуществлении прогнозирования одновременно с несколькими горизонтами прогнозирования с помощью одной ИНС с несколькими выходами качество прогноза может быть улучшено по сравнению с автономным прогнозированием для каждого горизонта по отдельности. [I.Myagkova, S.Dolenko. Confirmation of the Effect of Simultaneous Time Series Prediction with Multiple Horizons at the Example of Electron Daily Fluence in Near-Earth Space. A.Lintas et al. (Eds.): ICANN-2017, Part II, Lecture Notes in Computer Science, V.10614, pp.774-775. DOI 10.1007/978-3-319-68612-7.] 5. В отчётном году были впервые проведены работы по прогнозированию суточных значений геомагнитных индексов (минимального за сутки часового значения индекса Dst, максимального за сутки трёхчасового значения индекса Kp, а также значения индекса Ap. Было показано, что качество прогнозирования перечисленных величин существенно ниже, чем качество прогнозирования часовых значений геомагнитных индексов или суточных потоков электронов на геостационарной орбите, причём это связано с физикой исследуемых явлений. [I.Myagkova, V.Shiroky, S.Dolenko. Prediction of geomagnetic indexes with the help of artificial neural networks. E3S Web of Conferences, 2017, v.20, article 02011. DOI: 10.1051/e3sconf/20172002011.] 6. В отчётном году были продолжены исследования нейросетевых методов решения многопараметрических обратных задач. Было показано, что независимо от конкретного типа решаемой задачи одним из эффективных приёмов повышения качества ее решения и устойчивости этого решения к шумам разнообразной природы является добавление шума к примерам обучающей выборки при обучении ИНС. При этом максимальный эффект достигается, если тип, характеристики и уровень шума при обучении соответствуют тем, которыми характеризуются независимые данные при применении обученной ИНС. 7. Были проведены исследования по использованию нейросетевых методов кластеризации и классификации данных при решении задачи мониторинга выведения тераностических флуоресцентных нанокомпозитов из организма по спектрам комбинационного рассеяния света. Была показана эффективность применяемых методов обработки данных, а также продемонстрирована необходимость увеличения применяемой обучающей выборки для обеспечения устойчивости нейросетевого решения задачи. 8. Были проведены исследования по использованию фазовой вейвлет когерентности при обработке данных электроэнцефалограмм (ЭЭГ), в том числе с использованием вычислений на графических процессорах (GPU). Продемонстрирована высокая эффективность вейвлет-преобразования и расчетов фазовой вейвлет-когерентности для извлечения релевантной информации из ЭЭГ, характеризующихся высоким уровнем шумов, спектрально перекрывающихся с сигналом. 9. Была продемонстрирована высокая эффективность и помехоустойчивость нейросетевых методов при обработке сигналов полупроводниковых детекторов, работающих в динамическом температурном режиме, при определении низких концентраций газов CO, H2 и их смеси в воздухе с целью ранней диагностики возгораний. Было сделано заключение о целесообразности продолжения работ в этом направлении, в том числе при решении других задач диагностики газов малых концентраций в воздухе для целей производственного и экологического контроля, контроля качества пищевой продукции, медицины и др.
6 1 января 2018 г.-31 декабря 2018 г. Разработка нейросетевых методов обработки данных физического эксперимента
Результаты этапа: 1. В отчётном году рассматривалось вейвлет-преобразование как способ предобработки данных с целью понижения размерности и извлечения существенных признаков. Было показано, что для этого можно использовать как дискретное, так и непрерывное вейвлет-преобразование. Эффективность этих методов по сравнению друг с другом и с альтернативными методами извлечения признаков (анализ главных компонент, агрегация) зависит от конкретной решаемой задачи. [A.Еfitorov, S.Dolenkо, T.Dolеnko, K.Laptinskiy, and S.Burikоv. Usе of Adaptivе Mеthods to Solvе thе Invеrsе Problеm of Dеtеrmination of Composition of Multi-Componеnt Solutions. Optical Memory and Neural Networks (Information Optics), 2018, V.27, no.2, pp. 89-99. DOI: 10.3103/S1060992X18020042 С. А. Буриков, А. О. Ефиторов, Т. А. Доленко, В. Р. Широкий, С. А. Доленко. Решение обратных задач спектроскопии комбинационного рассеяния водных растворов солей с применением вейвлет-нейронных сетей. Сибирский физический журнал, 2018, т.13, №3, с.101-109. DOI: 10.25205/2541-9447-2018-13-3-101-109. С. А. Буриков, А. О. Ефиторов, Т. А. Доленко, В. Р. Широкий, С. А. Доленко. Решение обратных задач спектроскопии комбинационного рассеяния водных растворов солей с применением вейвлет-нейронных сетей. Сборник тезисов конференции "Комбинационное рассеяние - 90 лет исследований". НГУ, 2018, с.108. С. А. Буриков, А. О. Ефиторов, Т. А. Доленко, В. Р. Широкий, С. А. Доленко. Решение обратных задач спектроскопии комбинационного рассеяния водных растворов солей с применением вейвлет-нейронных сетей. Всероссийская конференция с международным участием "Комбинационное рассеяние - 90 лет исследований". НГУ, 28 мая – 1 июня 2018 г. Стендовый доклад, 28 мая 2018 г., докладчик Буриков С.А.] 2. Рассматривались вейвлет нейронные сети (ВНС) как альтернатива традиционным многослойным персептронам, на примере решения обратных задач оптической спектроскопии. Показано, что обучение ВНС представляет собой существенно более сложную задачу, чем обучение многослойного персептрона, из-за того, что подбираемые параметры неоднородны и имеют разную природу. В этой ситуации выбор оптимальной стратегии обучения ВНС оказывается весьма важным. [А.О.Ефиторов, С.А.Доленко, Т.А.Доленко, С.А.Буриков. Выбор оптимальной стратегии обучения вейвлет-нейронной сети на примере обратной задачи лазерной спектроскопии. XVI Всероссийская научная конференция «Нейрокомпьютеры и их применение». Тезисы докладов. М: МГППУ, 2018, с.347-348.] 3. Реализовано программное решение на языке Python для работы с многомерными временными рядами, позволяющее осуществлять погружение временного ряда, отбор существенных входных признаков, обучение и применение нейронных сетей, с учётом специфики решаемой задачи. 4. В отчетном году были продолжены работы по исследованию способов отбора оптимальных входных признаков при нейросетевом прогнозировании потоков заряженных частиц на околоземной орбите. Показано, что оптимизация состава входных признаков позволяет улучшить качество прогноза. [Р.И.Батусов, С.А.Доленко, И.Н.Мягкова. Исследование способов отбора входных признаков при нейросетевом прогнозировании потока релятивистских электронов внешнего радиационного пояса Земли. XVI Всероссийская научная конференция «Нейрокомпьютеры и их применение». Тезисы докладов. М: МГППУ, 2018, с.346-347. Р.И.Батусов, С.А.Доленко, И.Н.Мягкова. Исследование способов отбора входных признаков при нейросетевом прогнозировании потока релятивистских электронов внешнего радиационного пояса Земли. XVI Всероссийская научная конференция «Нейрокомпьютеры и их применение». МГППУ, Москва, 13 марта 2018 г. Устный доклад, докладчик Батусов Р.И.] 5. На сайте Центра космической погоды НИИЯФ МГУ реализованы новые версии онлайн-прогнозов: Dst индекса на один час вперёд (http://swx.sinp.msu.ru/models/dst.php) и суточных флюенсов релятивистских электронов внешнего радиационного пояса Земли на геостационарной орбите на 1 сутки вперёд (http://swx.sinp.msu.ru/models/dst.php). Для прогнозирования использованы методы машинного обучения – искусственные нейронные сети типа персептрон и алгоритм eXtreme Gradient Boosting (XGB), основанный на деревьях решений. Ведутся работы по увеличению горизонта прогноза. В прогнозе суточных флюенсов учтена динамика изменения среднечасовых значений входных переменных задачи за последние сутки. 6. Был разработан алгоритм классифкации единичных проб электроэнцефалограмм (ЭЭГ) процесса решения задач с преобладанием ментального и сенсорного внимания. В качестве примеров для классификатора используется вейвлет спектральная плотность мощности, рассчитанная на каждом отведении ЭЭГ для каждого одиночного испытания. Для понижения размерности спектральных данных используются сверточные автоэнкодеры. Векторы малой размерности, полученные в результате применения автоэнкодера использовались в качестве входных данных для классификатора — нейронной сети архитектуры многослойный персептрон. Усреденная по людям точность классификации составила 83.4%, стандартное отклонение 6.6%. Таким образом, данный подход потенциально может использоваться для построения интерфейсных систем Мозг-Компьютер. [I.Knyaseva, A.Efitorov, Yu.Boytsova, S.Danko, V.Shiroky, N.Makarenko. Single Trial EEG Classification of Tasks with Dominance of Mental and Sensory Attention with Deep Learning Approach. In: B.Kryzhanovsky et al.(Eds.): Neuroinformatics 2018. Studies in Computational Intelligence, 2019, V.799, pp.190-195. DOI: 10.1007/978-3-030-01328-8_21) И.Князева, А.Ефиторов, Ю.Бойцова, С.Данько, В.Широкий, Н.Макаренко. Классификация единичных проб ЭЭГ процесса решения задач с преобладанием ментального и сенсорного внимания с помощью подходов глубокого обучения. XX международная научно-техническая конференция "Нейроинформатика-2018", Москва, 8-12 октября 2018 г. Устный доклад, 9 октября 2018 г., докладчик Широкий В.Р.] 7. Исследована проблема коррекции движения в данных функциональной магнитно-резонансной томографии (фМРТ) с помощью различных методов, реализованных в стандартных пакетах обработки: SPM, AFNI, BROCCOLI. Рассмотрение велось для случаев нелинейных и частичных сдвигов и вращений слоев (слайсов, slices) фМРТ снимков. Разработаны рекомендации по использованию тех или иных методов в различных случаях. [A.Efitorov, V.Orlov, V.Ushakov, V.Shirokiy, S.Dolenko. Comparison of nonlinear methods of motion correction in fMRI data. Postproceedings of the 9th Annual International Conference on Biologically Inspired Cognitive Architectures, BICA 2018 (Ninth Annual Meeting of the BICA Society). Procedia Computer Science, 2018, V.145, p.188-192. DOI: 10.1016/j.procs.2018.11.038. Efitorov A., Orlov V.A., Ushakov V., Shirokiy V., Dolenko S. Comparison of nonlinear methods of motion correction in fMRI data. 9th Annual International Conference on Biologically Inspired Cognitive Architectures, BICA 2018 (Ninth Annual Meeting of the BICA Society). Чехия, Прага, 22-25 августа 2018 г. Устный доклад, 23 августа 2018 г., докладчик Широкий В.Р.] 8. Для определения различных когнитивных паттернов рассматривались последовательности действий человека в игре с так называемыми коллаборативными роботами (коботами). Для победы игроку необходимо кооперироваться с одним из коботов. Каждый из коботов в процессе игры может кооперироваться с человеком или нет, заставляя его менять стратегию поведения. Рассматривались изменения паттернов поведения человека в разных раундах игры и внутри каждого раунда. Для этого использовались анализ событий во временных рядах и анализ ассоциативных правил. Были обнаружены несколько стабильных паттернов активности, которые сравнивались с информацией в опросах участников после игры. [V.Shirokii, R.Batusov, A.Chubarov, S.Dolenko, A.Samsonovich. Patterns of Cognitive Activity in a Human vs Collaborative Robot Interactive Game. Postproceedings of the 9th Annual International Conference on Biologically Inspired Cognitive Architectures, BICA 2018 (Ninth Annual Meeting of the BICA Society). Procedia Computer Science, 2018, V.145, p.495-499. DOI: 10.1016/j.procs.2018.11.112. V.Shirokii, R.Batusov, A.Chubarov, S.Dolenko, A.Samsonovich. Patterns of Cognitive Activity in a Human vs Collaborative Robot Interactive Game. 9th Annual International Conference on Biologically Inspired Cognitive Architectures, BICA 2018 (Ninth Annual Meeting of the BICA Society). Чехия, Прага, 22-25 августа 2018 г. Устный доклад, 23 августа 2018 г., докладчик Широкий В.Р. 9. В отчётном году проводились доработки алгоритма адаптивного построения иерархических нейросетевых классификаторов (ИНК) для его использования в режимах классификации и кластеризации; результаты его применения для решения модельных и реальных задач сравнивались с традиционными алгоритмами классификации и кластеризации. На данный момент алгоритм демонстрирует недостаточную стабильность решений; работа по его совершенствованию будет продолжена. 10. В отчётном году были продолжены работы по использованию нейросетевых методов кластеризации и классификации данных при решении задачи мониторинга выведения тераностических флуоресцентных нанокомпозитов из организма по спектрам комбинационного рассеяния света. Помимо многослойных персептронов, для решения задачи использовались вейвлет нейронные сети. Основной проблемой в данной задаче остается высокая вариабельность данных и возникающая из-за нее потребность в увеличении размеров обучающей выборки данных. [O.E.Sarmanova, S.A.Burikov, S.A.Dolenko, A.O.Efitorov, I.V.Isaev, K.A.Laptinskiy, N.Prabhakar, D.Sen Karaman, J.M.Rosenholm, T.A.Dolenko. Monitoring of the excretion of fluorescent nanocomposites out of the body using artificial neural networks. Proceedings of SPIE - The International Society for Optical Engineering, 2018, V.10679, p.1067904-1 - 1067904-14. DOI: 10.1117/12.2306474 T.Dolenko, A.Efitorov, O.Sarmanova, O.Kotova, I.Isaev, K.Laptinskiy, S.Dolenko, S.Burikov. Application of Wavelet Neural Networks for Monitoring of Extraction of Carbon Multi-Functional Medical Nano-Agents from the Body. Postproceedings of the 9th Annual International Conference on Biologically Inspired Cognitive Architectures, BICA 2018 (Ninth Annual Meeting of the BICA Society). Procedia Computer Science, 2018, V.145, p.177-183. DOI: 10.1016/j.procs.2018.11.036. К.А.Лаптинский, С.А.Буриков, С.А.Доленко, И.В.Исаев, Н.Прабхакар, Дж.М.Розенхольм, О.Э.Сарманова, Т.А.Доленко. Оптическая визуализация и контроль выведения тераностических флуоресцентных нанокомпозитов из организма с помощью искусственных нейронных сетей. IV Международная конференция и молодёжная школа "Информационные технологии и нанотехнологии (ИТНТ-2018)". Сборник трудов. Самара, 2018, с.2722-2730. O.E.Sarmanova, S.A.Burikov, S.A.Dolenko, A.O.Efitorov, I.V.Isaev, K.A.Laptinskiy, N.Prabhakar, D.Sen Karaman, J.M.Rosenholm, T.A.Dolenko. Monitoring of the excretion of fluorescent nanocomposites out of the body using artificial neural networks. SPIE Photonics Europe 2018, Страсбург, Франция, 22-26 апреля 2018. Устный доклад, докладчик Сарманова О.Э. К.А.Лаптинский, С.А.Буриков, С.А.Доленко, И.В.Исаев, Н.Прабхакар, Дж.М.Розенхольм, О.Э.Сарманова, Т.А.Доленко. Оптическая визуализация и контроль выведения тераностических флуоресцентных нанокомпозитов из организма с помощью искусственных нейронных сетей. IV Международная конференция и молодёжная школа «Информационные технологии и нанотехнологии» (ИТНТ-2018), Самара, 24-27 апреля 2018 г. Стендовый доклад, 27 апреля 2018 г., докладчик Исаев И.В. T.Dolenko, A.Efitorov, O.Sarmanova, O.Kotova, I.Isaev, K.Laptinskiy, S.Dolenko, S.Burikov. Application of Wavelet Neural Networks for Monitoring of Extraction of Carbon Multi-Functional Medical Nano-Agents from the Body. 9th Annual International Conference on Biologically Inspired Cognitive Architectures, BICA 2018 (Ninth Annual Meeting of the BICA Society). Чехия, Прага, 22-25 августа 2018 г. Стендовый доклад, 22 августа 2018 г., докладчик Доленко Т.А. 11. Методы машинного обучения – многоагентные методы оптимизации на основе генетических алгоритмов были использованы для разложения контура валентной полосы комбинационного рассеяния (КР) воды на составляющие. На основании динамики полученных разложений были сделаны физически значимые выводы относительно энергии водородных связей в водных суспензиях наноалмазов с различной функционализацией поверхности. Результаты опубликованы в высокорейтинговом журнале, входящем в первый квартиль по Web of Science. K.A.Laptinskiy, A.N.Bokarev, S.A.Dolenko, I.L.Plastun, O.E.Sarmanova, O.A.Shenderova, T.A.Dolenko. The energy of hydrogen bonds in aqueous suspensions of nanodiamonds with different surface functionalization. J.Raman Spectroscopy, 2018. DOI: 10.1002/jrs.5524 12. Были продолжены исследования влияния обучения с шумом на устойчивость нейросетевого решения разнообразных задач. Подтвержден наблюдавшийся ранее эффект – наиболее эффективным является добавление шума, природа и амплитуда которого аналогичны тем, с которыми приходится иметь дело натренированной сети. 13. Была подтверждена высокая эффективность и помехоустойчивость нейросетевых методов при обработке сигналов полупроводниковых детекторов, работающих в динамическом температурном режиме, при определении низких концентраций газов CO, H2 и их смеси в воздухе с целью ранней диагностики возгораний (результаты опубликованы в высокорейтинговом журнале, входящем в первый квартиль по Web of Science.), а также при определении сверхнизких концентраций НДМГ в атмосферном воздухе. V.Krivetskiy, A.Efitorov, A.Arkhipenko, S.Vladimirova, M.Rumyantseva, S.Dolenko, A.Gaskov. Selective detection of low concentrations of individual gases and CO/H2 mixture in air by single semiconductor metal oxide sensors working in dynamic temperature mode. Sensors and Actuators B: Chemical, 2018, V.254, pp.502-513. DOI 10.1016/j.snb.2017.07.100. Valeriy V. Krivetskiy, Alexander O. Efitorov. Reliable detection of UDMH in sub-ppb level in variable atmospheric conditions by temperature modulated FSP-made SnO2 and Ru/SnO2 nanocomposite based MOX sensors. 17th International Meeting on Chemical Sensors - IMCS 2018 2018-07-15 - 2018-07-19. Vienna, Austria. p.911-912. DOI: 10.5162/IMCS2018/P2AR.6. Ефиторов А.О., Кривецкий В.В.: Reliable detection of UDMH in sub-ppb level in variable atmospheric conditions by temperature modulated FSP-made SnO2 and Ru/SnO2 nanocomposite based MOX sensors. 17th International Meeting on Chemical Sensors - IMCS 2018, Вена, Австрия, 15-19 июля 2018. Стендовый доклад, докладчик А.О.Ефиторов.
7 1 января 2019 г.-31 декабря 2019 г. Разработка нейросетевых методов обработки данных физического эксперимента
Результаты этапа: 1. В отчётном году были продолжены работы по прогнозированию временных рядов в космической физике – значений геомагнитного индекса Dst и интегральных суточных потоков (флюенсов) релятивистских электронов внешнего радиационного пояса Земли (РЭ ВРПЗ) с энергиями > 2 МэВ на геостационарной орбите. В соответствии с Техническим заданием на 2019 год, горизонт нейросетевого прогнозирования суточных флюенсов РЭ ВРПЗ был увеличен до 3 суток, а горизонт нейросетевого прогнозирования часовых значений индекса Dst – до 4 часов. В 2020 году буду проведены работы по применению полученных прогнозирующих моделей для онлайн-прогнозирования на сайте swx.sinp.msu.ru. [- V.Kalegaev, M.Panasyuk, I.Myagkova, Yu.Shugay, N.Vlasova, W.Barinova, E.Beresneva, S.Bobrovnikov, V.Eremeev, S.Dolenko, I.Nazarkov, Minh D.Nguyen, A.Prost. Monitoring analysis and post-casting of the Earth’s particle radiation environment during February 14–March 5, 2014. J. of Space Weather and Space Climate, 2019, V.9, art.no.A29. DOI: 10.1051/swsc/2019029 - I.Myagkova, A.Efitorov, V.Shiroky, S.Dolenko. Quality of Prediction of Daily Relativistic Electrons Flux at Geostationary Orbit by Machine Learning Methods. In: Tetko I., Kurkova V., Karpov P., Theis F. (eds) Artificial Neural Networks and Machine Learning – ICANN 2019: Text and Time Series. Lecture Notes in Computer Science, 2019, V.11730, p.556-565. DOI: 10.1007/978-3-030-30490-4_45 - I.Myagkova, A.Efitorov, V.Shiroky, S.Dolenko. Quality of Prediction of Daily Relativistic Electrons Flux at Geostationary Orbit by Machine Learning Methods. 28th International Conference on Artificial Neural Networks (ICANN19), Германия, Мюнхен, 17-19 сентября 2019 г. Стендовый доклад, 18 сентября 2019 г., докладчик И.Н.Мягкова. - А.О.Ефиторов, В.Р.Широкий, И.Н.Мягкова, С.А.Доленко. Качество прогнозирования потока релятивистских электронов на геостационарной орбите с помощью методов машинного обучения. Математические методы распознавания образов: Тезисы докладов 19-й Всероссийской конференции с международным участием, Москва, 2019. М., Российская академия наук, 2019, с.332. (A.Efitorov, V.Shiroky, I.Myagkova, S.Dolenko. Quality of Prediction of Daily Relativistic Electrons Flux at Geostationary Orbit by Machine Learning Methods. Mathematical Methods for Pattern Recognition: Book of abstracts of the 19th Russian National Conference with International Participation, Moscow, 2019. Moscow, Russian Academy of Sciences, 2019, p.333.) - А.О.Ефиторов, В.Р.Широкий, И.Н.Мягкова, С.А.Доленко. Качество прогнозирования потока релятивистских электронов на геостационарной орбите с помощью методов машинного обучения. Математические методы распознавания образов: 19-я Всероссийская конференция с международным участием, Москва, 26-29 ноября 2019. Устный доклад, 29 ноября 2019 г., докладчик Широкий В.Р. - В.А.Колмогорова, С.А.Доленко, И.Н.Мягкова, Ю.С.Шугай, В.В.Калегаев. Формирование набора входных признаков при нейросетевом прогнозировании суточного потока релятивистских электронов внешнего радиационного пояса Земли. XVII Всероссийская научная конференция «Нейрокомпьютеры и их применение». Тезисы докладов. М: МГППУ, 2019, с.417-418. - В.А.Колмогорова, С.А.Доленко, И.Н.Мягкова, Ю.С.Шугай, В.В.Калегаев. Формирование набора входных признаков при нейросетевом прогнозировании суточного потока релятивистских электронов внешнего радиационного пояса Земли. XVII Всероссийская научная конференция «Нейрокомпьютеры и их применение». Москва, МГППУ, 19 марта 2019 г. Устный доклад, докладчик Колмогорова В.А.] 2. Помимо работ по увеличению горизонта и повышению качества прогноза индекса Dst и флюенсов РЭ ВРПЗ, в отчётном году было проведено тестирование вейвлет-нейронных сетей и нейронечётких систем как инструментов для решения указанных задач прогнозирования. Было показано, что оба исследованных типа нейросетевых алгоритмов в принципе способны решать указанные задачи прогнозирования с горизонтом и качеством прогнозов, сравнимым с получаемыми в результате использования ИНС типа МСП и алгоритма градиентного бустинга. Однако ввиду особенностей исследованных алгоритмов обучение ИНС этих типов происходит в пространствах с разнородными координатами и с более высокой размерностью, чем обучение МСП, и представляет собой существенно более сложную задачу с более низкой воспроизводимостью результатов, чем при использовании МСП. Работы в направлении исследования особенностей данных нейросетевых архитектур и совершенствования алгоритмов их обучения будут продолжены. [- А.О.Ефиторов, В.Р.Широкий, И.Н.Мягкова, С.А.Доленко. Применение нейронечётких систем для решения задачи прогнозирования потоков релятивистских электронов внешнего радиационного пояса Земли. XIV ежегодная конференция "Физика плазмы в Солнечной системе", 11-15 февраля 2019 г., ИКИ РАН. Тезисы докладов, с.234. - В.Р.Широкий, А.О.Ефиторов, И.Н.Мягкова, С.А.Доленко. Использование вейвлет-нейронных сетей для решения задачи краткосрочного прогнозирования геомагнитной активности. XIV ежегодная конференция "Физика плазмы в Солнечной системе", 11-15 февраля 2019 г., ИКИ РАН. Тезисы докладов, с.235. - В.Р.Широкий, А.О.Ефиторов, И.Н.Мягкова, С.А.Доленко. Использование вейвлет-нейронных сетей для решения задачи краткосрочного прогнозирования геомагнитной активности. XIV ежегодная конференция "Физика плазмы в Солнечной системе", 11-15 февраля 2019 г., Москва, ИКИ РАН. Устный доклад, 14 февраля 2019 г., докладчик Широкий В.Р.] 3. Были проведены первые исследования по использованию нейро-нечётких систем для решения обратных задач в области спектроскопии и разведочной геофизики. Было обнаружено, что при решении этих задач обучение нейро-нечётких систем сталкивается с теми же проблемами, описанными выше и возникающими при решении задач прогнозирования, а получаемые результаты на 15-20% хуже результатов МСП. При планируемом далее проведении работ по усовершенствованию алгоритмов обучения нейро-нечётких систем следует использовать данные указанных обратных задач для тестирования модифицированных алгоритмов и сравнения их с МСП по погрешности результатов решения, его вычислительной стоимости и воспроизводимости. 4. Были продолжены исследования по использованию вейвлет-нейронных сетей (ВНС) на примере решения обратных задач спектроскопии. Исследования проводились по следующим направлениям: а) Исследование и визуализация параметров ВНС; б) Проверка эффективности добавления шума при обучении ВНС как способа повышения устойчивости решения к шумам. Визуализация параметров ВНС позволила установить причины, по которым при обучении ВНС часто происходит «застревание» в локальном минимуме функционала ошибки, и наметить алгоритмические пути коррекции этого нежелательного эффекта. [- О.Д.Котова, А.О.Ефиторов, С.А.Доленко, Т.А.Доленко, С.А.Буриков. Исследование и визуализация параметров вейвлет нейронной сети. XVII Всероссийская научная конференция «Нейрокомпьютеры и их применение». Тезисы докладов. М: МГППУ, 2019, с.190-191. - О.Д.Котова, А.О.Ефиторов, С.А.Доленко, Т.А.Доленко, С.А.Буриков. Исследование и визуализация параметров вейвлет нейронной сети. XVII Всероссийская научная конференция «Нейрокомпьютеры и их применение», Москва, МГППУ, 19 марта 2019 г. Устный доклад, докладчик Котова О.Д.] Исследование устойчивости ВНС к шумам показало, что ВНС являются менее устойчивыми к шумам входных данных по сравнению с классическими МСП. При этом в обоих случаях добавление шума к данным в процессе обучения позволяет повысить устойчивость решения, однако при одном и том же уровне шума в тестовой выборке МСП-решение задачи оказывается лучше (более устойчивым к шуму), чем ВНС-решение. 5. В отчётном году было также предложено усовершенствование ВНС нового типа, предложенных сотрудниками ЛАМОД и защищённых патентом в конце 2017 года. Основная идея усовершенствования состоит в том, что в аппроксимации должны одновременно участвовать вейвлеты разных уровней, причём вейвлеты следующего уровня проверяются для областей сигнала, продемонстрировавших низкое качество решения задачи на предыдущем уровне. Усовершенствованный алгоритм был протестирован на обратной задаче определения концентраций 10 ионов в многокомпонентном растворе неорганических солей по спектрам комбинационного рассеяния света. Статистические показатели качества решения задачи с помощью ИНС типа МСП на полном массиве данных (2048 признаков) составили: средняя абсолютная ошибка (САО) 0.0908 М (моль/л), коэффициент множественной детерминации R2=0.721. Использование непрерывного вейвлет-преобразования для предобработки данных позволило улучшить результат до САО=0.0829 и R2=0.752 при 227 преобразованных признаках. Применение новой модификации ВНС позволило получить САО=0.0748 и R2=0.780 при размерности предобработанных данных, равной 205. Таким образом, была продемонстрирована перспективность предложенной модификации ВНС; её исследование планируется продолжить в 2020 году. [- А.О.Ефиторов, С.А.Доленко. Новый тип вейвлет-нейронных сетей. Математические методы распознавания образов: Тезисы докладов 19-й Всероссийской конференции с международным участием, Москва, 2019. М., Российская академия наук, 2019, с.106. (A.Efitorov, S.Dolenko. A New Type of a Wavelet neural Network. Mathematical Methods for Pattern Recognition: Book of abstracts of the 19th Russian National Conference with International Participation, Moscow, 2019. Moscow, Russian Academy of Sciences, 2019, p.107.) - А.О.Ефиторов, С.А.Доленко. Новый тип вейвлет-нейронных сетей. Математические методы распознавания образов: 19-я Всероссийская конференция с международным участием, Москва, 26-29 ноября 2019. Устный доклад, 28 ноября 2019 г., докладчик Ефиторов А.О. 6. В отчётном году были проведены исследования эффективности методов машинного обучения для обработки данных фМРТ в рамках когнитивных исследований. Для выполнения работ данного этапа исполнителям потребовалось на имеющемся в ЛАМОД НИИЯФ МГУ кластере развернуть Apache Spark - фреймворк с открытым исходным кодом для реализации распределённой обработки данных, а также систему параллельных распределенных вычислений Dask. Суммарный объем файла, содержащего фМРТ сканы и метаинформаицию, составил более 800Гб. Обработка такого массива данных была невозможна без использования специальных решений, предназначенных для анализа больших данных. В качестве базового решения было решено использовать сжатие данных методом главных компонент (МГК) и далее строить классификатор на основе сжатых данных. Предстояло решить задачу по определению типа ментального задания, которое выполнял испытуемый, по его фМРТ данным. Точность решения задачи классификации на 6 классов оказалась невысокой - около 55% на тренировочном наборе и около 20% на тестовом наборе. Для улучшения результатов было принято решение использовать двухэтапное обучение: на первом этапе нейронная сеть учится решать задачу бинарной классификации, обучаясь на всем массиве данных (112 тыс. примеров), после чего последний слой сети заменяется на слой для классификации на 6 классов (остальные веса остаются обученными на задаче бинарной классификации); далее проводится дообучение на поднаборе из 29 тыс примеров. Таким образом удалось добиться точности определения типа задачи в 73% на тренировочном и около 30% на тестовом наборе данных. Тестовый набор составляет случайно выбранные 10% примеров из всего набора данных (из 29 тыс отфильтрованных примеров) и не используется в процессе обучения нейросети. 7. Были проведены работы по определению типа задачи, решаемой испытуемым (задача «Когновизор»), с помощью алгоритмов машинного обучения, получающих на вход данные фМРТ (вместо запланированной ранее работы с данными ЭЭГ). Такое решение было принято в связи с отсутствием данных ЭЭГ необходимого качества, которые должны были предоставить коллеги из другого НИИ, и напротив, с нормальным качеством предоставленных ими данных фМРТ, и успешным получением первых результатов обработки последних. При работе с полноразмерными данными в качестве более простого базового решения был выбран алгоритм случайного леса (random forest), поддерживаемый системой Apache Spark. Модели решающих деревьев обучались на массиве из 29 тыс примеров, каждый с размерностью около 400 тыс признаков. Случайный лес с глубиной дерева 15 позволил получить точность 89.7% на тренировочном наборе и 35.1% на тестовом наборе, т.е. был превзойден результат, полученный на сжатых данных. Ещё одним этапом работы стало обучение сверточных сетей, также для решения задачи классификации на 6 классов. Обучение моделей производилось на базе фреймворка tensorflow на ранее упомянутом массиве из 29 тыс. примеров - размер массива составил около 210 Гб. Были успешно обучены следующие нейросетевые архитектуры: VGG16, NasNetMobile и InceptionV3. Первая архитектура продемонстрировала самые низкие результаты: около 40% на тренировочном и тестовом наборах. На остальных двух моделях наблюдалась полная сходимость моделей на тренировочном наборе - точность решения выше 95%, при этом точность NasNetMobile на тестовом наборе составила 65%, тогда как inceptionV3 превысила 80%. Таким образом, можно заключить, что выбранный путь по решению задачи “Когновизор” методами глубоко обучения позволяет решить поставленную задачу наиболее успешно, в сравнении с альтернативными методами машинного обучения. 8. Была подтверждена высокая эффективность и помехоустойчивость нейросетевых методов при обработке сигналов полупроводниковых детекторов, работающих в динамическом температурном режиме, при селективном определении низких концентраций углеводородов (метана и пропана) в городском воздухе. Была получена точность идентификации газа 86% в диапазоне концентраций 40-200 ppm. [- Valeriy Krivetskiy, Matvey Andreev, Alexander Efitorov. Selective Detection of Hydrocarbons in Real Atmospheric Conditions by Single MOX Sensor in Temperature Modulation Mode. Proceedings, 2019, V.14, No.1, art.47. DOI 10.3390/proceedings2019014047]. 9. Нейросетевые методы обработки данных были применены для выделения сигнала комбинационного рассеяния углеродных нанокомпозитов в биологической среде (урине) на фоне её автофлуоресценции. Выделенный сигнал использовался для одновременного определения концентраций нанокомпозита nGO, покрытого сополимером и фолиевой кислотой, и его компонентов (всего 8 классов). Показано, что искусственная нейронная сеть (ИНС) типа многослойный персептрон (МСП) в состоянии решить задачу классификации в 8 классов в присутствии сильной и очень вариабельной автофлуоресценции среды, сильно искажающей спектр, т.е. в состоянии одновременно решать задачу классификации и задачу фильтрации данных. [- O.E.Sarmanova, S.A.Burikov, S.A.Dolenko, A.O.Efitorov, I.V.Isaev, K.A.Laptinskiy, E.A.Filippova, T.A.Dolenko. Application of adaptive data analysis methods for monitoring of carbon nanocomposites in biological medium. 14th International Conference "Advanced Carbon NanoStructures – 2019" (ACNS'2019), Санкт-Петербург, Россия, 1-5 июля 2019. Тезисы докладов, 2019, с.311. - O.E.Sarmanova, S.A.Burikov, S.A.Dolenko, A.O.Efitorov, I.V.Isaev, K.A.Laptinskiy, E.A.Filippova, T.A.Dolenko. Application of adaptive data analysis methods for monitoring of carbon nanocomposites in biological medium. 14th International Conference "Advanced Carbon NanoStructures – 2019" (ACNS'2019), Санкт-Петербург, Россия, 1-5 июля 2019. Стендовый доклад, 4 июля 2019 г., докладчик Сарманова О.Э. - O.Sarmanova, S.Burikov, S.Dolenko, A.Efitorov, I.Isaev, K.Laptinskiy, E.Filippova, T.Dolenko. Overcoming Autofluorescence: Monitoring of Carbon Nanocomposites in Biological Medium Using Artificial Neural Networks. NANOCON 2019 - Book of Abstracts, 11th International Conference on Nanomaterials - Research and Application. TANGER Ltd, Ostrava, Czech Republic, EU, 2019, p.121. - O.Sarmanova, S.Burikov, S.Dolenko, A.Efitorov, I.Isaev, K.Laptinskiy, T.Dolenko, E.Filippova. Overcoming autofluorescence: Monitoring of Carbon Nanocomposites in Biological Medium Using Artificial Neural Networks. 11th International Conference on Nanomaterials - NANOCON 2019, October 16-18, 2019, Brno, Czech Republic. Стендовый доклад, 17 октября 2019 г., докладчик Сарманова О.Э.] 10. В отчётном году проводились доработки алгоритма адаптивного построения иерархических нейросетевых классификаторов (ИНК) для его использования в режиме классификации. Основное внимание было уделено разработке и выбору наиболее эффективного способа объединения классов в процессе работы алгоритма. Было получено, что оптимальным методом контроля слияния классов является оценка порога средним значением активации в узле. Этот метод сочетает в себе сравнимые с остальными результаты и низкую вычислительную стоимость. [- И.М.Гаджиев, С.А.Доленко. Методы объединения классов в процессе работы алгоритма адаптивного построения иерархических нейросетевых классификаторов. XXI Международная научно-техническая конференция "Нейроинформатика-2019": сборник научных трудов. М., МФТИ, 2019. Ч.1, с.170-177. - И.М.Гаджиев, С.А.Доленко. Методы объединения классов в процессе работы алгоритма адаптивного построения иерархических нейросетевых классификаторов. XXI Международная научно-техническая конференция "Нейроинформатика-2019". Россия, Долгопрудный, 7-11 октября 2019 г. Устный доклад, 10 октября 2019 г., докладчик Гаджиев И.М. - И.М.Гаджиев, И.В.Исаев, В.А.Светлов, С.А.Доленко. Исследование работы алгоритма адаптивного построения иерархических нейросетевых классификаторов. XVII Всероссийская научная конференция «Нейрокомпьютеры и их применение». Тезисы докладов. М: МГППУ, 2019, с.191-193. - И.М.Гаджиев, И.В.Исаев, В.А.Светлов, С.А.Доленко. Исследование работы алгоритма адаптивного построения иерархических нейросетевых классификаторов. XVII Всероссийская научная конференция «Нейрокомпьютеры и их применение». Москва, МГППУ, 19 марта 2019 г. Устный доклад, докладчик Гаджиев И.М.] 11. Суммарно в ходе выполнения работ по теме 6.1 было опубликовано 4 статьи и 9 тезисов, сделано 7 устных и 3 стендовых доклада на конференциях.
8 1 января 2020 г.-31 декабря 2020 г. Разработка нейросетевых методов обработки данных физического эксперимента
Результаты этапа:
9 1 января 2021 г.-31 декабря 2021 г. Разработка нейросетевых методов обработки данных физического эксперимента
Результаты этапа:
10 1 января 2022 г.-31 декабря 2022 г. Разработка нейросетевых методов обработки данных физического эксперимента
Результаты этапа:
11 1 января 2023 г.-31 декабря 2023 г. Разработка нейросетевых методов обработки данных физического эксперимента
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".