описание

Настоящий отчет о научно-исследовательской работе представляет результаты фундаментальных исследований, проведенных в Санкт⁠-⁠Петербургском государственном университете в рамках государственного задания по теме «Искусственный интеллект и наука о данных: теория, технология, отраслевые и междисциплинарные исследования и приложения» за третий год реализации. Объектом исследования являются современные системы и технологии искусственного интеллекта, а также методы, подходы, алгоритмы науки о данных в области отраслевых и междисциплинарных исследований и приложений. Целью исследования является построение и развитие подходов, теоретических и технологических основ для решения междисциплинарных проблем, связанных со сбором, обработкой и анализом данных, в том числе данных с неопределенностью, для объекта прогнозирования исходов социальных действий, протекания заболеваний, образовательных успехах, взаимодействия робототехнических систем, автономной работы роботов и т.п. Методология проекта основывается на применении технологий и систем искусственного интеллекта в отраслевых и междисциплинарных исследованиях с использованием методов, подходов, алгоритмов науки о данных. Новизна исследования заключается в разработке новых подходов к применению и развитию технологий искусственного интеллекта как с фундаментальной, так и с практической стороны в целом спектре актуальных областей. Областью применения результатов исследования являются фундаментальные исследования, прикладные разработки и интеллектуальные системы в области науки, производства и информационных систем. Теоретическая значимость научно-исследовательской работы заключается в создании теоретико-практической базы для развития технологий искусственного интеллекта, науки о данных, машинного обучения в ряде ключевых областей науки и производства. Перспектива дальнейших исследований состоит в построении и развитии подходов, теоретических и технологических основ для решения ряда междисциплинарных проблем.
Все проведённые научные исследования сгруппированы по следующим научным направлениям:
• ИИ для предиктивной аналитики, систем управления и оптимизации.
• ИИ для высокопроизводительных вычислений, операционных систем.
• ИИ для механики и проектирования инженерных систем.
• ИИ для интеллектуальной обработки видео и звука.
• Фундаментальные исследования для ИИ.
По результатам исследований, проводимых в ходе реализации НИР, опубликовано 16 работ – журнальные статьи, индексирующиеся в WoS/Scopus, 5 – статьи, находящиеся в процессе публикации. Список публикаций по теме отчёта представлен в приложении А.

описание для неспециалистов

Настоящий отчет о научно-исследовательской работе представляет результаты фундаментальных исследований, проведенных в Санкт⁠-⁠Петербургском государственном университете в рамках государственного задания по теме «Искусственный интеллект и наука о данных: теория, технология, отраслевые и междисциплинарные исследования и приложения» за третий год реализации. Объектом исследования являются современные системы и технологии искусственного интеллекта, а также методы, подходы, алгоритмы науки о данных в области отраслевых и междисциплинарных исследований и приложений. Целью исследования является построение и развитие подходов, теоретических и технологических основ для решения междисциплинарных проблем, связанных со сбором, обработкой и анализом данных, в том числе данных с неопределенностью, для объекта прогнозирования исходов социальных действий, протекания заболеваний, образовательных успехах, взаимодействия робототехнических систем, автономной работы роботов и т.п. Методология проекта основывается на применении технологий и систем искусственного интеллекта в отраслевых и междисциплинарных исследованиях с использованием методов, подходов, алгоритмов науки о данных. Новизна исследования заключается в разработке новых подходов к применению и развитию технологий искусственного интеллекта как с фундаментальной, так и с практической стороны в целом спектре актуальных областей. Областью применения результатов исследования являются фундаментальные исследования, прикладные разработки и интеллектуальные системы в области науки, производства и информационных систем. Теоретическая значимость научно-исследовательской работы заключается в создании теоретико-практической базы для развития технологий искусственного интеллекта, науки о данных, машинного обучения в ряде ключевых областей науки и производства. Перспектива дальнейших исследований состоит в построении и развитии подходов, теоретических и технологических основ для решения ряда междисциплинарных проблем.
Все проведённые научные исследования сгруппированы по следующим научным направлениям:
• ИИ для предиктивной аналитики, систем управления и оптимизации.
• ИИ для высокопроизводительных вычислений, операционных систем.
• ИИ для механики и проектирования инженерных систем.
• ИИ для интеллектуальной обработки видео и звука.
• Фундаментальные исследования для ИИ.
По результатам исследований, проводимых в ходе реализации НИР, опубликовано 16 работ – журнальные статьи, индексирующиеся в WoS/Scopus, 5 – статьи, находящиеся в процессе публикации. Список публикаций по теме отчёта представлен в приложении А.

основные результаты по этапу (подробно)

Настоящий отчет о научно-исследовательской работе представляет результаты фундаментальных исследований, проведенных в Санкт⁠-⁠Петербургском государственном университете в рамках государственного задания по теме «Искусственный интеллект и наука о данных: теория, технология, отраслевые и междисциплинарные исследования и приложения» за третий год реализации. Научно-технический уровень темы и результатов научно⁠-⁠исследовательской работы соответствует мировому уровню научных исследований. По результатам исследований, проводимых в ходе реализации НИР, опубликовано 16 работ – журнальные статьи, индексирующиеся в WoS/Scopus, 5 – статьи, находящиеся в процессе публикации. Список публикаций по теме отчёта представлен в приложении А. Основными результатами коллектива исследователей являются:
ИИ для предиктивной аналитики, систем управления и оптимизации :
• Разработана структура адаптации для многоэтапного прогнозирования временных рядов в сфере энергетики.
• Разработан новый подход для управления распределенной энергетической системой на основе методов глубокого обучения с подкреплением, а также проведено сравнение эффективности этих методов с классической оптимизацией на основе линейного программирования с целочисленными переменными.
• Разработан метод прогнозирования временных рядов, основанный на совместной реконструкции динамических систем и использовании традиционных статистических моделей.
• Исследован нестационарный алгоритм оптимизации в сетевых системах с частичной наблюдаемостью параметров.
• Представлена оптимизационная модель распределения ресурсов беспроводной сети и экспериментальное моделирование.
• Разработана модель распределения ресурсов, основанная на контролируемой графовой нейронной сети, и алгоритм обучения графов для повышения производительности модельного эксперимента.
• Предложен метод синтеза контроллера, основанный на дробных задержках и L1-оптимизации, для дискретной системы с неизвестным, но ограниченным возмущением.
ИИ для высокопроизводительных вычислений, операционных систем :
• Обучена адаптивная модель построения расписания для гетерогенного графа задач с несколькими типами исполнителей, каждый из которых представлен в виде независимого агента, на основе мультиагентного обучения с подкреплением.
• Обучена адаптивная модель построения расписания для гетерогенного графа задач с несколькими типами исполнителей на основе Monte Carlo Tree Search.
• Представлена архитектура нулевого доверия (Zero-trust architecture, ZTA) — это новый подход к кибербезопасности распределенных систем, который обеспечивает лучшую защиту данных и более точно отражает структуру современных информационных систем.
• Исследованы результаты по энергосбережению гетерогенного центрального процессора, полученные ранее для алгоритма SPSA с одним зашумленным измерением и функционал среднего риска для него.
• Представлено расхождение результатов экспериментов с предположением о независимости результатов замеров энергопотребления от их частоты в наивной схеме испытаний для модулей Wi-Fi и Bluetooth.
• Разработаны стохастические методы защиты персональных данных и анонимизации.
• Предложен новый строго математически обоснованный консенсус для блокчейн сетей, такой подход позволил создать первую в мире виртуальную блокчейн сеть.
Фундаментальные исследования для ИИ:
• Исследованы онтологически сложные структурированные объекты на основе их описаний в терминах свойств их элементов и отношений между этими элементами.
• Использованы значения Шепли для объяснения взаимоотношения между временными рядами и улучшение эффективности прогнозирования временных рядов, ShapTime.
• Создан алгоритма приближенного расчета значения Шепли, который сочетает в себе теорию вероятностных графов для объяснения результатов обнаружения рака.
ИИ для механики и проектирования инженерных систем:
• Исследованы широкие возможности по выбору компонентов, их объемного соотношения и вариантов структуры композиционных материалов делают актуальной задачу разработки и создания композитов с оптимальными свойствами.
• Применены методы глубокого машинного обучения к задаче прогнозирования напряженно-деформированного состояния материалов с неоднородностями.
• Результаты исследований продемонстрировали существенное влияние кристаллографической ориентации монокристаллических образцов на уровень пластической деформации при одноосном монотонном и циклическом нагружении.
ИИ для интеллектуальной обработки видео и звука:
• Исследованы и модифицированы три модели глубокого обучения как с шумом, так и без него для аудиовизуального распознавания речи. Результаты экспериментов показали, что мультимодальные аудиовизуальные модели распознавания речи демонстрируют высокую устойчивость.
• Интегрирован модуль распознавания лиц в реальном времени в задаче распознания диалога, что позволило совместить задачи распознавания речи с распознаванием лиц.

Новизна научно-исследовательской работы заключается в разработке новых подходов к применению и развитию технологий искусственного интеллекта как с фундаментальной, так и с практической стороны в целом спектре актуальных областей.
В частности, по каждому выделенному направлению относятся следующие новые научные результаты:
ИИ для предиктивной аналитики, систем управления и оптимизации:
• Разработана модель оптимизации энергопотребления и многоэтапного прогнозирования временных рядов.
• Разработана и апробирована уникальная функция вознаграждения для оптимизации управления батарейным хранилищем энергии в распределенных энергетических системах с использованием методов глубокого обучения с подкреплением, что позволило улучшить эффективность управления и снизить финансовые затраты.
• Разработан новый подход для прогнозирования временных рядов, основанный на комбинации реконструкции динамических систем и моделей машинного обучения, представлены результаты сравнения с ARIMA, SVR, SINDY для задачи прогнозирования трафика в телекоммуникационной сети.
• Проведена и проанализирована эмпирическая валидация алгоритма нестационарной сетевой оптимизации при наличии задержек при передаче данных.
• Созданы модели машинного обучения для управления распределением ресурсов изоморфной сетевой системой D2D, использующей платформу машинного обучения для распределения ресурсов.
ИИ для высокопроизводительных вычислений, операционных систем:
• Разработан новый алгоритм обучения с подкреплением, основанный на парадигме, среда-действие-награда задачи построения расписаний на направленном ациклическом графе с гетерогенными по типам исполнителями.
• Разработаны новые графовые метрики для задач планирования на ациклическом графе с гетерогенными по типам вершин.
• Разработаны новые методы, основанные на ZTA.
• Разработаны новые стратегии управления энергопотреблением на основе рандомизированных алгоритмов стохастической оптимизации.
• Разработан алгоритм определения оптимальных констант энергопотребления модулей Wi-Fi и Bluetooth, не зависящих от частоты наблюдений.
• Разработаны новые модели анонимизации персональных данных применительно к данным финансовых организаций в области машинного обучения.
• Определено оптимальное количество уровней в блокчейн сети и найдена комбинация консенсусов обеспечивающая безопасность системы для приложений в области машинного обучения.
Фундаментальные исследования для ИИ:
• Создано представление онтологии в виде ориентированного графа, в вершинах которого находятся подклассы всех рассматриваемых объектов, причём элементы всех дочерних вершин обладают всеми свойствами, присущими объектам из отцовских вершин.
• Создан новые алгоритм объяснимого ИИ – ShapTime, для объяснения алгоритмов прогнозирования временных рядов.
• Создан алгоритм объяснимого ИИ на основе быстрого приближенного вычисления значения Шепли используя подходы теории графов и вероятностные методы.
ИИ для механики и проектирования инженерных систем:
• Создан алгоритм для многокритериальной оптимизации композиционных материалов с различной топологией армирования.
• Разработана методика оценки применимости параметрической модели механики и адекватности полученных результатов путем сравнения расчетных, экспериментальных данных с результатами, полученными с помощью методов машинного обучения.
• Установлено, что эволюция ориентационной зависимости пластической деформации при увеличении нагрузки определяется процессами возникновения и конкурирующего роста локальных максимумов (в пределах стереографического треугольника определены угловые координаты всех 7 локальных максимумов и указаны диапазоны нагрузки их доминирования).
ИИ для интеллектуальной обработки видео и звука:
• Разработаны и модифицированы мультимодальные алгоритмы глубокого обучения для задачи распознавания речи.
• Разработаны гибридные алгоритмы распознавания и систематизации диалогов на основе мультимодального распознания образов и распознания речи.

основные результаты по этапу (кратко)

Все проведённые научные исследования сгруппированы по следующим научным направлениям:
• ИИ для предиктивной аналитики, систем управления и оптимизации: Разработаны новые и эффективные алгоритмы прогнозирования, идентификации динамических систем, разработаны специализированные алгоритмы оптимизации использующие методы машинного обучения, получены результаты в области распределенных стохастических алгоритмов. Также разработана система управления, основанная на подходах искусственного интеллекта для одной прикладной задачи.
• ИИ для высокопроизводительных вычислений, операционных систем: Разработаны специализированные эффективные алгоритмы планирования вычислений для облачных вычислений (в том числе вычислительных графов), исследованы и модифицированы подходы блок-чейн специально для создания доверенной среды взаимодействия устройств искусственного интеллекта и организации коммуникации в среде блок-чейн, разработаны модели анонимизации данных для проведения и организации облачных вычислений в области искусственного интеллекта, разработаны алгоритмы управления и оптимизации энергопотребления для конечных устройств (например, смартфонов) в том числе потенциально для распределенных систем для искусственного интеллекта.
• Фундаментальные исследования для ИИ: Разработаны и исследованы новые способы представления онтологии для организации процесса обучения и машинной логики, в области объяснимого искусственного интеллекта разработан специализированный алгоритм для объяснения модели прогнозирования временных рядов и создан новый алгоритм объяснимого искусственного интеллекта для моделей машинного обучения большой размерности.
• ИИ для механики и проектирования инженерных систем: Разработан новый алгоритм многокритериальной оптимизации композиционных материалов на основе методов машинного обучения, исследована модель идентификации модели механики используя методы машинного обучения.
• ИИ для интеллектуальной обработки видео и звука: Разработаны и модифицированы новые гибридные мультимодальные алгоритмы для обработки видео и звука для задач распознания речи и автоматизированного анализа диалога.

По результатам исследований, проводимых в ходе реализации НИР, опубликовано 16 работ – журнальные статьи, индексирующиеся в WoS/Scopus, 5 – статьи, находящиеся в процессе публикации. Список публикаций по теме отчёта представлен в приложении А.

описание вклада в работу каждого из участников (учётная форма ЦИТиС)

О. Л. Петросян (введение, раздел 1, 2,3,4,5)
О. Н. Граничин (раздел 1, 2, закл.)
А. Б. Дегтярев (раздел 2)
Т. М. Косовская (раздел 3.1)
А. В. Богданов (раздел 2.6, 2.7)
В. Н. Малоземов (раздел 1)
М. В. Сотникова (раздел 1)
К. С. Амелин (раздел 1,2)
В. И. Золотарев (раздел 2)
Н. О. Амелина (введение, раздел 2, 3,4)
Ю. В. Иванский (раздел 1)
А. Н. Головкина (раздел 1.3)
А. Б. Гончарова (реферат, раздел 1)
Д. А. Григорьев (раздел 2)
Н. А. Жабко (раздел 1)
М. В. Коровкин (раздел 1)
В. В. Корхов (раздел 2.3)
В. А. Козынченко (раздел 1)
Д. В. Шиманчук (раздел 4)
Я. Б. Панкратова (раздел 4)
В. А. Ерофеева (раздел 1.4)
А. И. Грищенко (раздел 4)
И. А. Игнатович (раздел 4)
К. В. Дорожкин (раздел 2)
А. Л. Аллахвердян (раздел 2.1, 2.2)
Е. А. Долгинцева (реферат, введение, заключение, раздел 1.1)
Д. Е. Дулетов (раздел 1)
А. Ю. Жадан (раздел 1.1, 1.2, 2.1, 2.2)
Г. Л. Маркина (раздел 5)
А. А. Немчинов (раздел 2)
А. В. Сачков (раздел 3)
К. Ф. Салихов (раздел 2)
А. Н. Сергеенко (раздел 2)
Д. В. Хан (раздел 5)
А. О. Чернов (раздел 2)
А. А. Давыденко (раздел 5.1)
С. Ю. Сартасов (раздел 2.4, 2.5)
Р. А. Севостьянов (раздел 1)
С. А. Богданов (раздел 2)
С. В. Лазарев (раздел 2)
Н. Г. Пинчук (раздел 2)
В. Ю. Гайдучок (раздел 2)
О. Д. Зароченцева (раздел 2)
А. В. Коваленко (раздел 2)
Н. А. Утешев (раздел 2)
А. В. Баранов (раздел 2)
А. А. Губарев (раздел 3)
Д. А. Пашкова (раздел 4)
Краткое названиеGZ-2023
АкронимNP_GZ_2021 – 3
СтатусЗавершено
Эффективные даты начала/конца1/01/2331/12/23

    Области исследований

  • мультиагентные системы, глубокое обучение, машинное обучение, знания с неопределённостью, нейронные сети, интеллектуальные системы, графы, байесовские сети, социоинженерные атаки, обработка текстов, стохастическая оптимизация и управление, идентификация моделей и зависимостей в данных

ID: 94062114