Computational nanotechnology

Данное исследование посвящено методам прогнозирования рынка труда ИТ-вакансий, в рамках которого изучаются вопросы выявления трендов, анализа остатков и сезонности временных рядов. В данном работе авторы основное внимание уделяют влиянию метода скользящего окна на модели прогнозирования временного ряда. Использование такого подхода предобработки данных направлен на повышение точности моделей машинного обучения для прогнозирования временных рядов. Рассматриваемый метод основывается на разбиении непрерывного временного ряда на множество последовательных и пересекающихся периодов с фиксированным размером, что позволяет моделям прогнозирования эффективно отслеживать временные характеристики. В работа был проведен эксперимент по оценке влияния использования метода скользящего окна в сочетании с различными моделями прогнозирования на качество прогноза ИТ-вакансий на наборе данных, содержащем 1 048 576 строк с информацией о вакансиях. В эксперименте в качестве моделей прогнозирования использовались LSTM, ARIMA, SARIMA и модель Холта. Для оценки качества моделей применялись метрики MSE, RMSE и MAE. Такое сочетание техники предобработки и модели обеспечивает устойчивость качества прогноза к чувствительности данных и адаптированность к резким изменениям в данных временного ряда, что значительно снижает ошибки прогнозирования по качественным показателям. Эксперимент показал, что модель LSTM оказалась наиболее эффективной благодаря способности более глубоко изучать сложные закономерности и выявлять долгосрочные зависимости, продемонстрировав прирост качества базовой модели с использованием метода скользящего окна по метрике MAE на 0,248 условные единицы, по MSE – на 2,649, по RMSE – на 0,162, по сравнению с базовой моделью (без скользящего окна). Таким образом, авторы работы показывают, что методы скользящего окна весьма полезны для построения устойчивых и адаптивных моделей прогнозирования.

Во многих встраиваемых системах и устройствах интернета вещей (IoT) применяются нейросетевые алгоритмы для различных задач обработки информации. При этом разработчики сталкиваются с проблемой недостаточности вычислительных ресурсов для эффективного функционирования, особенно в задачах реального (псевдо) времени. В связи с этим актуальной является задача нахождение баланса между качеством результатов и вычислительной сложностью. Одним из способов повышения вычислительной эффективности нейронных сетей, является применение архитектур нейронных сетей с ранними выходами (например, BranchyNet), позволяющие принимать решения до прохождения всех слоев нейронной сети, в зависимости от исходных данных при заданной достоверности результатов. Цель исследования: провести анализ применимости, эффективности и робастности нейронных сетей с ранними выходами (BranchyResNet18) в задачах компьютерного зрения. Анализ проводится на основе набора данных дорожных знаков GTSRB. Методология исследования представляет собой экспериментальный анализ эффективности на основе расчета количества операций с плавающей запятой (FLOP) для получения результатов с заданной точностью, и экспериментальный анализ робастности на основе генерации различных шумовых воздействий и состязательных атак. Результаты исследования: получены оценки эффективности нейронных сетей с ранним выходом и их робастность к непреднамеренным и преднамеренным возмущениям.

В статье представлен критический аналитический обзор применения методов искусственного интеллекта в области теории расписаний, проведенный на примере ограничений проблемы краткосрочного планирования в процессе отпуска нефтепродуктов с нефтебаз автомобильным транспортом. Цель исследования заключалась в систематизации и оценке существующих подходов к решению задач планирования с учетом специфических временных ограничений, к которым относится процесс отпуска нефтепродукта. В ходе исследования проанализированы точные и приближенные методы решения задач теории расписаний, включая эвристические алгоритмы и подходы на основе искусственных нейронных сетей. Установлено, что существующие методы имеют существенные ограничения при решении задач полу-онлайн планирования. Результаты исследования демонстрируют необходимость разработки нового метода, способного оперативно перестраивать расписания с учетом непрогнозируемых изменений, возникающих в ходе процесса отпуска нефтепродукта. Результаты исследования демонстрируют перспективность развития методов искусственного интеллекта для решения задач краткосрочного планирования.

В статье рассматривается проблема выбора эффективных моделей данных для инфологических сущностей в условиях проектирования мультимодельных баз данных. Акцент сделан на необходимость системного подхода при моделировании разнородных сущностей, структура и поведение которых требуют различной формы представления. Исследуются особенности трех наиболее распространенных моделей – реляционной, графовой и многомерной, – с точки зрения их применимости к различным типам инфологических сущностей. Описаны ключевые критерии, влияющие на выбор модели данных: структура и связность сущностей, характер запросов, изменчивость данных, требования к масштабируемости и целостности. Представлен алгоритм принятия проектного решения на основе анализа характеристик сущности и нефункциональных требований системы. Особое внимание уделено возможностям и ограничениям мультимодельных решений, а также принципам координации разных моделей в едином архитектурном пространстве. Работа направлена на формирование методологической базы, обеспечивающей обоснованный выбор моделей данных и повышение устойчивости информационных систем к изменениям.

Целью исследования является разработка алгоритмического комплекса событийно-прогнозного управления качеством сложных систем обработки данных (ССОД) через интеграцию методов системного анализа и вычислительного моделирования. Современные подходы к оценке качества, основанные на статических метриках ГОСТ Р 59797–2021, не учитывают динамические эмерджентные свойства и прогнозные сценарии функционирования ССОД. [4: 51]. В работе предложена гибридная модель, сочетающая многоуровневый системный анализ с L-устойчивыми методами численного моделирования, что позволило формализовать «событийно-прогнозный уровень качества» как функцию временных параметров системы. Разработанный алгоритмический комплекс включает трехуровневую архитектуру агрегирования данных с адаптивными весовыми коэффициентами, динамическую систему управления качеством, интегрированную в жизненный цикл ССОД, нейросетевой модуль превентивной оптимизации на базе обучения с подкреплением. Экспериментальная апробация на 15 промышленных ССОД продемонстрировала повышение точности прогнозирования критических событий до 89,7% и сокращение времени реакции системы с 15,3 до 2,7 с. Внедрение решения в контур управления нефтеперерабатывающим предприятием позволило снизить энергоемкость операций на 33% и увеличить межсервисный интервал на 27%. Оригинальность работы заключается в синтезе методов реляционного анализа с нейросетевыми архитектурами глубокого обучения, принципов управления качеством ISO 25010 с прогнозной аналитикой жестких систем, динамической адаптации параметров в реальном времени через модифицированный (2,1)-метод. Практическая значимость подтверждена интеграцией алгоритма в этапы проектирования, тестирования и эксплуатации ССОД, что соответствует требованиям ГОСТ Р 59797–2021. Результаты исследования могут быть применены при создании отказоустойчивых систем управления для критически важных объектов в энергетике, телекоммуникациях и финансовом секторе. Перспективы работы связаны с адаптацией алгоритма для квантовых вычислительных систем и распределенных IoT-архитектур.

В данной статье представлено исследование, посвященное определению оптимальных параметров функционирования терминала на основе имитационного моделирования в среде AnyLogic. Актуальность работы обусловлена необходимостью повышения эффективности работы терминалов в условиях растущей интенсивности грузопотоков и ограниченности ресурсов. Целью исследования является анализ имитационной модели терминала, позволяющей выявить оптимальные значения ключевых параметров. Для обеспечения всесторонней оценки перспектив развития портовой инфраструктуры, разработаны различные сценарии функционирования терминала. Каждый из сценариев будет проанализирован дважды, с варьированием производительности работы СПМ, что позволит оценить влияние данного параметра на общую эффективность работы терминала. В статье представлены результаты вычислительных экспериментов, направленных на определение влияния различных параметров на ключевые показатели эффективности терминала. Полученные результаты могут быть использованы при проектировании новых терминалов и модернизации существующих.

В современной медицинской диагностике компьютерное зрение и глубокое обучение играют все более значимую роль, особенно при анализе сложных трехмерных медицинских изображений. Существенным препятствием для внедрения современных алгоритмов глубокого обучения в клиническую практику являются артефакты и неточности первичной классификации нейронными сетями. В данной работе были систематизированы основные методы постобработки, применяемые в задачах сегментации медицинских изображений, и проведен обзор связанных работ на эту тему. Целью исследования является разработка методов постобработки для устранения ошибок сегментации, связанных с пространственной несвязностью и некорректной классификацией вокселей 3D-снимков. В работе предложен модуль постобработки результатов сегментации КТ-изображений, эффективно решающий проблемы пересекающихся и вложенных патологий. Разработаны и реализованы 3 алгоритма, позволяющие устранять фрагменты ложноположительных ответов нейронной сети. Экспериментальная проверка показала, что предложенные алгоритмы успешно обеспечивают получение единых связных патологий, что повышает качество сегментации и упрощает последующий анализ. Разработанный модуль постобработки может быть интегрирован c существующим нейросетевым фреймворком для сегментации медицинских изображений nnU-Net, что поспособствует улучшению качества диагностики. Результаты исследования открывают перспективы для дальнейшего развития методов постобработки в области медицинской визуализации и могут найти широкое применение в системах поддержки принятия врачебных решений.

В статье рассматриваются результаты испытаний композитных пленок в тепличном хозяйстве, ключевой отрасли сельского хозяйства. Эти материалы создают оптимальные условия для роста растений, значительно повышая урожайность и снижая затраты. Композитные пленки стабилизируют температуру в теплицах, что важно в переменчивом климате, и снижают испарение воды, экономя ресурсы, особенно в регионах с нехваткой воды. Ключевой аспект статьи – результаты широкомасштабных испытаний в сотрудничестве с китайской компанией Shanghai Daodun Technology Co., Ltd. Партнерство направлено на оптимизацию состава пленок для улучшения прочности, устойчивости к ультрафиолету и теплоизоляционных свойств. Это способствует развитию инновационных технологий и повышению конкурентоспособности. Также рассматриваются тенденции в тепличном хозяйстве, подчеркивающие важность экологичных технологий. Современные комплексы используют методы, минимизирующие негативное воздействие на окружающую среду. Композитные пленки уменьшают выбросы парниковых газов и улучшают качество воздуха. Прогнозы до 2030 г. показывают, что экологичные технологии станут стандартом в тепличном производстве, повышая урожайность и снижая экологическую нагрузку.

В статье рассматривается применение методов машинного обучения для прогнозирования выхода концентрата кремниевой руды. Проблема контроля содержания кремнезема является существенной для горнодобывающей промышленности, так как от этого зависит качество конечного продукта и его себестоимость [9; 10]. В процессе исследования данные, полученные с флотационной фабрики после проведения их предварительной обработки, были использованы на предмет выделения наиболее динамично изменяющихся факторов (показателей флотации). Были обучены модели случайного леса и рекуррентной сверточной нейронной сети LSTM с разным набором входных признаков. Оценка качества используемых моделей производилась с помощью метрик среднеквадратичной ошибки (MSE), средней абсолютной ошибки (MAE) и коэффициента детерминации (R-squared). В результате экспериментов было установлено, что моментальные показатели флотации в меньшей степени влияют на улучшение качества прогноза, а уникальные переменные, взятые с различным лагом, приводят к повышению точности. Результаты исследования могут быть использованы на предприятиях, занимающихся переработкой кремниевой руды, для более полной автоматизации и оптимизации процессов управления флотацией.