Совершенствование методов и алгоритмов машинного обучения для решения обратных задач высокой размерностиНИР

Improving machine learning methods and algorithms for solving high-dimensional inverse problems

Источник финансирования НИР

грант РФФИ

Этапы НИР

# Сроки Название
1 25 января 2019 г.-31 декабря 2019 г. Совершенствование методов и алгоритмов машинного обучения для решения обратных задач высокой размерности. Этап 2019 г.
Результаты этапа:
2 1 января 2020 г.-31 декабря 2020 г. Совершенствование методов и алгоритмов машинного обучения для решения обратных задач высокой размерности. Этап 2020 г.
Результаты этапа: За второй год выполнения Проекта (2020) были проведены следующие работы и получены следующие основные результаты: 1) Выбрана и разработана еще одна новая оригинальная трёхмерных схема параметризации разреза (способ задания распределения электропроводности), с учётом физически оправданных геологических структур. 2) Получены массивы данных для проведения исследований по настоящему проекту на примере решения ОЗ МТЗ путём многократного численного решения прямой задачи в интересующем диапазоне параметров для новых разработанных схем параметризации, с использованием алгоритмических и инженерно-технологических решений для проведения массовых параллельных вычислений, разработанных и реализованных в 2019 году. 3) Проделана существенная часть работы по адаптации разработанных ранее исполнителями настоящего проекта методов решения ОЗ МТЗ к работе в режиме данных высокой размерности и объёма. 4) С использованием адаптированных версий алгоритмов получены новые фундаментальные результаты в области решения ОЗ МТЗ с использованием наиболее эффективных из адаптированных методов. Полученные нейросетевые аппроксиматоры для схемы параметризации 2019 года были протестированы на модельных данных. 5) Разработаны экспериментальные методики и поставлены физические эксперименты по получению исходного базового массива экспериментальных данных для решения второй выбранной ОЗ из области спектроскопии – задачи определения концентраций этанола и вредных примесей в модельных водно-этанольных смесях и алкогольных напитках. Дополнительно был поставлен ряд экспериментов для исследования устойчивости метода, источников и характеристик экспериментальных шумов. 6) В рамках т.н. квазимодельного подхода к решению ОЗ на основе обусловленных генеративных состязательных сетей (сGAN) был получен уникальный массив модельных данных большого объёма для ОЗ спектроскопии 2020 года. Показано, что лучшее качество классификации обеспечивают сети, обученные на объединении экспериментальных и сгенерированных данных. Такой подход может быть рекомендован к использованию. 7) Проведены работы по адаптации используемых для решения ОЗ спектроскопии методов (включая реализованные и разработанные в 2019 и 2020 годах способы предобработки данных) к работе в режиме данных высокой размерности и разнообразия, аналогично тому, как это было сделано для ОЗ МТЗ. 8) Получены фундаментальные результаты в области решения ОЗ спектроскопии 2020 года с использованием адаптированных методов решения задач. Показано, что из методов предобработки данных наиболее эффективным для рассматриваемой задачи является агрегация значений в 16 соседних каналах. Получены первые результаты анализа данных, полученных в экспериментах по исследованию устойчивости экспериментальных измерений (спектров) по отношению к различным источникам шумов. 9) Опубликована 1 статья в издании, индексируемом в системах Web of Science, Scopus и РИНЦ, 1 статья в издании, индексируемом в системах Scopus и РИНЦ, 3 тезисов докладов (в т.ч. 2 тезисов, индексированных в РИНЦ). Представлено 2 устных доклада и 2 стендовых доклада на международных конференциях, 1 устный доклад на всероссийской конференции.

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".