Научно-учебная лаборатория методов анализа больших данных

Есть много проблем в физике, биологии и других естественных науках, в которых символическая регрессия может дать ценную информацию и открыть новые законы природы. Широко распространенная глубокая нейронная сеть не предлагает интерпретируемых решений. Между тем символические выражения указывают на четкую связь между наблюдениями и целевой переменной. Однако на данный момент нет доминирующего решения для задачи символической регрессии, и мы стремимся сократить этот разрыв с помощью нашего проекта. Наша лаборатория начала исследования в этом направлении, и наш подход к поиску представления символического закона подразумевает использование генеративных моделей наряду с методами оптимизации с ограничениями. Его можно применять к уравнениям в замкнутой форме или к системе дифференцируемых уравнений. Задача исследования состоит в том, чтобы улучшить модель за счет использования методов активного/нулевого обучения.

Высокоточное моделирование установок и систем сегодня является одним из основных направлений индустриального анализа данных. Модели систем, их цифровые двойники, используются для предсказания их поведения при различных условиях. Мы разработали цифровой двойник системы хранения данных (СХД) с использованием генеративных моделей машинного обучения. Система состоит их нескольких типов компонент: HDD и SSD диски, пулы дисков с разными RAID массивами, кэш и контроллеры хранения. Каждый компонент СХД представляется вероятностной моделью, которая описывает распределение вероятности значений параметров производительности компонентов в зависимости от их конфигурации и параметров внешней нагрузки данных. Использование машинного обучения позволяет получить высокоточный цифровой двойник конкретной системы, потратив меньше времени и ресурсов, чем прочие аналоги. Он позволяет быстро предсказывать производительность системы и ее компонентов при разных конфигурациях и внешних нагрузках данных, что существенно ускоряет разработку новых СХД. Также, сравнение прогнозов двойника с показателями реальной СХД позволяет диагностировать сбои и аномалии в работе системы, повышая ее надежность.

Прогнозирование и проверка состояния погоды - это задача экстраполяции ряда показателей. Современные модели исследования и прогнозирования погоды хорошо работают на хорошо известных условиях и коротких временных интервалах. С другой стороны, известно, что методы ИИ, доступные данные и симуляторы погоды не идеально согласуются друг с другом. Таким образом, данный проект направлен на разработку и обучение новых алгоритмов для настройки параметров симулятора и более эффективного получения достоверных прогнозов. Эта синергия, в свою очередь, позволит повысить точность прогнозов нормальных и аномальных погодных условий на более длительный срок.

Разработка новых материалов, обладающих свойствами накопителей электрической энергии, является важнейшей задачей современной энергетической отрасли. Для производства таких материалов могут быть использованы двумерные кристаллы, построенные на принципах графеновых решеток. Поиск конфигураций кристаллических решеток затруднен множеством возможных вариантов и длительностью цикла испытаний для одной конфигурации. Требуется много ресурсоемких тестов in silico и in vitro. Эти алгоритмы направлены на реализацию возможности предсказания энергетических свойств кристаллов заданной конфигурации и решение задачи вывода - определения оптимальной конфигурации кристалла по заданной энергетической характеристике. Объединение таких алгоритмов позволит значительно сократить время поиска и синтеза практически полезных энергоносителей.