КАРТОЧКА
ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ
Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.
ОБЩИЕ СВЕДЕНИЯ
Номер 24-68-00030
НазваниеКогнитивный Искусственный Интеллект нового поколения
РуководительРатников Фёдор Дмитриевич, Кандидат физико-математических наук
Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский университет "Высшая школа экономики", г Москва
| Период выполнения при поддержке РНФ | 2024 г. - 2027 г. |
Конкурс№93 - Конкурс 2024 года «Проведение фундаментальных научных исследований и поисковых научных исследований по поручениям (указаниям) Президента Российской Федерации» (междисциплинарные проекты).
Область знания, основной код классификатора 08 - Гуманитарные и социальные науки, 08-552 - Психофизиология, психогенетика, сравнительная психология, зоопсихология, эволюционная психология
Ключевые словаПсихофизиология, нейронауки, нейрокогнитивные науки, искусственный интеллект, принятие решений, анализ данных, моделирование мозга, сетевой анализ, нелинейная динамика, резервуарные вычисления, графовые нейронные сети, граформеры
Код ГРНТИ34.39.23
ИНФОРМАЦИЯ ИЗ ЗАЯВКИ
Аннотация
В проекте представлена абсолютно новая и уникальная постановка научной задачи - построение Когнитивного Искусственного Интеллекта нового поколения (КИИ) и создание универсальной платформы для обработки больших массивов экспериментальных данных разного вида, связанных с выполнением когнитивных задач. При разработке такой платформы предполагается совместить последние наработки в области искусственного интеллекта, теории сетей, нелинейной динамики, а также резервуарных вычислений. Мы предлагаем объединить подходы паренклитического и синолитического построения сетей с Графовыми Нейронными Сетями (ГНС), включая Граформеры, а так же использовать резервуарный ИИ нового поколения, используя системы со множественными сосуществующими аттракторами. Так же мы будем использовать подход к анализу данных, основанный на глубоком использовании результатов алгебраической топологии и дифференциальной геометрии, и, в частности, метод устойчивых гомологий, который позволяет выделять и сравнивать признаки, которые могут быть скрыты из-за высокой размерности или зашумленности данных. Ожидается, что КИИ будет работать гораздо эффективнее по сравнению с существующими подходами, поскольку позволит избавится от критических недостатков современных сетей ИИ: недостаточной скоростью принятия решений, переобучения на малых объемах данных, недостаточно точного выявления взаимосвязей между серийными наборами данными. В частности, мы предполагаем существенно повысить скорость принятия решений, более точно выявлять взаимосвязи между наборами данными и повысить скорость обучения на малом количестве данных. Также это поможет избавиться от переобучения при малом количестве доступных данных и их большой размерности за счет применения синолитической репрезентации данных и их комбинаций с Графовыми Нейронными Сетями. Устранение этих недостатков даст существенное преимущество КИИ в когнитивных нейронауках для анализа данных, уменьшения задержек нейрообратных связей в человек-компьютерных интерфейсах, для реабилитации нейропатологий, для подстройки нейро-ритмов и т.д.
Ожидаемые результаты
Основным результатом этого проекта будет создание когнитивного искусственного интеллекта, как универсальной платформы для обработки больших массивов экспериментальных данных разного вида и большого объема, связанных с выполнением когнитивных задач. Это, несомненно, амбициозная и значимая задача. Мы ожидаем избавится от таких существенных недостатков ИИ, как переобучение на малых массивах данных, медленное обучение требующее больших временных и вычислительных затрат, медленная скорость принятия решений, ограниченные возможности выявления взаимосвязей между разными каналами данных, особенно, если они имеют разный формат. Предполагается провести его адаптацию на экспериментальных данных различных когнитивных исследований: фМРТ, ЭЭГ, МЭГ и т.д., и использовать в его в задачах нейровизуализации, неинвазивной стимуляции мозга в определенную фазу макроскопических ритмов, двунаправленных интерфейсах мозг-компьютер и быстрой нейрообратной связи. В дальнейшем этот метод может быть распространен и на другие области знаний.
ОТЧЁТНЫЕ МАТЕРИАЛЫ