Методы создания и адаптации интеллектуальных систем на основе физически информированных нейронных сетей

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 проекта 22-21-20004

НазваниеМетоды создания и адаптации интеллектуальных систем на основе физически информированных нейронных сетей

Руководитель Тархов Дмитрий Альбертович, Доктор технических наук

Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский политехнический университет Петра Великого" , г Санкт-Петербург

Конкурс №65 - Конкурс 2022 года «Проведение фундаментальных научных исследований и поисковых научных исследований малыми отдельными научными группами» (региональный конкурс)

Область знания, основной код классификатора 01 - Математика, информатика и науки о системах; 01-208 - Нейроинформатика

Ключевые слова Физически информированные нейронные сети, параметрические модели, многослойные модели, адаптация, динамические данные.

Код ГРНТИ20.01.07

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Развитие технологий, позволяющих получать данные из окружающей среды, наблюдаемых объектов и процессов, а затем с достаточной скоростью и эффективностью их обрабатывать, ведет за собой широкое внедрение кибер-физических систем. В рамках функционирования этих систем полученная информация (данные) синхронизируется с соответствующим физическим или информационным объектом. В результате такой синхронизации возникает цифровой двойник (ЦД) объекта, представляющий из себя непосредственно модель сложной системы. ЦД продолжает синхронизироваться с объектом моделирования, отражая его динамические свойства, изменяющиеся, например, во времени. Такую модель можно использовать для проведения цифровых экспериментов, реализации альтернативных внешних сценариев и прогноза поведения объекта в будущем, не воздейстуя и не изменяя реальный прототип. Задача построения ЦД и одновременное развитие технологий искусственного интелекта повлекло появление так называемого "pure data-driven" (чистого управляемого данными) моделирования, «черных ящиков», когда модель объекта создается на основе глубокого обучения, использующего большие данные (Big Data). Хотя возможности получения таких данных и растут в последние годы, вместе с увеличением объемов данных растут и затраты на их хранение и обработку. Кроме того, для некоторых сложных промышленных и технологических процессов само получение большого количества данных может сопровождаться высокой стоимостью, а порой и отсутствием возможности измерений. В этих случаях данные могут быть использованы при верификации модели, построенной классическими методами моделирования, основанными на физике объекта, включая численные методы решения соответствующих задач математической физики. Стремление сохранить достоинстсва и исключить недостатки обоих типов методов отражается в новых классификациях для существующих парадигм моделирования. Физические законы призваны добавить интерпретируемость и свойство экстраполяции "data-driven" (управляемым данными) моделям, а последние – связать теоретические модели с реальными объектами. В ходе реализации проекта предполагается провести сравнительное исследование методов математического моделирования, которые можно применять для построения киберфизических систем и ЦД. Данные области применения добавляют к обычному требованию точности модели требование адаптивности модели к вновь поступающим данным и небольшую вычислительную сложность модели, которая позволяет использовать её во встраиваемых системах. Одним из самых цитируемых направлений гибридного моделирования сложных систем являются физически информированные (основанные на физике) нейронные сети. Эти модели будут изучены для трех типов постановок задач. Первый тип постановки предполагает построение модели при фиксированном значении параметра. Второй тип постановки заключается в рассмотрении модели, в которой параметр является одной из входных переменных. Таким образом, мы получаем решение для множества значений параметра. Такая модель позволяет прогнозировать поведение объекта при изменении его параметров и идентифицировать его параметры по данным наблюдений, что будет рассмотрено в задачах третьего типа. Построение параметрических нейросетевых моделей реальных объектов является инновационным направлением, работа над которым уже была нами начата ранее. В данном проекте будут впервые изучены параметрические нейронные сети глубокого обучения, а также разработаны алгоритмы адаптации новых моделей к динамическим данным об объекте.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Лазовская Т.В., Тархов Д.А., Чернуха Д.А., Корчагин А.П., Малыхина Г.Ф. Analysis of Predictive Capabilities of Adaptive Multilayer Models with Physics-Based Architecture for Duffing Oscillator Springer, Cham., Advances in Neural Computation, Machine Learning, and Cognitive Research VI. NEUROINFORMATICS 2022. Studies in Computational Intelligence, vol 1064. pp 540-549 (год публикации - 2022)
10.1007/978-3-031-19032-2_54

2. Бортковская М.Р., Каверзнева Т.Т., Кожанова П.А., Лазовская Т.В., Кудрявцева В.В., Тархов Д.А., Чёрная Е.С. Comparative analysis of hybrid neural network and multilayer modeling the deflection of a circular membrane under the action of a load located asymmetrically relatively to its center Информатика,телекоммуникации и управление (год публикации - 2022)

3. Тархов Д.А., Лазовская Т.В., Антонов В.И. Adapting PINN Models of Physical Entities to Dynamical Data Computation, Computation 2023, 11(9), 168; https://doi.org/10.3390/computation11090168 (год публикации - 2023)
10.3390/computation11090168

4. Лазовская Т.В., Пашковский Д.М., Тархов Д.А. ПОДБОР ОПТИМАЛЬНОЙ СТРУКТУРЫ RBF-СЕТИ ДЛЯ АППРОКСИМАЦИИ РЕШЕНИЯ ДВУМЕРНОГО УРАВНЕНИЯ ЛАПЛАСА Мягкие измерения и вычисления, Мягкие измерения и вычисления. Сентябрь 2023 г. 108-122 (год публикации - 2023)
10.36871/2618-9976.2023.09.010

5. Лазовская Т.В., Тархов Д.А., Шемякина Т.А, Чориев М.Д. Эволюционный подход к формированию архитектуры PINN для приближенного решения уравнения Лапласа в двух постановках с разрывным краевым условием и данными измерений внутри квадратной области Современные информационные технологии и ИТ-образование, Том 19 № 2 (2023) http://sitito.cs.msu.ru/index.php/SITITO/article/view/930 (год публикации - 2023)

6. Лазовская Т.А., Малыхина Г.Ф., Пашковский Д.М., Тархов Д.А. Polynomial Neural Network Approximation of Duffing Equation Solution Lecture Notes in Networks and Systems, Lecture Notes in Networks and Systems book series (LNNS,volume 460) CPS&C 2021: Cyber-Physical Systems and Control II pp 554–562 https://doi.org/10.1007/978-3-031-20875-1_52 (год публикации - 2023)
10.1007/978-3-031-20875-1_52

7. Тархов Д.А., Лавыгин Д.А., Скрипкин О.А., Закирова М.Д., Лазовская Т.В. Optimal Control Selection for Stabilizing the Inverted Pendulum Problem Using Neural Network Method Optical Memory and Neural Networks, Optical Memory and Neural Networks, 2023, Vol. 32, Suppl. 2, pp. S214–S225 (год публикации - 2023)
10.3103/S1060992X23060115

8. Лазовская Т.В., Тархов Д.А., Дудник А.Р., Кокшарова Е.И., Мочалова О.О., Муранов Д. А., Пожванюк К.Ю., Сысоева А.Д. Investigation of Pareto Front of Neural Network Approximation of Solution of Laplace Equation in Two Statements: with Discontinuous Initial Conditions or with Measurement Data Springer, Cham., Advances in Neural Computation, Machine Learning, and Cognitive Research VI. NEUROINFORMATICS 2022. Studies in Computational Intelligence, vol 1064. pp 406–414 (год публикации - 2022)
10.1007/978-3-031-19032-2_42

9. Лазовская Т.В., Тархов Д.А., Чистякова М.,Разумов Е., Сергеева А., Шемякина Т.А. Evolutionary PINN Learning Algorithms Inspired by Approximation to Pareto Front for Solving Ill-Posed Problems Computation, Computation 2023, 11(8), 166; https://doi.org/10.3390/computation11080166 (год публикации - 2023)
10.3390/computation11080166

10. ЛАЗОВСКАЯ Т.В., МАЛЫХИНА Г.Ф., ТАРХОВ Д.А. ОТ ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНЫХ К КИБЕРФИЗИЧЕСКИМ СИСТЕМАМ МЯГКИЕ ИЗМЕРЕНИЯ И ВЫЧИСЛЕНИЯ, Том: 62Номер: 1 Год: 2023 Страницы: 73-84 (год публикации - 2023)
10.36871/2618-9976.2023.01.007

11. Лазовская Т.В., Тархов Д.А., Чистякова М., Разумов Е., Сергеева А., Паламарчук В. Analysing Family of Pareto Front-Based Evolutionary Algorithms for PINNs: A Case Study of Solving the Laplace Equation with Discontinuous Boundary Conditions Studies in Computational Intelligence book series (SCI,volume 1120), Advances in Neural Computation, Machine Learning, and Cognitive Research VII Selected Papers from the XXV International Conference on Neuroinformatics, October 23-27, 2023, Moscow, Russia Pages 239-246 (год публикации - 2023)
10.1007/978-3-031-44865-2_26

Публикации