DeepTech в действии: научные исследования и технологии для бизнеса и общества

Научная деятельность: от исследований к технологиям

Статус ученого часто измеряют публикациями в журналах Q1 и выступлениями на престижных A*-конференциях. Это почетно, но наука для меня — не гонка за рейтингами. Как инженер, я вижу в науке универсальный язык, способный описывать и улучшать реальность.

Данные не знают профессиональных барьеров. Те же самые генетические алгоритмы, которые мы используем для оптимизации распределенных хранилищ, отлично помогают в проектировании новых материалов.

Моя цель — заставить сложные концепции DeepTech работать на людей. Я разрабатываю СХД и ИИ не просто ради технологического прорыва, а чтобы решать осязаемые проблемы общества в различных сферах деятельности

Научные публикации: количество статей и индекс Хирша

Квартили научных журналов Q1–Q4 и рейтинги конференций CORE

Квартиль (Q, от англ. quartile — деление на 4 части) – это категория научного журнала, отражающая его престижность, востребованность и уровень цитируемости в рамках конкретной предметной области. Эта система ранжирования используется в главных международных наукометрических базах: Scopus (оценивает по показателю SJR или CiteScore) и Web of Science (по показателю Impact Factor). 

Алгоритм расчета прост: все журналы одной специальности (например, «компьютерные науки» или «материаловедение») выстраиваются в рейтинг по убыванию их показателя цитируемости, а затем список делится на четыре равные части по 25%.

Распределение и статус квартилей:

• Q1 (Первый квартиль, топ-25%): Элита научной периодики. Это самые авторитетные, высокоцитируемые и читаемые издания в своей области. Они задают мировые научные тренды, отличаются максимально строгим слепым рецензированием (peer review) и высоким процентом отклоненных рукописей. Публикация здесь – знак безусловного мирового признания результатов исследования.
• Q2 (Второй квартиль, 25–50%): Журналы высокого международного уровня с солидной репутацией. Публикация в них подтверждает серьезную значимость, качество и методологическую достоверность работы. Это отличный показатель стабильной, профессиональной научной деятельности.
• Q3 (Третий квартиль, 50–75%):  Специализированные региональные издания. Они имеют меньшую международную видимость, но хорошо подходят для публикации промежуточных результатов масштабных проектов, апробации узких гипотез или для защиты первых диссертаций.
• Q4 (Четвертый квартиль, нижние 25%): Журналы с наименьшим индексом цитирования в своей категории. Часто сюда попадают новые издания, только что включенные в международные базы данных, либо узколокальные вестники. Процесс рецензирования и публикации здесь обычно быстрее, но такие статьи имеют минимальный академический вес.
  

Научные конференции:

В IT, компьютерных науках (Computer Science) и сфере искусственного интеллекта научные конференции играют роль главного канала публикации передовых исследований, зачастую превосходя по значимости традиционные научные журналы (квартилей Q1–Q4). Если в классических дисциплинах технологии могут развиваться умеренными темпами, то в IT многолетний цикл журнального рецензирования приводит к тому, что статья устаревает еще до выхода в печать. Конференции решают эту проблему, обеспечивая быструю (3–6 месяцев), но крайне строгую экспертную оценку.

Для ранжирования престижности этих мероприятий во всем мире используется рейтинг iCORE (Computing Research and Education Association of Australasia). Он делит конференции на категории, аналогичные журнальным квартилям:

• A (A-star): Флагманские конференции (топ 5–7%).* Это абсолютная элита мировой науки. Процент принятия статей (acceptance rate) здесь крайне низок –обычно от 15% до 25%. Статья на конференции уровня A* (например, NeurIPS или ICML по искусственному интеллекту, CVPR по компьютерному зрению) по академическому весу приравнивается к ведущим журналам Q1, а в профессиональной среде IT ценится даже выше. Попасть туда сложнее, чем в большинство высокорейтинговых журналов.
  
• A: Отличные конференции (около 15%). Мероприятия высокого международного уровня с солидной репутацией. Публикация здесь свидетельствует о сильном, методологически выверенном исследовании, признанном мировым сообществом.
  
• B: Хорошие конференции (около 25–30%). Добротные специализированные или крепкие региональные площадки. Они отлично подходят для защиты первых диссертаций, обкатки гипотез и публикации промежуточных результатов.
  
• C: Базовые конференции. Мероприятия, соответствующие минимальным академическим стандартам. Имеют низкий процент отказов и невысокую международную видимость.
  

Ключевые особенности конференций уровня A:*

• Формирование state-of-the-art: На A* конференциях презентуются прорывные архитектуры, алгоритмы и модели, которые прямо сейчас задают вектор развития всей технологической индустрии.
  
• Сверхжесткое рецензирование: Статьи (обычно объемом 8–10 страниц формата IEEE/ACM) проходят double-blind peer review (двойное слепое рецензирование). Работу оценивают 3–5 топовых исследователей со всего мира, и малейший недочет в математическом аппарате, архитектуре или тестах ведет к отклонению (reject).
  
• Карьерный трамплин: Наличие публикаций A* является золотым стандартом для получения должностей в R&D подразделениях технологических гигантов (Google, OpenAI, Meta) и позиций профессоров в ведущих университетах (MIT, Стэнфорд).
  
• Networking: В отличие от журналов, конференция требует личного или виртуального присутствия. Ученые не просто публикуют текст, они защищают свои идеи перед мировым сообществом, находят соавторов и напрямую общаются с лидерами индустрии.

Научные исследования в области ИИ, машинного обучения и DeepTech

Представленный ниже подробный разбор наглядно демонстрирует глубокую экспертность коллектива авторов в решении как фундаментальных научных, так и масштабных прикладных задач. Свободное владение сложными математическими концепциями – от проектирования самоадаптирующихся генетических алгоритмов до внедрения больших языковых моделей (LLM) – в сочетании с пониманием реальных потребностей промышленности, зеленой энергетики и материаловедения доказывает умение не просто исследовать передовые теории, но и успешно трансформировать технологические инновации в работающие инструменты для реального сектора экономики. 

Информационные технологии, алгоритмы и защита данных 

В эту группу входят фундаментальные разработки, улучшающие вычислительные алгоритмы и цифровую инфраструктуру:

1. Адаптивные механизмы масштабирования для генетических алгоритмов, повышающие стабильность решения в сложных задачах.
2. Генетические алгоритмы для автоматического проектирования оптимальной архитектуры нейронных сетей в задачах регрессии.
3. Эволюционные алгоритмы для распределения вычислительных задач между множеством пользователей.
4. Алгоритм градиентного бустинга CatBoost для прогнозирования переполнения СХД.
5. Нейросети для обнаружения кибератак на защищенные системы, а математические модели помогают бизнесу оценить финансовые потери при утечке данных.
   

Промышленность, производство и робототехника 

Эта группа объединяет работы, направленные на автоматизацию процессов и контроль качества:

1. Автоматизированная система с двумя контурами управления для индукционной пайки алюминиевых волноводов космических аппаратов во избежание перегрева.
   
2. Системы машинного обучения для температурного контроля и поиска дефектов при производстве композитов, а также при 3D- и 4D-печати.
   
3. Алгоритм анализирует микровибрации при фрезеровке сверхпрочного углепластика для защиты производственных станков от износа.
   
4. Алгоритмы анализируют терагерцовые волны для поиска скрытых дефектов в авиационных и судовых деталях из стеклопластика.
   
5. Нейросети с настраиваемой структурой применяются для прогнозирования сложных процессов при управлении металлургическими печами.
   
6. Алгоритм анализирует тепловое излучение на видеозаписях плавления для предсказания брака при 3D-печати металлом.
   
7. Нейросети рассчитывают физические сокращения полимерных нитей для точного управления искусственными мышцами в роботизированных суставах.
   

Материаловедение, новые материалы и строительство 

В данную категорию включены исследования, фокусирующиеся на разработке, моделировании и прогнозировании свойств современных материалов:

• Машинное обучение применяется для исследования квантовых точек, заменяя долгие ручные расчеты при оптимизации материалов.
  
• Физико-информированные нейросети (PINN) и метод опорных векторов (SVM) используются для высокоточного предсказания свойств полимеров, включая вязкость, деформацию, термическую стабильность и растворимость.
  
• Алгоритмы контролируют и оптимизируют сложные процессы производства биополимеров из возобновляемого сырья.
  
• Нейросети предсказывают коэффициенты диффузии в полимерных мембранах (например, Nafion) для создания эффективных топливных элементов.
  
• Искусственный интеллект рассчитывает прочность и углеродный след экологичного геополимерного бетона, который создается из промышленных отходов.
  
• Модели предсказывают свойства ультравысокопрочного бетона (UHPGC) и оценивают несущую способность конструкций, усиленных полимерными волокнами.
  
• Генетические алгоритмы настраивают нейросети для безошибочного прогнозирования характеристик текстильных композитов.
  
• Алгоритмы рассчитывают скорость старения промышленного клея и поведение композитов в агрессивной щелочной среде для контроля запаса прочности морской инфраструктуры.

Экология, климат, энергетика и сельское хозяйство 

Категория включает исследования по защите окружающей среды, агропромышленности и зеленой энергетике:

• Машинное обучение используется для прогнозирования весенних паводков в бассейнах рек Анадырь и Колыма, а также для предсказания площади будущих лесных пожаров в Красноярском крае.
  
• Моделирование методом генетического программирования помогает предсказывать вспышки активности таких вредителей, как сибирский шелкопряд.
  
• Нейросети рассчитывают индекс качества воды и с высокой точностью восстанавливают пропущенные данные датчиков на примере реки Обь.
  
• Гиперспектральные камеры в связке с глубоким обучением обеспечивают автоматическую сортировку пластикового мусора на конвейерах.
  
• Глубокие нейросети предсказывают урожайность сельскохозяйственных культур в Индии, а алгоритмы помогают агрономам подбирать оптимальные растения под конкретные условия почвы и климата.
  
• Нейросети управляют микроклиматом в умных зданиях для снижения энергопотребления и оптимизируют параметры роста в умных теплицах.
  
• Математические модели помогают подбирать состав биотоплива и планировать цепочки поставок отходов для производства биогаза в Республике Татарстан.
  
• Искусственный интеллект оценивает уровень заряда литий-полимерных аккумуляторов и отслеживает состояжние полимерных мембран внутри экологически чистых водородных двигателей.
  

Медицина и анализ текстов/сенсорных данных 

Исследования на стыке здравоохранения, сенсорики и обработки неструктурированных данных:

• Полимерные пьезоэлектрические сенсоры и нейросети используются для дистанционного распознавания тиков у пациентов с синдромом Туретта.
  
• Полимерные датчики, имитирующие обоняние («электронный нос»), улавливают химические вещества для распознавания опасных примесей в воздухе.
  
• Оптическое распознавание текста (OCR) и обработка естественного языка (NLP) объединяются для автоматического извлечения текста и структурирования данных из изображений медицинских отчетов.
  
• Фреймворк на базе больших языковых моделей (LLM) автоматически читает, стандартизирует и выявляет скрытые тренды в тысячах научных аннотаций.
  

Гуманитарные науки, общество, логистика и управление 

Категория объединяет междисциплинарные исследования для решения социальных, исторических и управленческих задач:

• Алгоритмы семейства YOLO адаптированы для автоматической расшифровки и оцифровки полустертых текстов на новгородских берестяных грамотах XI–XV веков.
  
• Математические модели на основе исторических карт предсказывают развитие застройки и дорожной сети Владивостока до 2050 года.
  
• Программы сканируют цифровые следы в процессах по банкротству, выявляя административные задержки для ускорения судебных решений.
  
• ИИ анализирует корпоративные данные для проведения умных налоговых проверок, находя аномалии вроде фиктивных адресов.
  
• Методы машинного обучения анализируют влияние социально-экономических факторов на успешность и формирование социальных качеств студентов.
  
• Двухэтапный генетический алгоритм оптимизирует размещение промежуточных складов и маршруты грузовиков для доставки сборных грузов.

Научные разработки и практическое применение искусственного интеллекта

Промышленность и новые материалы (Smart Manufacturing & Materials)

В эту группу входят исследования, направленные на автоматизацию производства и создание современных материалов с помощью искусственного интеллекта.

• Машинное обучение в исследовании квантовых точек (Zh_1): Обзор применения алгоритмов для оптимизации материалов, управления устройствами и анализа данных, где искусственный интеллект заменяет долгие ручные расчеты и ускоряет эксперименты.
• Умный контроль производства композитов (Zh_2): Разработка системы машинного обучения для автоматического контроля температуры и поиска дефектов прямо во время создания композитных материалов в режиме реального времени.
• Автоматизация пайки космических деталей (Zh_5): Создание системы с двумя контурами управления для высокоточной индукционной пайки алюминиевых волноводов (используются в космических аппаратах), которая автоматически регулирует мощность и положение деталей во избежание перегрева и дефектов.
• Симбиоз физики и данных в производстве полимеров (Zh_10): Использование моделей, которые объединяют законы физики с анализом данных, для оптимизации производства полимерных композитов, предсказания качества деталей и управления процессом затвердевания.

Экология, энергетика и климат (Ecology, Energy & Climate)

Статьи этой категории посвящены защите окружающей среды, альтернативным источникам энергии и адаптации к изменениям климата.

• Предсказание весенних паводков (Zh_4): Использование машинного обучения для точного прогнозирования начала весеннего подъема уровня воды в реках арктических и субарктических регионов России (бассейны Анадыря и Колымы) на основе данных о температурах и таянии снега.
• Адаптивный климат-контроль в зданиях (Zh_6): Система на основе нейросетей для управления микроклиматом в умных домах, которая обучается «на лету» и позволяет снизить потребление энергии на отопление и вентиляцию примерно на 19% (около 5.7 кВт·ч в день), сохраняя комфорт для жильцов.
• Улучшение качества биотоплива (Zh_7): Анализ алгоритмов для подбора оптимального состава биотопливных смесей (включая добавки наночастиц и водорода), которые помогают повысить эффективность двигателей и снизить вредные выбросы.
• Оптимизация производства биогаза из отходов (Zh_8): Математическая модель планирования цепочки поставок органических отходов (на примере Республики Татарстан), которая помогает найти баланс между экономической выгодой, сокращением выбросов парниковых газов и надежностью энергоснабжения.

Продвинутые алгоритмы и анализ данных (Advanced Algorithms & Data Analysis)

В данную группу включены фундаментальные разработки в области алгоритмов, которые помогают компьютерам решать сложные неструктурированные задачи.

• Улучшение генетических алгоритмов (Zh_3): Разработка адаптивного механизма масштабирования для генетических алгоритмов, который помогает искусственному интеллекту быстрее, точнее и стабильнее находить оптимальные решения в задачах со множеством переменных.
• Интеллектуальный анализ научных текстов (Zh_9): Фреймворк на базе больших языковых моделей (LLM), который автоматически читает, стандартизирует и сортирует тысячи научных аннотаций, самостоятельно выявляя скрытые тематические тренды в науке без участия человека.

 Строительство и новые материалы 

• Экологичный геополимерный бетон: Семь из десяти работ (исследования Wang, Khan, Zhou, Amin, Ansari, Dodo и Wudil) изучают замену обычного цемента на геополимеры, созданные из промышленных отходов, таких как зола и шлак. Искусственный интеллект предсказывает прочность такого бетона и уровень его углеродного следа в зависимости от времени затвердевания и пропорций добавок.
• Усиление конструкций волокнами: Две статьи (авторы Zhao и Zhang) рассматривают укрепление бетонных и стальных колонн с помощью армированных полимерных композитов. Алгоритмы помогают вычислить, как количество и ориентация волокон влияют на несущую способность материала при сжатии.
• Сверхпрочный бетон (UHPGC): Одна статья (автор Katlav) посвящена ультравысокопрочному бетону. В ней модели предсказывают прочность материала на основе его возраста и содержания таких добавок, как силикатная пыль и вода.

Экология, сельское хозяйство и мониторинг среды

• Предотвращение масштабных лесных пожаров: Анализ погодных условий (ветер, температура, влажность почвы) в Красноярском крае позволяет алгоритмам прогнозировать площадь будущих пожаров. Это помогает пожарным службам заранее распределять ресурсы для сохранения лесов.
• Оценка пригодности воды для питья: Вместо долгих лабораторных анализов нейросети рассчитывают индекс качества воды на примере реки Обь. Алгоритм способен с высокой точностью восстанавливать пропущенные данные датчиков о химическом составе воды, включая уровень pH и концентрацию сульфатов.
• Выращивание урожая в «умных» теплицах: Система собирает информацию с датчиков влажности, освещенности и температуры для поиска идеальных параметров роста различных сортов редиса. Оптимизация этих данных нейросетями помогает фермерам повышать урожайность без лишних затрат ресурсов.

Управление городами и правовые процессы

• Прогнозирование застройки городов: На основе исторических карт Владивостока (с 1887 года по наши дни) математические модели предсказывают, как именно будет разрастаться дорожная сеть города к 2050 году. Подобный анализ помогает урбанистам избегать транспортных коллапсов при планировании новых районов.
•  Устранение бюрократии в судах: Программа сканирует цифровые следы юридических процессов, связанных с банкротством, для поиска административных задержек. Это позволяет выявлять лишние шаги в бумажной волоките и ускорять принятие судебных решений.

Искусственный интеллект в материаловедении

В этих исследованиях машинное обучение используется для моделирования свойств сложных полимеров на компьютере, что заменяет тысячи дорогостоящих лабораторных тестов.

• Физико-информированные нейросети (PINN): ИИ обучают не только на сырых данных, но и на базовых законах физики. Это позволяет алгоритмам предельно точно предсказывать поведение полимеров (например, их вязкость или деформацию) при изменении температуры или давления.
• Метод опорных векторов (SVM): Алгоритм, который отлично справляется с небольшими, но сложными наборами данных. Он применяется для быстрого прогнозирования термической стабильности, прочности и растворимости разрабатываемых полимерных материалов.
• Текстильные композиты: Использование генетических алгоритмов и многокритериально-й оптимизации помогает настраивать нейросети так, чтобы они безошибочно прогнозировали физические характеристики прочных и легких текстильных композитов для промышленности.

Цифровые гуманитарные науки

Здесь технологии машинного зрения работают на стыке истории и лингвистики для спасения древних артефактов.

• Расшифровка берестяных грамот: Алгоритмы обнаружения объектов (семейство YOLO), которые обычно применяются для распознавания лиц или автомобилей на видео, были адаптированы для автоматического чтения полустертых букв на новгородских берестяных грамотах XI–XV веков. Это избавляет историков от месяцев ручного труда при составлении цифровых архивов и позволяет массово оцифровывать поврежденные тексты.

Оптимизация бизнес-процессов и IT-инфраструктуры

• Две статьи посвящены тому, как сделать бюрократические и вычислительные системы быстрее и экономнее
  Умные налоговые проверки: Анализ корпоративных данных с помощью ИИ позволяет находить аномалии (например, компании с фиктивными адресами или номинальными директорами). Это помогает государству фокусироваться на реальных нарушителях и избавляет честный бизнес от ненужных визитов налоговых инспекторов.
• Ускорение вычислений: Обучение нейросетей требует огромных мощностей. Специальные эволюционные алгоритмы позволяют грамотно распределять задачи между множеством серверов, что радикально снижает затраты электроэнергии и время вычислений.

 Медицина и анализ сенсорных данных

• Распознавание нервных тиков: Описанные в документе Zh_31_Polymers_Applications_of.pdf пьезоэлектрические сенсоры на основе полимеров считывают движения человека, а нейросеть их анализирует. Это помогает врачам дистанционно следить за состоянием пациентов с синдромом Туретта.
•  «Электронный нос»: Полимерные датчики имитируют обоняние млекопитающих, улавливая химические вещества в воздухе. Алгоритм обрабатывает эти сигналы, чтобы мгновенно распознавать опасные примеси или изменения в окружающей среде.

 Энергетика и транспорт

• Умный контроль батарей: Искусственный интеллект компенсирует погрешности датчиков, предельно точно оценивая уровень заряда литий-полимерных аккумуляторов. Технология продлевает срок службы батарей в беспилотниках, телефонах и электротранспорте.
• Защита водородных двигателей: Нейросети отслеживают состояние полимерных мембран внутри топливных элементов. Они заранее замечают пересыхание мембраны или нехватку водорода, предотвращая быструю деградацию экологически чистых двигателей.

Надежность конструкций и поиск дефектов

• Рентген для композитов: Анализируя терагерцовые волны, алгоритмы находят скрытые пустоты, трещины или скопления влаги внутри прочного стеклопластика. Это позволяет проверять авиационные и судовые детали без их повреждения.
•  Предсказание старения клея: Алгоритмы точно рассчитывают, как быстро промышленный эпоксидный клей потеряет свои свойства под длительным воздействием влаги и жары. Это страхует сложные инженерные конструкции от внезапных разрушений.
•  Контроль запаса прочности: Нейросети прогнозируют, как композитные материалы ведут себя в агрессивной щелочной среде с течением времени. Полученные данные помогают строителям вовремя заменять изношенные элементы морской инфраструктуры.

 Умное производство и робототехника

• Защита станков от износа: При фрезеровке сверхпрочного углепластика ИИ анализирует микровибрации и понимает, когда режущий инструмент начинает тупиться. Это существенно снижает процент брака на производстве.
•  Управление искусственными мышцами: Роботизированные суставы работают на полимерных нитях, которые физически сокращаются при нагреве. Нейросеть рассчитывает эти сокращения наперед, делая движения механизмов плавными и предельно точными.

Экология и переработка

• Автоматическая сортировка мусора: Гиперспектральные камеры в связке с алгоритмами глубокого обучения мгновенно определяют тип пластика на конвейере с точностью более 99%. Это решает главную проблему вторичной переработки, исключая человеческий фактор при сортировке отходов.

Научные статьи об искусственном интеллекте и машинном обучении: применение в промышленности и экологии

Экология и лесное хозяйство

Прогнозирование вспышек активности вредителей сибирской тайги (моделирование методом генетического программирования)

Исследование посвящено борьбе с опасным вредителем хвойных лесов – сибирским шелкопрядом (Dendrolimus sibiricus). Ученые использовали спутниковые снимки, данные о климате (влажность почвы, температура, испарения) и характеристики 15 000 участков леса в Красноярском крае. С помощью машинного обучения (алгоритма Random Forest и генетического программирования) была создана модель, которая способна за год вперед с высокой точностью (до 99%) предсказывать вспышки размножения этого вредителя.

Анализ факторов, влияющих на развитие социальных качеств человека через призму машинного обучения

В этой работе рассматривается необычное применение методов машинного обучения (деревьев решений, нейросетей и карт Кохонена) в социальной сфере и образовании. Авторы анализируют огромные массивы данных о студентах (успеваемость, семейное положение, уровень образования родителей, увлечения спортом), чтобы понять, какие именно социально-экономические факторы сильнее всего влияют на личный успех и формирование полезных навыков.

Медицине и обработке документов

Автоматическое извлечение текста с изображений медицинских отчетов с помощью компьютерного зрения и NLP

Врачи и медицинские организации сталкиваются с тоннами бумажной работы: сканами справок, фотографиями рецептов и отчетов. Ученые разработали умную систему, которая объединяет оптическое распознавание текста (OCR) и обработку естественного языка (NLP). Используя генетические алгоритмы для настройки параметров распознавания и нейросети, система сама находит и структурирует ключевые данные: ИНН, суммы оплат, даты и диагнозы.

Обзор применения машинного обучения в 3D- и 4D-печати полимерных композитов

3D-печать пластиком и композитными материалами уже никого не удивляет, а 4D-печать (где объекты под воздействием тепла, влаги или света меняют свою форму во времени) – это новейший тренд. Данный обзор обобщает сотни исследований о том, как искусственный интеллект помогает подбирать идеальные параметры печати, прогнозировать прочность деталей, искать дефекты в реальном времени и создавать «умные» материалы.

 Оптимизация процессов производства биополимеров с помощью машинного обучения

Биополимеры – это экологичная замена обычному пластику, создаваемая из возобновляемого сырья (растений, водорослей, отходов). Однако их производство – сложный и нестабильный биохимический процесс (ферментация, полимеризация), зависящий от малейших изменений температуры, кислотности или качества сырья. В обзоре подробно описано, как алгоритмы машинного обучения (обучение с учителем, без учителя и глубокие нейросети) контролируют биореакторы, предсказывают качество выхода продукта и минимизируют отходы.

Промышленность

Предсказание брака при 3D-печати по видеозаписям раскаленного металла
Ученые создали систему машинного обучения, которая анализирует видеопроцесс селективного лазерного плавления (3D-печать металлом). Искусственный интеллект оценивает тепловое излучение в зоне печати и заранее определяет, где в детали могут возникнуть внутренние дефекты (перегрев или недогрев). 

Как нейросети помогают управлять металлургическими печами

Исследование посвящено созданию искусственных нейронных сетей с настраиваемой структурой для прогнозирования сложных физико-химических процессов (например, рудно-термической плавки).

Экономический анализ защиты данных в сложных информационных системах

В работе рассматривается применение нейросетей для обнаружения кибератак (например, ботнетов или сетевых флуд-атак) на защищенные корпоративные и банковские системы. Авторы также предлагают математический подход к оценке финансовых потерь бизнеса в случае утечки данных.

Информационные технологии

Прогнозирование переполнения систем хранения данных (SAN)

Авторы разработали интеллектуальную систему, которая по истории заполнения жестких дисков и серверов предсказывает, когда свободное место на них закончится. Лучшие результаты показал алгоритм градиентного бустинга (CatBoost), который учитывает «скорость» и «ускорение» заполнения памяти.

Использование алгоритмов для оптимизации искусственных нейросетей

Обсуждается метод автоматического проектирования оптимальной архитектуры нейронных сетей для задач регрессии (предсказания чисел) с помощью генетических алгоритмов.

Логистика и доставка товаров

Двухэтапный генетический алгоритм для доставки сборных грузов

Исследование решает классическую логистическую задачу: как минимизировать затраты крупной компании на междугороднюю доставку. На первом этапе алгоритм выбирает лучшие города для размещения промежуточных складов-распределителей, а на втором – строит оптимальные маршруты для грузовиков («последняя миля»).

Сельское хозяйство и экология 

Прогнозирование урожайности культур с помощью глубокого обучения

Ученые обучили глубокую нейросеть предсказывать урожайность сельскохозяйственных культур в разных регионах Индии, используя данные о погоде, почве, осадках и удобрениях. Точность модели достигла 92%.

Выбор оптимальных культур под конкретные условия почвы и климата

Продолжение сельскохозяйственной темы: алгоритмы классифицируют показатели земли (кислотность, уровень азота, калия, фосфора) и погоды, чтобы подсказать агроному, какое именно растение лучше всего посадить на конкретном участке.

Материаловедение и химические технологии

Работы на стыке химии, физики и искусственного интеллекта.

Предсказание диффузии в полимерных мембранах (Nafion)

Исследуется поведение специальных полимерных мембран (используются, например, в водородных топливных элементах) при их замачивании в различных солевых растворах и последующей сушке. С помощью инфракрасной спектроскопии и нейросетей ученые научились точно предсказывать коэффициенты диффузии (проникновения веществ).

Обзор применения машинного обучения для улучшения топливных элементов

Научный обзор, обобщающий опыт применения искусственного интеллекта для оптимизации работы протонно-обменных мембранных топливных элементов (основы зеленой энергетики будущего).

Автор: Андрей Гантимуров