Пошук академічних текстів

Інформація × Реєстраційний номер 0226U001771, (0124U001734) , Науково-дослідна робота Назва роботи Розробка неконекційних моделей штучних нейронних мереж, методів їх побудови та навчання Назва етапу роботи Розробка біологічно обґрунтованої моделі нейрона-детектора та архітектури структурно-детекторної нейронної мережі й алгоритму їх навчання Керівник роботи Дорофєєв Юрій Іванович, д.т.н. Дата реєстрації 30-01-2026 Організація виконавець Національний технічний університет "Харківський політехнічний інститут" Опис роботи Підвищення ефективності вирішення задач класифікації та кластеризації зображень на основі застосування моделей, методів та алгоритмів побудови та навчання структурно-детекторних штучних нейронних мереж Опис етапу Сучасний розвиток штучного інтелекту (ШІ) стикається з трьома критичними бар'єрами: експоненційне зростання енерговитрат на навчання моделей, потреба у величезних розмічених датасетах та проблема відсутності інтерпретованості рішень. Актуальність даного дослідження полягає у створенні зсуву сучасної парадигми ШІ, що наближає принципи роботи штучних нейронних мереж (ШНМ) до біологічних та фізичних процесів. Це дозволяє створювати автономні системи, здатні навчатися на малих вибірках даних, що є критичним для сфер оборони, медицини та робототехніки в умовах обмежених ресурсів. У дослідженні вирішується фундаментальна проблема створення самоорганізованих інтелектуальних систем, які не потребують статистичного навчання. Це дозволяє подолати розрив між абстрактним поняттям інформації та її фізичним носієм, забезпечуючи навчання системи за принципом мінімізації вільної енергії, подібно до того, як це відбувається в живій природі. Метою досліджень є розробка та експериментальна перевірка теоретичної бази, що постулює енергетичну природу інформації та визначає її роль у процесах самоорганізації та еволюції складних інформаційних систем. У роботі були вирішені наступні задачі:  Розроблено нову архітектуру Компартментної атракторної нейронної мережи.  Реалізовано метод навчання без зворотного розповсюдження помилки.  Досягнуто Few-Shot Learning: експериментально підтверджено здатність моделі навчатися на екстремально малих вибірках (5–6 прикладів на клас). На базі даних MNIST досягнуто точності ~82% при використанні мінімальних ресурсів, що недосяжно для класичних ШНМ за таких умов.  Вирішено задачу прозорості ШІ. Класифікація здійснюється через розрахунок метрики Graph Edit Distance, що дозволяє чітко пояснити, чому об'єкт віднесено до певного класу, базуючись на схожості його геометричної структури. Опис продукції Автори роботи Паржин Юрій Володимирович Бохан Костянтин Олександрович Лапін Микита Олексійович Додано в НРАТ 2026-01-30 Закрити