Лаборатория № 77 «Вычислительной кибернетики»

Зав. лаб. № 77 Андрей Викторович Макаренко

Лаборатория является одной из самых молодых в Институте. Она была создана в апреле 2017 г. в период реорганизации научной структуры ИПУ РАН с целью адекватного ответа на ряд вызовов, поставленных перед наукой об управлении в последнее время. Заведующим лабораторией был назначен кандидат технических наук Андрей Викторович Макаренко.

Вычислительная кибернетика, являющаяся основным научным направлением лаб. № 77, фактически интегрирует методы и подходы двух исследовательских дисциплин: собственно, кибернетики – как науки об управлении в широком смысле – с методами и подходами вычислительного интеллекта, ответвления искусственного интеллекта, который в качестве центральной научной парадигмы использует машинное обучение. Следует заметить, что здесь речь идёт скорее о слабой форме искусственного интеллекта – о сверхадаптивных системах, нежели о его сильной форме – искусственном разуме.

Фундаментальные исследования в лаборатории ведутся на пересечении двух научных областей:

  • нелинейной динамики – как основы для оценивания сложных динамических процессов и идентификации сложных динамических систем;
  • машинного обучения – как основы для комплексного анализа больших массивов слабоструктурированных эмпирических данных и порождения над ними моделей, имеющих описательную, объяснительную и предсказательную силу.

При этом, как показывают проводимые в лаборатории исследования, данные научные области имеют существенное конструктивное взаимопроникновение. Так, решение отдельных, как правило, прикладных задач нелинейной динамики при помощи глубоких нейронных сетей получается существенно более эффективным, нежели при помощи классических методов и подходов. С другой стороны, применение методов нелинейной динамики в проектировании, обучении и анализе глубоких нейронных сетей позволяет существенно поднять качество и устойчивость функционирования последних.

Прикладные проекты (НИР) выполняются в лаб. № 77 по двум, ключевым для ИПУ РАН, специализациям:

  • комплексный анализ данных со сложной нерегулярной структурой – фактически решаются задачи оценивания наблюдаемости объектов управления;
  • математическое моделирование сложных нестационарных нелинейных систем (процессов) с преимущественно хаотическим поведением – фактически решаются задачи идентификации объектов управления и/или предсказания их динамики.

В лаборатории культивируется отказ от «снобизма» в части существования «идеального и единственно правильного метода решения задач управления». Решение всегда идёт от поставленной задачи с интеграцией направлений, подходов и методов, исходя из принципов системного подхода (системной инженерии). При этом профильные (предметно-ориентированные) специалисты обязательно, по умолчанию, входят в состав временных рабочих (проектных) групп. Подобная организация работ, как правило, создаёт предпосылки для существенных прорывов в исследуемой научной тематике и весомое конкурентное преимущество при решении сложных прикладных задач, так как проблематика управления гетерогенными и иерархическими системами (для каждого уровня, масштаба, области) требуют своего эффективного математического описания и хорошего понимания деталей решаемой задачи.

Следует также отметить ещё одну научную дисциплину, которая присутствует практически во всех начинаниях лаб. № 77, – математическая статистика и теория вероятностей (включая теорию случайных процессов). Это вызвано тем, что, с одной стороны, работа идёт с реальными объектами, а в реальном мире всё подвержено ошибкам, везде присутствуют шумы, пропуски, выбросы, и т.п., а с другой стороны – многие методы исследования сложных систем и/или процессов имеют вероятностную природу (например, метод Монте-Карло, методы обучения глубоких нейронных сетей, некоторые методы анализа хаотических отображений). Для того, чтобы судить о таких внешне простых вещах как «есть эффект» или «нет эффекта», «есть различие» или «нет различия» нужны статистические оценки. Без проверок статистических гипотез и соответствующих вероятностных моделей корректные, обусловленные выводы получить невозможно.

Из числа результатов, полученных сотрудниками лаборатории и имеющих теоретическое значение для анализа дискретных отображений, отметим следующие:

  • Введена в рассмотрение T-синхронизация хаотических колебаний, которая обобщает ряд известных типов синхронизации. Существенный аспект: T-синхронизация позволяет исследовать в замкнутой форме временную структуру синхронизма хаотических систем.
  • В дискретных отображениях обнаружен новый тип бифуркаций, так называемые TQ-бифуркации, которые связаны с качественным изменением формы траекторий динамических систем в расширенном пространстве состояний.
  • Введён в рассмотрение новый подход к оцениванию сложности дискретных вещественных последовательностей, так называемая TQ-сложность. Существенный аспект: данная мера сложности является алгоритмически реализуемой и имеет низкую вычислительную сложность.

В противовес существующим стереотипам, что глубокие нейронные сети эффективно функционируют только на данных имеющих ярко выраженные структурные паттерны, в лаб. № 77 проводятся исследования по применению нейронных сетей к задачам обработки хаотических и случайных процессов и полей. В данном направлении получены два интересных результата:

  • Продемонстрирована конструктивная применимость свёрточных глубоких нейронных сетей к идентификации хаоса в задачах обработки сигналов. Показана возможность решения глубокими свёрточными нейронными сетями задачи прямого оценивания старшего показателя Ляпунова для хаотических систем по наблюдаемой реализации траектории.
  • Исследован механизм принятия решения глубокими свёрточными нейронными сетями в случае решения задачи классификации случайных последовательностей. Продемонстрировано хорошее совпадение аналитического и численного решений. Также оценена устойчивость сетей к загрязнению входных данных (модель запирания канала/датчика) и способность обнаруживать классификатором преобладающий сигнал в смеси сигналов в условиях априорной неопределённости.

Полученные результаты позволяют сделать предварительный вывод о том, что ряд задач цифровой обработки сигналов можно эффективно решать не только статистическими методами с ручным синтезом алгоритмов, но и методами глубокого обучения с автоматическим синтезом информативных признаков и решающих правил принятия решения. Кроме того, показано, что свёрточные нейронные сети могут эффективно работать не только с сигналами, имеющими ярко выраженные паттерны, но и с реализациями узко- или широкополосных случайных процессов.

Вышеозначенные направления научных исследований и принятая в лаборатории организация работ позволили успешно выполнить ряд прикладных НИР и в короткие сроки внедрить их результаты в практику. Так, в интересах ПАО «Транснефть» на основе глубокой нейронной сети был разработан высокоэффективный первичный классификатор сигналов для системы охраны магистральных нефтепроводов, функционирующей на основе квантового когерентного волоконно-оптического рефлектометра. Проект характеризуется следующими «цифрами»: 3 реальных географически разнесённых трубопровода; 6 классов различаемых сигналов (плюс «Фон»); 14 месяцев активных экспериментов для формирования библиотеки сигналов и помех; 56 помеховых подклассов; 70 ТБ «сырых» данных. Величина интегральной F1-меры синтезированного классификатора на тестовых данных оказалась более 0,91. Один из ключевых факторов успеха – успешный синтез быстродействующего алгоритма адаптивной предварительной фильтрации помех и шумов, который работает по принципу «слепого фильтра». В итоге был разработан классификатор, обладающий высокими тактико-техническими характеристиками и функционирующий в режиме жёсткого реального времени на обычных GPU среднего ценового класса (типа NVIDIA GeForce 1070).

В настоящий момент в лаборатории вычислительной кибернетики ведутся инициативные научные проекты по следующим направлениям:

  • Исследование дихотомического подразбиения TQ-пространства с целью оценивания топологической энтропии дискретных динамических систем и управления хаотическими колебаниями.
  • Разработка и исследование конструктивных нейросетевых подходов к решению нелинейных обратных задач.
  • Синтез глубоких нейронных сетей специальной архитектуры со стабилизированным уровнем ошибок второго рода.
  • Разработка методов анализа обученных глубоких нейронных сетей с целью извлечения из них «выученных знаний».
  • Конструктивные методы обучения глубоких нейронных сетей на квантовых компьютерах. 

Таким образом лаб. № 77 формирует комплексный ответ на вызовы современности в части интеллектуализации систем и процессов управления.