Лаборатория № 11 является одной из старейших в Институте. Здесь работали выдающиеся учёные: проф. М.А. Айзерман (руководил лабораторией до 1963 г.), проф. Э.М. Браверман, проф. Л.А. Залманзон, проф. Л.И. Розоноэр; проф. А.А. Таль (руководил лабораторией в 1963—1991 гг.).
|
|
С 1991 г. заведующим лабораторией был д.т.н, проф., председатель Научного cовета (2000–2021) Российской ассоциации искусственного интеллекта Олег Петрович Кузнецов.
С 2019 года лабораторию № 11 возглавила д.ф.-м.н. Людмила Юрьевна Жилякова.
|
|
В настоящее время в составе лаборатории – 17 сотрудников, в том числе 4 доктора и 2 кандидата наук.
Основными научными направлениями лаб. № 11 являются исследования в области искусственного интеллекта (ИИ) и сетевых структур:
- биологически ориентированные методы в ИИ и моделирование биологических нейронных сетей;
- сетевые представления знаний, объектов и процессов;
- многоагентные системы и групповое поведение;
- моделирование и анализ социальных сетей.
1. Биологически ориентированные методы ИИ (О.П.Кузнецов, Н.И. Базенков, Л.Ю. Жилякова, Н.В. Чаплинская)
Многие задачи – обработку визуальных образов, ориентацию в пространстве, принятие решений при неполной информации и др., – мозг решает эффективнее, чем компьютер. Это означает, что механизмы обработки информации в мозге принципиально другие. Раскрытие принципов, на которых основаны эти механизмы, должно привести к прорыву в технологиях ИИ. В рамках этого направления ведутся исследования в нескольких взаимосвязанных областях.
1.1. Моделирование взаимодействий в мультитрансмиттерных нейронных ансамблях (О.П. Кузнецов, Н.И. Базенков, Л.Ю. Жилякова)
В 2015 г. совместно с коллективом нейробиологов из Института биологии развития РАН была начата работа по созданию дискретных моделей химических внесинаптических взаимодействий между нейронами в биологических нервных системах. Эти взаимодействия играют огромную роль в функционировании нервной системы, но пока существует мало попыток их математического описания.
Основные принципы разработанной модели следующие. Нейроны находятся в едином внеклеточном пространстве (ВКП). Когда нейрон активен, он выделяет в ВКП специфическое вещество – трансмиттер. Выделенный трансмиттер действует на все нейроны, которые имеют чувствительные к нему рецепторы, то есть является широковещательным сигналом. Знак воздействия трансмиттера на рецептор (возбуждающее или тормозящее) зависит от типа рецепторов. Нейроны вместе с ВКП образуют нейронный ансамбль, способный генерировать ритмическую активность. Ансамбль представляется сетью, в которой связь от нейрона А к нейрону В существует, если А выделяет трансмиттер, к которому чувствительны рецепторы В. Предложен асинхронный принцип функционирования ансамбля во времени, более соответствующий биологическим реалиям. Разработан алгоритм вычисления поведения модели и его программная реализация.
В 2020 г. О.П. Кузнецов предложил небиологическое обобщение этой модели, назвав ее асинхронной многоагентной многосортной системой. В ней опущены биологические сущности; остается сеть из абстрактных агентов, обменивающихся сигналами разных сортов. Ее можно интерпретировать как социальную сеть с разными типами информационных обменов. Предложен метод определения границ устойчивости поведения при изменении значений параметров сети. В 2021 г. О.П. Кузнецов исследовал процесс распространения сигнала в цепи асинхронных пороговых элементов и описал условия прохождения сигнала через цепь.
1.2. Моделирование спайковых нейронных сетей (Н.В. Чаплинская)
В 2022 году предложено новое правило обучения спайковых нейронных сетей, основанное на эффекте пластичности синаптических задержек. На его основе решена задача распознавания трех контрастных образов спайковой нейронной сетью с тремя нейронами. Планируется исследовать возможности предложенного правила на сетях другой архитектуры для решения более сложных задач, а также модифицировать это правило путем добавления иных характеристик синаптической пластичности для повышения биологической правдоподобности исследуемых моделей.
1.3 Биологически правдоподобные модели управления движением (Н.И. Базенков)
Моделирование и управление локомоцией человека – актуальная проблема на стыке математики, биологии и медицины. Перспективным направлением исследований является синтез современных методов машинного обучения и биологически адекватных моделей управления движением. Наши исследования посвящены построению модели движений конкретного человека по экспериментальным данным.
Прикладная цель исследований – краткосрочный прогноз движений пользователя бионического протеза ноги для повышения качества управления протезом. Более глобальная цель – построение модели движений, которая будет способна предсказывать движения пользователя в ситуациях, не встречавшихся в лабораторных испытаниях. В этих исследованиях мы комбинируем точные биомеханические модели скелета и мускулатуры с методами обучения с подкреплением.
2. Сетевые представления знаний, объектов и процессов
2.1 Методы оптимизации структур сложных систем (М.В. Губко, Н.И. Шушко)
Задача управления структурой системы сводится к задаче комбинаторной оптимизации – выбора допустимой структуры из конечного множества, доставляющей минимум функции затрат. Наши исследования моделей поиска оптимальных структур основывались на концепции «секционных» функций затрат (А.А. Воронин и С.П. Мишин, Волгоград). М.В. Губко обобщил эту модель и развил общую теорию оптимизации структуры сложных систем, находящую применение в информатике, менеджменте, математической химии и других областях. Ведутся исследования алгоритмов синтеза оптимальной структуры дорожных сетей на основе сведения проблемы синтеза к задачам смешанного линейного программирования.
2.2 Разработка теории ресурсных сетей (О.П. Кузнецов, Л.Ю. Жилякова, Н.В. Чаплинская, В.Р. Корешков)
Модель «ресурсная сеть» предложена О.П. Кузнецовым в 2009 г. В вершинах ориентированного графа находится однородный ресурс. Веса рёбер обозначают их пропускные способности. На каждом такте ресурс вершины перераспределяется по одному из двух правил. Если количество ресурса превосходит сумму весов исходящих ребер, по каждому исходящему ребру передаётся ресурс, равный пропускной способности этого ребра. В противном случае вершина отдаёт весь ресурс, разделив его между всеми ребрами пропорционально их пропускным способностям. Суммарное количество ресурса не меняется. Был описан частный случай (полная однородная сеть): сеть задана полным графом, пропускные способности ребер одинаковы. На этом примере показаны основные свойства ресурсной сети: устойчивость при малом ресурсе, зависимость от начальных условий при большом ресурсе, наличие порога, разделяющего малые и большие значения ресурса.
Л.Ю. Жиляковой получены результаты, практически полностью описывающие поведение ресурсных сетей различных классов и изложенные в двух монографиях.
Предложена и исследована модификация модели – сеть с ограничениями на ёмкость вершин-аттракторов (вершин, накапливающих излишки ресурса).
Н.В. Чаплинская совместно с Л.Ю. Жиляковой исследовала ресурсную сеть с «жадными» вершинами (2020 – 2021 гг.). В отличие от стандартной модели, при распределении ресурса вершина сначала заполняет свою петлю, а затем распределяет остатки в выходные дуги. Получены предельные характеристики таких сетей.
В.Р. Корешков занимается исследованием неэргодических ресурсных сетей, а также открытой ресурсной сети – сети, в которую ресурс приходит извне (2022 г.).
2.3 Онтологический подход к управлению знаниями в научных организациях (О.П. Кузнецов, В.С. Суховеров)
Предложен подход к задаче определения компетентности научных сотрудников на основе соотнесения терминологии их публикаций с терминами онтологии предметной области, представленной деревом с двумя типами вершин: вершины-темы и вершины-термины. Определены два вида профиля: профиль публикации, характеризующий ее релевантность темам предметной области, и профиль сотрудника, характеризующий компетентность сотрудника в этих темах. Предложена формула, оценивающая релевантность публикации темам онтологии. На ее основе вычисляется компетентность сотрудников по его публикациям. Вычисленные компетентности можно использовать для подбора экспертов, рецензентов и др. В 2017 г. разработана первая версия программной системы, успешно опробованная на массиве статей журнала «Автоматика и телемеханика». В 2019 г. разработана система определения компетенций сотрудников Института на основе базы их публикаций. В настоящее время система работает в режиме отладки.
2.4 Обработка символьной информации в системах ИИ (Д.Ю. Максимов)
Тема началась с разработки способа выбора решения группой роботов о назначении исполнителя новой задачи, исходя из решетки задач, которые роботы способны выполнять. В дальнейшем символьная информация, представленная элементами решетки, обрабатывалась в нейронных сетях (в ассоциативной памяти) и когнитивных картах. Были доказаны теоремы о сходимости таких сетей и карт и о возможности сохранения в ассоциативной памяти заданного набора паттернов символьной информации. Рассмотрены примеры применения таких сетей и карт.
2.5 Семиотические модели в системах поддержки принятия решений (СППР) в условиях неопределенности (А.А. Кулинич)
Предложен подход к построению СППР, основанный на применении семиотической модели предметной области и методов обработки естественного языка. Модель включает три модели предметной области – синтаксическую, семантическую и прагматическую. Предложены методы решения прямой задачи (прогноз развития ситуации) и обратной задачи (вычисление параметров ситуации для перевода ее в целевое состояние). В качестве базы знаний семиотической модели используется корпус текстов, релевантных предметной области. Предложен семантический калькулятор для извлечения родовидовых отношений из корпуса текстов на основе дистрибутивного анализа (Word2Vec). Разработан программный макет.
3. Мультиагентные системы и групповое поведение роботов (Р.П. Агаев, Д.К. Хомутов, А.А. Кулинич, А.Ю. Ефремов, Я.Ю. Цодикова, А.К. Логинов)
3.1 Децентрализованное управление многоагентными системами (Р.П. Агаев, Д.К. Хомутов)
Исследования децентрализованного управления сетевыми многоагентными системами, динамика которых существенно определяется ориентированным графом информационных связей между агентами, опираются на работы П.Ю. Чеботарёва и Р.П. Агаева по алгебраической теории ориентированных графов. Для нормированных лапласовских матриц получена область локализации их спектра.
Для ряда протоколов поиска консенсуса исследована асимптотика и получены выражения компонент предельных состояний через собственные проекторы лапласовских матриц ориентированных графов зависимости агентов. Получены теоремы, дающие теоретико-графовые интерпретации консенсусных решений. Исследована проблема консенсуса в многоагентных системах с несвязным орграфом влияний. Предложен метод ортогональной проекции, регуляризующий процесс достижения консенсуса. Исследовано несколько моделей латентного консенсуса для случаев, когда орграфы влияний агентов не имеют остовных исходящих деревьев. Изучаются модели консенсуса с запаздыванием. Подготовлен курс «Теория многоагентных систем», который читается в МФТИ и ИПУ РАН.
Другой аспект алгебраической теории графов – синтез и анализ метрик, мер близости, индексов центральности вершин – используется при исследовании структуры сетей различной природы. Такие меры необходимы при решении задач кластеризации и классификации на графах. Нами исследован и использован в анализе данных ряд новых мер близости и алгебраических индексов вершин графов. Установлены их связи с характеристиками цепей Маркова.
3.2. Модели формирования и функционирования команд роботов с реактивной и BDI (belief-desire-intention) архитектурой архитектурой (А.А. Кулинич)
Построены модели командного поведения роботов с реактивной архитектурой. Предложены алгоритмы стайного поведения роботов, алгоритмы поведения «ленивых» и эгоистичных роботов. Разработана модель представления среды функционирования роботов в виде вложенных подпространств системы «Группа роботов – Среда», а также модель интеллектуального робота с BDI архитектурой. Описаны условия командной работы роботов, поддерживаемые протоколами обмена между агентами информацией об их убеждениях и намерениях, условиях совместной работы и координации действий. Экспериментальные исследования предложенных моделей, алгоритмов и архитектур показали их корректность.
3.3 Стайная робототехника (А.Ю. Ефремов)
Стайная робототехника исследует коллективное поведение большого числа простых агентов, возникающее из локальных взаимодействий между агентами и между агентами и средой. Одним из направлений является изучение роботизированного флокирования. Базовая модель флокирования, т.е. самоорганизованного координированного движения группы автономных мобильных объектов, состоит из трех правил управления скоростью и курсом, которые описывают маневрирование отдельных объектов на основе положений и скоростей ближайших соседей.
Используются виртуальные агенты, влияющие на поведение всех или части роботов в стае: агенты, задающие целевую точку, и агенты, задающие желаемый курс. Агенты имеют ограничения на маневрирование, чего не было в большинстве известных работ. На основе такой модели рассмотрен алгоритм обхода препятствий, описанных множеством выпуклых многоугольников. Введены габариты роботов, ограничения на их минимальную и максимальную скорости, максимальное ускорение и скорость поворота. Описание препятствий множеством выпуклых многоугольников позволяет избежать столкновений и обеспечить движение вдоль границы. Исследуется возможность применения виртуальных объектов при выполнении типовых маневров с контролем безопасного расстояния между агентами.
3.4 Голосование в стохастической среде (Я.Ю. Цодикова, А.К. Логинов)
Исследование систем, динамика которых определяется коллективными решениями в стохастической среде, продолжает исследования моделей динамического голосования, начатые А.В. Малишевским и М.А. Айзерманом (лаб.25). Особенность разрабатываемой модели ViSE – возможность изучения влияния на социальную динамику социальных установок участников: эгоизма, коллективизма и др. Строятся механизмы кооперации, ищутся оптимальные для разных условий процедуры принятия коллективных решений и стимулирования участников. Введено и исследовано понятие оптимального порога голосования.
4. Исследование процессов в социальных сетях
4.1. Информационное влияние и управление в социальных сетях
В 2000-х гг. была начата работа по исследованию информационного влияния и управления в социальных сетях (Д.А. Губанов, Д.А. Новиков, А.Г. Чхартишвили). Социальная сеть состоит из множества агентов, вступающих в отношения информационного обмена и совершающих действия на основе своих представлений (репутации, доверия и мнений). Представления агентов меняются под воздействием других участников сети и управляющих субъектов. Для различных ситуаций информационного влияния, управления и противоборства разработан комплекс моделей, в которых вводится внутренняя структура агентов, моделируются социально-психологические эффекты (консенсус, сохранение разногласий, поляризация и т.д.), предлагаются способы воздействий на состояние сети и наблюдаемые в ней эффекты. Предложен акциональный подход к формализации элементов социальных сетей.
Полученные результаты применяются на практике. С конца 2000-х годов исследуются информационные процессы в онлайновых социальных сетях LiveJournal, Facebook, Reddit и VKontakte (Д.А. Губанов, Н.И. Базенков, И.В. Козицин и др.) и ведется разработка методов и информационных технологий анализа социальных сетей, в том числе методов выявления активных групп и сообществ, расчёта влиятельности пользователей, оценки уязвимости пользователей к информационным воздействиям, выявления инициаторов обсуждений и каналов распространения в сети. Начаты работы по выявлению мнений индивидов в онлайновых социальных сетях и идентификации механизмов их динамики (на основе методов глубокого машинного обучения).
4.2. Распространение активности в сетях MIMO-агентов (Л.Ю. Жилякова, П.А. Нечаева)
Л.Ю. Жилякова предложила новую модель распространения нескольких видов активности в сетях из гетерогенных агентов, способных воспринимать и генерировать несколько видов информации (MIMO-агентов). Агенты – это пороговые элементы, характеризующиеся, помимо величины порога, стохастическим вектором, характеризующим его восприимчивость к сигналам разного вида, а также глубиной и силой памяти. Сеть из MIMO-агентов – это взвешенный граф, в котором веса характеризуют силу влияния агентов. При расчете воздействия своего окружения агент учитывает как веса дуг, так и тип активности различных соседей.
Исследованы малые сети с двумя видами активности. Доказаны теоремы, формулирующие критерии того, что сеть агентов является ансамблем (см.п.5) того или иного вида (Л.Ю. Жилякова). Для больших сетей написана имитационная модель (П.А. Нечаева). С ее помощью начаты исследования распространения активности в сетях с большим количеством вершин и различной топологией.
5. Исследования прошлых лет
Моделирование конфликтных ситуаций на основе линейных когнитивных карт (С.Г. Куливец)
Предложен подход к моделированию конфликтных ситуаций, объединяющий методы теории игр и когнитивных карт. Построены модели взаимодействия агентов для случаев, когда представления агентов о ситуации: а) совпадают; б) не согласованы. Получены оценки границ устойчивости параметров когнитивной карты, в пределах которых стратегия игрока не меняется. Эффективность подхода показана на примере анализа конфликта интересов России и Норвегии в Баренцевом море.
Методы рефлексивного формирования топологии беспроводной сети (Н.И. Базенков)
Беспроводные ad hoc сети – это сети, образованные автономными беспроводными передатчиками без дополнительной инфраструктуры. Задача формирования топологии заключается в том, чтобы назначить каждому узлу мощность, обеспечивающую связность сети, минимизируя при этом суммарную мощность узлов. Рассматриваются распределённые алгоритмы, когда каждый узел стремится максимизировать свою целевую функцию. Перспективным подходом к их созданию является представление задачи формирования топологии сети как некооперативной игры, в которой узлы сети являются игроками, а целевые функции игроков учитывают поддержание связности сети и минимизацию мощности.
В лаб. № 11 предложен рефлексивный алгоритм двойного наилучшего ответа, используя который, агент прогнозирует возможную реакцию соседей на свои действия. Это позволяет выбирать более эффективные действия за счёт увеличения объёма вычислений. Разработаны два алгоритма формирования сети. Доказана сходимость алгоритмов, их эффективность продемонстрирована в экспериментах.
Разработка теории стационарных ансамблей (О.П. Кузнецов, С.Г. Куливец)
В 2015–2016 гг. О.П. Кузнецов предложил и исследовал модель стационарного нейронного ансамбля – сети из нейронов Маккаллока-Питтса. Такая сеть называется стационарным ансамблем, если она способна удерживать состояние, в котором все её нейроны активны, при отсутствии внешних воздействий. Доказаны необходимые и достаточные условия, при которых нейронная сеть является стационарным ансамблем. В 2017–2018 гг. С.Г. Куливец разработал программную среду для построения сети формальных нейронов, расчёта их поведения, обнаружения ансамблей, сетей из ансамблей и просмотра графа состояний каждого из ансамблей.
Голографические методы обработки образной информации (О.П. Кузнецов, А.В.Марковский)
В начале 2000-х гг. были разработаны две модели обработки и хранения образной информации, основанные на голографическом подходе. О.П. Кузнецов предложил модель псевдооптических нейронных сетей (ПНС). В них информация передаётся с помощью сигналов волновой природы; запись и считывание происходят по голографическим принципам. Л.Б. Шипилина разработала средства моделирования ПНС. Эксперименты показали, что в ПНС возможна эффективная организация быстрых процессов узнавания и восстановления образов, а также высокая устойчивость к повреждениям. А.В. Марковский разработал метод квазиголографического кодирования изображений, позволяющий восстанавливать изображения при повреждении значительной его части (до 90 %). Результаты могут быть использованы для защиты графической информации и для устранения помех при ее передаче по сетям связи.