Новые нейросетевые технологии резервуарных вычислений для интеграции искусственного интеллекта в периферийные устройства «интернета вещей»
| Название НИОКТР | Новые нейросетевые технологии резервуарных вычислений для интеграции искусственного интеллекта в периферийные устройства «интернета вещей» |
|---|---|
| Аннотация | Резервуарные вычисления (РВ) — перспективное направление машинного обучения для энергоэффективных задач в медицине, промышленности и IoT. Фиксированные параметры рекуррентных сетей с обучением лишь выходного слоя снижают вычислительные затраты, сохраняя универсальность. В отличие от традиционных подходов, РВ устойчивы к шумам и подходят для аппаратной реализации на устройствах с ограниченными ресурсами, что делает их идеальными для IoT и автономных систем. В рамках проекта РНФ 2022–2024 гг. достигнуты значительные результаты, включая разработку энтропийных метрик на базе резервуарной сети LogNNet для анализа сигналов и изображений. Показана эффективность методов в задачах медицинской диагностики (ЭЭГ и ЭКГ), анализа показателей крови при COVID-19 и прогнозирования временных рядов, где точность сопоставима со стандартными рекуррентными сетями, такими как LSTM. Разработаны новые метрики и подходы к оценке энтропии, нейросетевая энтропия NNetEn нашла применение при анализе ЭЭГ. Полученные результаты подтвердили высокую точность и низкое потребление ресурсов моделей РВ, что особенно актуально для маломощных периферийных устройств. Новые направления исследований будут направлены на создание гибридных архитектур РВ с глубокими нейросетями CNN (Convolutional Neural Networks - Сверточные нейронные сети) и GAN (Generative Adversarial Networks- Генеративные состязательные сети), что позволит объединить преимущества пространственного анализа с временной динамикой. Это расширит применение РВ для анализа структурных изменений в медицинских изображениях (МРТ и КТ), сегментации текстурных данных и генерации синтетических временных рядов для обогащения датасетов. Дополнительно, планируется развитие энтропийных метрик для многомасштабного анализа сигналов и оптимизация архитектуры LogNNet для работы в режиме реального времени на платформах IoT. |
| Доступ к ОКОГУ исполнителя | False |
| Количество связанных РИД | 1 |
| Количество завершенных ИКРБС | 0 |
| Сумма бюджета | 13600.0 |
| Дата начала | 2025-06-10 |
| Дата окончания | 2026-12-31 |
| Номер контракта | 22-11-00055-П |
| Дата контракта | 2025-06-10 |
| Количество отчетов | 1 |
| УДК | 004.8.032.26 |
| Количество просмотров | 18 |
| Руководитель работы | Величко Андрей Александрович |
| Руководитель организации | Воронин Анатолий Викторович |
| Исполнитель | ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ "ПЕТРОЗАВОДСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ" |
| Заказчик | Российский научный фонд |
| Федеральная программа | — |
| Госпрограмма | — |
| Основание НИОКТР | Грант |
| Последний статус | 2025-06-19 13:22:26 UTC, 2025-06-19 13:22:26 UTC |
| ОКПД | Услуги, связанные с научными исследованиями и экспериментальными разработками в области компьютерных наук и информационных технологий |
| Отраслевой сегмент | — |
| Минздрав | — |
| Межгосударственная целевая программа | — |
| Ключевые слова | сегментация изображений; сверточная нейронная сеть; IoT; резервуарная нейронная сеть; генеративная состязательная сеть энтропия; текстура; периферийные устройства |
| Соисполнители | — |
| Типы НИОКТР | Поисковое (ориентированные фундаментальные) исследование |
| Приоритетные направления | — |
| Критические технологии | — |
| Рубрикатор | 28.23.37 - Нейронные сети |
| OECD | — |
| OESR | Компьютерные, информационные науки и биоинформатика (разработка аппаратного обеспечения относится к разделу 2.2, социальный аспект относится к разделу 5.8) |
| Приоритеты научно-технического развития | а) переход к передовым технологиям проектирования и создания высокотехнологичной продукции, основанным на применении интеллектуальных производственных решений, роботизированных и высокопроизводительных вычислительных систем, новых материалов и химических соединений, результатов обработки больших объемов данных, технологий машинного обучения и искусственного интеллекта; |
| Регистрационные номера | nioktr: {'id': 'WHEOW5RC9TOAZH88MN7Y9EGS'} |