1. Разработка и реализация программ на основе разработанных на первом этапе методов и алгоритмов для целей учета априорных знаний при генерации событий нейросетями, включая:

• методы и алгоритмы учета детерминистских ограничений;
• методы и алгоритмы учета статистических ограничений;

Основным методом учета таких ограничений является использование условных нейросетевых моделей (conditionak generative neural network), а также нейросетевых моделей с ограничениями (constrained generative neural network).

Регистрация ПО

2. Проведение вычислительных экспериментов с целью исследования разработанных генераторов событий для гамма- астрономии. В том числе:

• проверка соответствия критериям их эффективного функционирования, выработанным на первом этапе;
• сравнительный анализ МС генераторов и генераторов основанных на машинном обучении;

Основными критериями, которые будут использованы для оценки качества построенный генеративных моделей будут время генерации событий, а также качество воспроизведения энергетического спектра событий.

3. Оптимизация программной реализации генераторов, основанных на машинном обучении по результатам экспериментальных исследований;

4. Анализ, полученных результатов, в том числе:

• обобщение результатов исследований;
• сопоставление анализа научно-информационных источников и результатов теоретических и экспериментальных исследований;
• оценка эффективности полученных результатов в сравнении с современным научно-техническим уровнем.

5. Подготовка докладов на международных и всероссийских конференциях, публикация результатов исследований в журналах, входящих в список RSCI.

6. Подготовка подготовка итогового отчета.

Вторая основная задача на 2023г.

Довести часть разработанных методов до практического применения в TAIGA.

Третья задача на 2023г

Начать работу по реализации идей, заложенных в заявку на грант РНФ, не дожидаясь результата конкурса.

А.Д, А.К. –> 21/04/2022 –> 28/04/2022–> 12/05/2022 –> 26/05/2022

• А.К.: Добавить иллюстративный материал.
• А.К.: сети с условиями.
  • поиск минимума на поверхностях, определяемых условиями ограничений (априоными знаниями) — так называемый жесткий вариант учета ограничений (hard constraints);
  • мягкий вариант (soft constraints) — путем добавления ограничений в функцию потерь генеративной сети.
    Последний способ предполагается рассмотреть в двух вариантах:
  • множитель перед членом с ограничениями в функции потерь рассматривается как один из гиперпараметров и подбирается экспериментально;
  • использование формализма множителей Лагранжа, так что значение множителя перед членом определяется экстремумом (седловой точкой) такой гибридной функции потерь.

А.К., А.Д. –> 07/-4/2022 –> 14/04/2022 –> 21/04/2022 –> 28/04/2022–> 12/05/2022 –> 26/05/2022

• Физические критерии, например, качество генерации событий, распределение по энергии.
• Программные критерии, например, устойчивость к переобучению, скрорость генерации.

например, Wasserstein
А.Д., А.К.

• Провести тесты по использованию “мягких связей”. Например, генерация событий с определенной энергией.
• Включение дополнительных членов в функцию ошибок (lambda*C)