Секция принимает работы в области обработки больших данных для решения научных задач в различных областях, в том числе для задач мегасайенс, в области теории алгоритмов, применения методов машинного обучения для решения научных задач, визуализации научных данных, а также в области робототехники.
В работе рассматриваются трудности создания интегрального искусственного интеллекта. Данны основные задачи: определение понятий интеллекта и искусственного интеллекта, анализ основных проблем. Несмотря на активные исследования в области искусственного интеллекта, и по сей день ученые и философы не пришли к однозначному мнению по поводу возможности построения искусственного интеллекта, который бы функционировал по аналогии с интеллектом человека (естественным).
Рассматривается формирование грамматики, описывающей структурную информацию образа с целью его распознавания. Предлагается использование многоуровневой грамматики, включающей задачу синтаксического анализа последовательности изображений, а также задачу синтаксического анализа объектов. Излагаются некоторые основные положения, присущие структурным методам описания и распознавания сцены.
В работе представлено исследование функционала решения Apache Solr для организации поисковой системы по неструктурированным метаданным. Поисковая система на основе пакета Apache Solr была развёрнута в контейнеризированой среде Docker. Для исследований использовались наборы данных Common Crawl а также метаданные банка данных EMBL-EBI. Результатами работы стали измерения зависимости производительности системы в зависимости от количества документов в коллекции а также от количества узлов кластера.
Основными проблемами в обучении с подкреплением являются увеличение эффективности использования данных для настройки весов алгоритма, работа с редкой наградой и баланс между эксплуатацией обученного алгоритма и разведкой новых данных, необходимых для дальнейшего обучения. Одним из методов, помогающим справиться в той или иной мере с каждой из обозначенных проблем, является обучение с применением механизмов внутреннего любопытства.
Температура термического разложения ионных жидкостей является важным свойством, которое устанавливает верхний рабочий предел для многих приложений. На платформе для онлайн-химического моделирования (OCHEM) были построены количественные прогностические модели для предсказания этого свойства. Лучшие результаты для температуры термического разложения были получены для модели имеющей коэффициент корреляции R2=0.7 и среднеквадратичную ошибку RMSE=43.7 °C.
В работе изучаются тенденции межотраслевого применения кибернетических методов. С этой целью рассматриваются теоретические аспекты сходства междисциплинарного характера NBIC-конвергенции и характерных черт нейросетей. Проводится эксперимент по созданию, обучению и использованию нейросети для выполнения конкретных задач гуманитарных наук. Полученные эмпирические данные позволяют сделать выводы о перспективах более широкого употребления нейросетей в социально-гуманитарных науках.
