Mirkes, Evgeny Moiseevich

Evgeniy Moiseevich Mirkes (født 20. januar 1964 , Krasnoyarsk , USSR ) er en russisk matematiker og programmør, specialist inden for matematisk modellering , anvendt matematik og programmering , en udvikler af metoder til træning af kunstige neurale netværk og standarder for deres programmering og programmering. uddannelse. Doktor i fysiske og matematiske videnskaber.

Uddannelse

E. M. Mirkes viste interesse for anvendt matematik og programmering fra barnsben. Han er en af ​​de mest berømte elever på Krasnoyarsk sommerskole , en uundværlig deltager og vinder af forskellige regionale skolekonkurrencer. Han forberedte sit første videnskabelige arbejde til offentliggørelse i et centralt videnskabeligt tidsskrift [1], mens han studerede på 3. år af Krasnoyarsk Universitet . Uddannet fra Det Matematiske Fakultet ved Krasnoyarsk Universitet i 1985. I 1990 forsvarede han sin ph.d.-afhandling "A priori estimates in the direct kinetic problem", udført under supervision af V. I. Bykov og A. N. Gorban . Han forsvarede sin doktorafhandling "Functional models of a universal neurocomputer" [2] i 2001 (videnskabelig konsulent A. N. Gorban ). Professor ved Institut for Neurocomputer. Arbejder i øjeblikket på University of Leicester, UK.

Vigtigste videnskabelige resultater

Matematisk kemi , kemisk termodynamik og kinetik

• Beviste konveksiteten af ​​termodynamiske Lyapunov -funktioner til problemer med kemisk kinetik under ikke-isotermiske forhold.
• Fremstillet metoder og software til at reducere usikkerhed i de kinetiske konstanter af komplekse kemiske reaktioner, under hensyntagen til termodynamiske begrænsninger og princippet om detaljeret ligevægt . Metoderne er beregnet til opbygning af kinetiske modeller og til brug i kinetiske databanker [3]
• På grundlag af Rumer  - Feta -gruppens klassificering af kemiske grundstoffer opnåede han nye masseformler for atomer . [fire]
• Han udviklede et nyt system til at forudsige egenskaberne af kemiske grundstoffer, atomer og molekyler - metoden til multiple belægninger. [5] [6] Det klassiske problem med at gendanne manglende data løses i følgende formulering: at finde den bedste formel for hvert objekt, der udtrykker dets egenskaber gennem funktionerne i andre objekter (som skal være så lille som muligt). Denne formel skal være invariant med hensyn til skiftende måleskalaer. Denne tilgang er beskrevet detaljeret i en efterfølgende artikel af A. N. Kirdin et al., tilgængelig online. [7]
• I sin ph.d.-afhandling modtog han i en vis forstand de bedste (uforbedrede) estimater af afslapningstiden for et kemisk system.

Neuroinformatik

• En funktionel model af en universel neurocomputer er blevet udviklet . Principperne for valg af funktionelle komponenter bestemmes. Nedbrydningen af ​​neurocomputeren til funktionelle komponenter blev udført i overensstemmelse med de foreslåede principper. Universaliteten af ​​den udviklede model er vist - muligheden for at implementere alle hovedtyperne af neurale netværk inden for rammerne af denne model. Den foreslåede model giver mulighed for en begrundet sammenligning af forskellige implementeringer af individuelle komponenter i neurocomputeren, for at spore forholdet mellem komponenterne.
• Der er udviklet en komplet (udtømmende) liste over anmodninger for hver komponent. Dette gør det muligt, når man udvikler store softwaresystemer, at udvikle hver komponent uafhængigt af de andre. En klar definition af hver komponents funktioner giver dig mulighed for at udvikle de mest effektive implementeringer for hver komponent uafhængigt af andre komponenter.
• Princippet om at konstruere en ny type vurderinger, kaldet den effektive vurderingsfunktion, er blevet udviklet. Effektiviteten af ​​den foreslåede type estimater ligger i det faktum, at deres brug gør det muligt at accelerere træningen af ​​det neurale netværk, vurdere tillidsniveauet for det neurale netværk i det modtagne svar, træne netværket med lav pålidelighed til at løse de problemer, som netværk af denne arkitektur kan ikke løse med høj pålidelighed, under hensyntagen til forskellen i læring i pålideligheden af ​​svar i forskellige eksempler.
• En metode er blevet udviklet til at opnå eksplicit viden fra data ved hjælp af logisk transparente neurale netværk opnået fra vilkårligt trænede netværk ved en speciel kontrast (skeletisering) procedure. I de fleste tilfælde er det muligt at opnå et verbal slutningsskema.
• Der er udviklet en metode til at konstruere de mindst nødvendige sæt af inputdata og konstruere på deres basis sæt af inputdata med øget pålidelighed (modstand mod forvrængning i inputdataene).
• Der er udviklet en metode til at konstruere neurale netværk ud fra de simpleste elementer og simplere netværk. Der foreslås en metode til at beskrive designprocessen og et sprog til registrering af resultatet.
• Estimater opnås for det associative hukommelsesnetværks evne til nøjagtigt at gengive mønstre. Der er udviklet metoder til at øge informationskapaciteten. Der er bygget tre netværk af associativ hukommelse, som har en stor informationskapacitet og er mindre afhængige af graden af ​​korrelation af standarder end de klassiske versioner af Hopfield-netværk .
• Den udviklede funktionsmodel blev delvist implementeret i en række uddannelses- og forskningssoftwareprodukter. Programmerne skabt af E.M. Mirkes og under hans ledelse er meget brugt i uddannelsesprocessen i Rusland (under det generelle navn "Neurotextbook" [8] ).

The Neurocomputer: Draft Standard bog

De fleste af resultaterne af E. M. Mirkes om neuroinformatik er opsummeret i hans monografi. [9] Fra forfatterens forord til bogen:

Langsigtet indsats fra mange forskergrupper har ført til, at der nu er blevet akkumuleret et stort antal forskellige "læringsregler" og arkitekturer af neurale netværk, måder at evaluere og fortolke deres arbejde på, metoder til at bruge neurale netværk til at løse anvendte problemer.

Indtil nu eksisterer disse regler, arkitekturer, systemer til evaluering og fortolkning, brugsmetoder og andre intellektuelle fund i form af en "zoo" af netværk. Hvert zoo-netværk har sin egen arkitektur, læringsregel og løser et specifikt sæt problemer.

Vi foreslår at systematisere "zoo". Til dette er følgende tilgang nyttig: hvert neuralt netværk fra zoologisk have skal repræsenteres som implementeret på en ideel neurocomputer med en given struktur. Denne tilgang tjener to formål. Gør først neurale netværksprogrammer kompatible på den måde, de beskriver neurale netværk og relaterede komponenter, hvilket i høj grad vil forenkle livet for brugere af neurale netværksapplikationer. For det andet giver en samlet tilgang til beskrivelsen dig mulighed for korrekt at sammenligne forskellige arkitekturer af neurale netværk og indlæringsalgoritmer. … Ideen om at skrive denne bog blev født på grundlag af tolv års arbejde i Krasnoyarsk NeuroComp-gruppen.

Bogen ”Personlige egenskaber og stofbrug. En historie fortalt af data"

Denne bog af Mirkes et al [10] undersøger de psykologiske karakteristika forbundet med stofbrug ved at analysere en ny database med 1885 respondenter og 18 stofbrug. Der gives en detaljeret gennemgang af offentliggjorte værker om stofbrugeres psykologiske profiler. De metoder, der bruges til datamining og maskinlæring, er beskrevet i detaljer.

Det har vist sig, at personlighedstræk ( 5-faktor model , impulsivitet og sensationssøgning ), sammen med simple demografiske data, forudsiger risikoen for individuelt stofbrug med sensitivitet og specificitet over 70 % for de fleste stoffer. Sammenhænge mellem brugen af ​​forskellige stoffer analyseres . Grupper af lægemidler ("plejader") med korreleret brug beskrives.

Bogen er en del af et større forskningsprogram, Stories Told by Data.

Pædagogisk arbejde

E. M. Mirkes har undervist og arbejdet med dygtige elever siden sine studieår. I 1990 organiserede han sammen med A.N. Gorban den første All-Union Olympiade i neuroinformatik blandt studerende og skolebørn i Sovjetunionen. Vi rejste med foredrag og specielt forberedt software til mange byer i landet, distribuerede og samlede derefter opgaven med korrespondanceturen, hvorefter vi samlede fuldtidsturen "i midten" - i Omsk .

Fra et interview med E. M. Mirkes til avisen "First of September" om "anden uddannelse" :

- Kan du beskrive algoritmen, hvordan man får børn til at tænke?

"Det er ikke computere, de er mennesker.

I hvert fald i generelle vendinger.

Det skal selvfølgelig være svært. Hvad der er nemt, værdsættes ikke. Som udgangspunkt ikke værdsat. Og opgaver skal fange. De skal være bestemt til at lykkes. Og børn skal mærke denne succes. Under deres studier skal de opnå et resultat, glæde sig over det, forstå, at det er vigtigt. Så, hvis livet stiller spørgsmål foran dem, tager de dem og løser dem.

Og skolebørn på Krasnoyarsk Summer School synger deres sang "I have a red-haired Mirkes" .

Noter

1. ↑ Bykov V. I., Mirkes E. M. , On the convexity of thermodynamic functions for non-isothermal conditions, Journal of Physical Chemistry, 1986, bind 60, nr. 3, 732-734.
2. ↑ Mirkes E.M. , Funktionelle modeller af en universel neurocomputer Arkivkopi af 6. marts 2016 på Wayback Machine : Dis. ... Dr. tech. Videnskaber: 05.13.11 Krasnoyarsk, 2001. Andre online kopier:
3. ↑ Gorban A. N., Mirkes E. M., Bocharov A. N., Bykov V. I. , Termodynamisk overensstemmelse mellem kinetiske data, Physics of Combustion and Explosion, 1989, bind 25, nr. 5, 81-89.
4. ↑ Mirkes E. M., Svitin A. P., Fet A. I. , Masseformler for atomer. - I bogen: Matematisk modellering i biologi og kemi. Nye tilgange, - Novosibirsk: Videnskab. Sib. afdeling, 1991. - s. 199-203.
5. ↑ Gorban A. N., Mirkes E. M., Svitin A. P. , Metoden til multipletbelægninger og dens anvendelse til at forudsige egenskaberne af atomer og molekyler, Journal of Physical Chemistry, 1992, nr. 66, 1504-1510.
6. ↑ Gorban A. N., Mirkes E. M., Svitin A. P. , Semi-empirisk metode til at klassificere atomer og interpolere deres egenskaber. - I bogen: Matematisk modellering i biologi og kemi. Nye tilgange, - Novosibirsk: Videnskab. Sib. afdeling, 1991. - s. 204-220.
7. ↑ Kirdin A. N., Novokhodko A. Yu., Tsaregorodtsev V. G. , Hidden parameters and transponed regression, kapitel 7 i bogen: Neuroinformatics Arkivkopi dateret 17. april 2018 på Wayback Machine / A. N. Gorban, V. L. Dunin-Barkovsky, A. N.kovsky Kirdin, E. M. Mirkes, A. Yu. Novokhodko, D. A. Rossiev, S. A. Terekhov, M. Yu. Senashova, V. G. Tsaregorodtsev. - Novosibirsk: Videnskab. Siberian Enterprise fra Det Russiske Videnskabsakademi, 1998. - 296 s. ISBN 5020314102
8. ↑ Mirkes E.M. , Neuroinformatik. Studievejledning, arkiveret 11. juni 2008 på Wayback Machine 2003. ISBN 5-7636-0477-6
9. ↑ Mirkes E.M. , Neurocomputer. Udkast til standardarkivkopi dateret 15. juni 2009 på Wayback Machine / redigeret af V. L. Dunin-Barkovsky . - Novosibirsk: Nauka, 1999. - 337 med ISBN 5-02-031409-9 Andre kopier online: [1] .
10. ↑ Personlighedstræk og stofforbrug. En historie fortalt af data . - Springer, Cham, 2019. - ISBN 978-3-030-10441-2 . - doi : 10.1007/978-3-030-10442-9 .

Eksterne links

På nuværende tidspunkt er E.M. Mirkes laver en online lærebog om dataanalyse. De første tre applets er blevet offentliggjort.

• kNN og Potential Energy (applet), E.M. Mirkes og University of Leicester. Appletten giver dig mulighed for at sammenligne to klassificeringsmetoder.
• K-midler og K-medoider , E.M. Mirkes og University of Leicester (en applet, der demonstrerer algoritmens funktion og giver dig mulighed for at udforske og sammenligne to metoder til klyngeanalyse).
• PCA, SOM og GSOM E.M. Mirkes og University of Leicester. Hovedkomponentanalyse, selvorganiserende kort og voksende selvorganiserende kort.

I sociale netværk	LinkedIn
Tematiske steder	Google Scholar Matematisk genealogi ORCID ForskerID ResearchGate Scopus zbMATH Åbn All-russisk matematisk portal
I bibliografiske kataloger	eLibrary.ru : 129708 VIAF : 1159518109232771546 WorldCat VIAF : 1159518109232771546