Улучшение сенсоров для поиска патологий, упрочнение стали и обучение нейросетей

Результаты исследования будут использованы для химического синтеза наночастиц родия и платины. Это позволит более точно исследовать биообъекты (тромбоциты, аминокислотный состав в клетках, белках и так далее) с помощью оптических методов диагностики, пояснили в пресс-службе БФУ. Преимущество родия и платины, несмотря на их высокую стоимость, в том, что они имеют низкую степень токсичности и плохо окисляются. Первое свойство делает их пригодными для приложений биосенсорики. Низкая степень окисления позволяет получать сенсорные свойства в ультрафиолетовой области. Разработка подобных устройств и методик диагностики имеет экспортный потенциал, а полученные результаты позволяют определять наиболее оптимальные алгоритмы расчета оптических свойств наноструктур родия и платины. Проведенные вместе с научно-образовательным "Северо-Западным центром математических исследований имени Софьи Ковалевской" исследования опубликованы в журнале Nanomaterials. Способ повышения прочности хромомолибденовой стали, обеспечивающий высокую прочность сплавов при низких температурах, разработали и запатентовали ученые Белгородского государственного национального исследовательского университета (НИУ "БелГУ"). новый способ деформационно-термической обработки стали повышает ее прочность и пластичность на 10-15%. Изобретение может быть востребовано в области добычи, хранения и транспортировки газа и нефти на арктическом шельфе, для сооружений и конструкций, эксплуатируемых в условиях низких температур. Хромомолибденовые стали используются в химической промышленности, энергетике и нефтегазовой добыче. Но повышение прочностных характеристик приводило к существенному удорожанию сплавов и ограничивало возможности их применения. Полученные образцы обладают перспективными характеристиками, не становятся хрупкими и выдерживают давление более 1200 мегапаскалей при минус 90 градусах по Цельсию. Хроммолибденовые стали проходили два этапа обработки. Предварительная обработка включала в себя нагрев и выдержку заготовки в течение часа в аустенитной области, однократную прокатку при этой же температуре с обжатием 20% с последующей закалкой в воде. Окончательная обработка заключалась в отпуске в течение часа при температуре 550-650 градусов Цельсия и прокатке до истинной степени деформации не менее 1,4 при температуре отпуска. "При этом суммарное содержание легирующих компонентов не превышает 4%, что обеспечивает приемлемую стоимость материала", — добавляет директор НИИ материаловедения и инновационных технологий, доктор физико-математических наук БелГУ Рустам Кайбышев. На четыре порядка уменьшить число параметров для обучения одной из форм искусственного интеллекта — генеративных нейросетей — удалось российским специалистам. Ранее, к примеру, при обучении нейросети рисованию портретов в стиле студии Pixar требовалось использовать порядка 30 миллионов переменных. "Нашей целью было уменьшить их число, так как мы понимали, что не имеет смысла обучать заново весь генератор, чтобы изменить только стиль изображения", — пояснил достигнутый результат заведующий Центром глубинного обучения и байесовских методов НИУ ВШЭ ("Высшая школа экономики") Дмитрий Ветров. В последнее время были созданы системы искустсвенного интеллекта, которые могут рисовать картины и "раскрашивать" видеоролики в стиле Винсента Ван Гога или Василия Кандинского. Такой результат удалось достичь при помощи GAN-сетей, способных не только распознавать какие-либо объекты или решать задачи, но и вырабатывать что-то новое. Такие генеративные нейросети состоят как правило из двух соперничающих между собой нейросетевых блоков: "генератор" предлагает новые варианты, а "инспектор" пытается понять, сделала ли первая половина сети ошибку, укладываются ли результаты ее работы в определенные критерии. За упрощение процедуры повторного обучения подобных систем машинного обучения для решения схожих, но несколько иных, задач взялись российские исследователи. И преуспели в этом с нейросетью StyleGAN2, которая преобразует случайный шум в реалистичную картинку. Они использовали для контроля работы нейросети всего шесть многомерных векторов, каждый из которых содержал около тысячи переменных. Это позволило на несколько порядков уменьшить время обучения, а также необходимый для этого объем памяти. Используемый подход можно применять не только для быстрого обучения GAN-сетей, но и для создания так называемых "гиперсетей", способных адаптироваться к решению большого числа схожих задач.

Reagiere auf diesen Beitrag

👍 0 ❤️ 0 😂 0 😮 0 😢 0 😡 0

Подписаться на NX Россия

🔗 Поделиться

Facebook X (Twitter) WhatsApp Telegram LinkedIn WeChat VK LINE KakaoTalk Reddit Pinterest E-Mail