Mirkes, Jevgeni Moiseevich

Evgeniy Moiseevich Mirkes (s . 20. tammikuuta 1964 , Krasnojarsk , Neuvostoliitto ) on venäläinen matemaatikko ja ohjelmoija, matemaattisen mallintamisen , soveltavan matematiikan ja ohjelmoinnin asiantuntija, keinotekoisten hermoverkkojen koulutusmenetelmien ja niiden ohjelmointistandardien kehittäjä. koulutusta. Fysikaalisten ja matemaattisten tieteiden tohtori.

Koulutus

E. M. Mirkes osoitti lapsuudesta lähtien kiinnostusta soveltavaa matematiikkaa ja ohjelmointia kohtaan. Hän on yksi Krasnojarskin kesäkoulun tunnetuimmista oppilaista , välttämätön osallistuja ja voittaja useissa alueellisissa koulukilpailuissa. Hän valmisteli ensimmäisen tieteellisen työnsä julkaistavaksi keskeisessä tieteellisessä lehdessä [1] opiskellessaan Krasnojarskin yliopiston 3. vuotta . Valmistui Krasnojarskin yliopiston matematiikan tiedekunnasta vuonna 1985. Vuonna 1990 hän puolusti väitöskirjaansa "A priori estimaatit suorassa kineettisessä ongelmassa", joka suoritettiin V. I. Bykovin ja A. N. Gorbanin johdolla . Hän puolusti väitöskirjaansa "Universaalin neurotietokoneen toiminnalliset mallit" [2] vuonna 2001 (tieteellinen konsultti A. N. Gorban ). Neurotietokoneiden laitoksen professori. Työskentelee tällä hetkellä Leicesterin yliopistossa Isossa-Britanniassa.

Tärkeimmät tieteelliset tulokset

Matemaattinen kemia , kemiallinen termodynamiikka ja kinetiikka

• Todisti termodynaamisten Ljapunov -funktionaalisten konveksisuuden kemiallisen kinetiikkaan liittyvissä ongelmissa ei-isotermisissa olosuhteissa.
• Luotiin menetelmiä ja ohjelmistoja monimutkaisten kemiallisten reaktioiden kineettisten vakioiden epävarmuuden vähentämiseksi ottaen huomioon termodynaamiset rajoitteet ja yksityiskohtaisen tasapainon periaate . Menetelmät on tarkoitettu kineettisten mallien rakentamiseen ja käytettäväksi kineettisissä tietopankeissa [3]
• Rumer  - Fetan kemiallisten alkuaineiden ryhmäluokituksen perusteella hän sai uusia massakaavoja atomeille . [neljä]
• Hän kehitti uuden järjestelmän kemiallisten alkuaineiden, atomien ja molekyylien ominaisuuksien ennustamiseen - multiplettipinnoitusmenetelmän. [5] [6] Klassinen puuttuvan tiedon palauttamisen ongelma ratkaistaan ​​seuraavalla muotoilulla: löytää kullekin objektille paras kaava, joka ilmaisee sen ominaisuuksia muiden objektien ominaisuuksien kautta (jonka tulee olla mahdollisimman pieni). Tämän kaavan on oltava invariantti muuttuvien mitta-asteikkojen suhteen. Tämä lähestymistapa on kuvattu yksityiskohtaisesti myöhemmässä artikkelissa A. N. Kirdin et al., joka on saatavilla verkossa. [7]
• Väitöskirjassaan hän sai tietyssä mielessä parhaat (parantumattomat) arviot kemiallisen järjestelmän relaksaatioajasta.

Neuroinformatiikka

• Universaalin neurotietokoneen toiminnallinen malli on kehitetty . Toiminnallisten komponenttien valintaperiaatteet määritellään. Neurotietokoneen hajottaminen toiminnallisiksi komponenteiksi suoritettiin ehdotettujen periaatteiden mukaisesti. Kehitetyn mallin universaalisuus esitetään - mahdollisuus toteuttaa kaikki hermoverkkojen päätyypit tämän mallin puitteissa. Ehdotettu malli mahdollistaa neurotietokoneen yksittäisten komponenttien eri toteutusten perustellun vertailun, jotta voidaan seurata komponenttien välistä suhdetta.
• Jokaiselle komponentille on kehitetty täydellinen (täydellinen) luettelo pyynnöistä. Tämä mahdollistaa suuria ohjelmistojärjestelmiä kehitettäessä jokaisen komponentin kehittämisen muista riippumatta. Kunkin komponentin toimintojen selkeä määrittely antaa sinun kehittää kullekin komponentille tehokkaimmat toteutukset muista komponenteista riippumatta.
• On kehitetty uudentyyppisten arviointien rakentamisen periaatetta, nimeltään tehokas arviointitoiminto. Ehdotetun tyyppisten estimaattien tehokkuus piilee siinä, että niiden käyttö mahdollistaa hermoverkon harjoittelun nopeuttamisen, hermoverkon luottamustason arvioimisen vastaanotettuun vastaukseen, verkon kouluttamiseen alhaisella luotettavuudella ratkaisemaan ne ongelmat, jotka Tämän arkkitehtuurin verkkoa ei voida ratkaista suurella luotettavuudella, kun otetaan huomioon oppimisen ero vastausten luotettavuudessa eri esimerkeissä.
• On kehitetty menetelmä eksplisiittisen tiedon saamiseksi tiedoista käyttämällä loogisesti läpinäkyviä hermoverkkoja, jotka on saatu mielivaltaisista koulutetuista verkoista erityisellä kontrastimenetelmällä (skeletonization). Useimmissa tapauksissa on mahdollista saada sanallinen johtopäätös.
• On kehitetty menetelmä vähimmäisvaatimusten syöttötietosarjojen muodostamiseksi ja niiden pohjalta luotettavimman (syöttötiedon vääristymisen vastustuskyvyn) syöttötietosarjojen rakentamiseksi.
• On kehitetty menetelmä hermoverkkojen rakentamiseen yksinkertaisimmista elementeistä ja yksinkertaisemmista verkoista. Ehdotetaan menetelmää suunnitteluprosessin kuvaamiseksi ja kieltä sen tuloksen kirjaamiseksi.
• Arvioita saadaan assosiatiivisen muistiverkon kyvystä toistaa kuvioita tarkasti. Tietokapasiteetin lisäämiseksi on kehitetty menetelmiä. On rakennettu kolme assosiatiivisen muistin verkkoa, joilla on suuri tietokapasiteetti ja jotka ovat vähemmän riippuvaisia ​​standardien korrelaatioasteesta kuin Hopfield-verkkojen klassiset versiot .
• Kehitetty toimintamalli otettiin osittain käyttöön useissa koulutus- ja tutkimusohjelmistotuotteissa. E.M. Mirkesin ja hänen johtamansa luomia ohjelmia käytetään laajasti Venäjän koulutusprosessissa (yleisellä nimellä "Neurotextbook" [8] ).

The Neurocomputer: Draft Standard book

Suurin osa E. M. Mirkesin neuroinformatiikkaa koskevista tuloksista on koottu hänen monografiaan. [9] Kirjailijan esipuheesta kirjaan:

Monien tutkimusryhmien pitkäjänteinen työ on johtanut siihen, että tähän mennessä on kertynyt suuri määrä erilaisia ​​neuroverkkojen "oppimissääntöjä" ja -arkkitehtuureja, tapoja arvioida ja tulkita niiden työtä, menetelmiä neuroverkkojen käyttämiseksi sovellettujen ratkaisujen ratkaisemiseen. ongelmia.

Tähän asti nämä säännöt, arkkitehtuurit, arviointi- ja tulkintajärjestelmät, käyttötavat ja muut henkiset löydöt ovat olemassa verkostojen "eläintarhan" muodossa. Jokaisella eläintarhaverkostolla on oma arkkitehtuurinsa, oppimissääntönsä ja se ratkaisee tietyn joukon ongelmia.

Ehdotamme "eläintarhan" systematisoimista. Tätä varten seuraava lähestymistapa on hyödyllinen: jokainen eläintarhan hermoverkko tulee esittää sellaisena kuin se on toteutettu ihanteellisessa neurotietokoneessa, jolla on tietty rakenne. Tämä lähestymistapa palvelee kahta tarkoitusta. Ensin tulee tehdä hermoverkko-ohjelmista yhteensopivia tavalla, jolla ne kuvaavat hermoverkkoja ja niihin liittyviä komponentteja, mikä yksinkertaistaa huomattavasti hermoverkkosovellusten käyttäjien elämää. Toiseksi, yhtenäinen lähestymistapa kuvaukseen antaa sinun verrata oikein hermoverkkojen ja oppimisalgoritmien erilaisia ​​arkkitehtuureja. … Ajatus tämän kirjan kirjoittamisesta syntyi Krasnojarskin NeuroComp-ryhmän kahdentoista vuoden työn pohjalta.

Kirja "Henkilökohtaiset ominaisuudet ja huumeiden käyttö. Datan kertoma tarina"

Tämä Mirkesin ym. kirja [10] tutkii huumeiden käyttöön liittyviä psykologisia ominaisuuksia analysoimalla uutta tietokantaa, joka sisältää 1885 vastaajaa ja 18 huumeiden käyttöä. Yksityiskohtainen katsaus julkaistuihin teoksiin huumeidenkäyttäjien psykologisista profiileista. Tietojen louhinnassa ja koneoppimisessa käytetyt menetelmät kuvataan yksityiskohtaisesti.

On osoitettu, että persoonallisuuden piirteet ( viiden tekijän malli , impulsiivisuus ja tunteiden etsiminen ) yhdessä yksinkertaisten demografisten tietojen kanssa ennustavat yksittäisen huumeiden käytön riskin, jonka herkkyys ja spesifisyys on yli 70 % useimmille huumeille. Eri aineiden käytön korrelaatioita analysoidaan . Kuvataan huumeryhmiä ("pleiadeja"), joilla on korreloiva käyttö.

Kirja on osa laajempaa tutkimusohjelmaa, Stories Told by Data.

Pedagoginen työ

E. M. Mirkes on opettanut ja työskennellyt osaavien opiskelijoiden kanssa opiskeluvuosistaan ​​asti. Vuonna 1990 hän järjesti yhdessä A.N. Gorbanin kanssa ensimmäisen neuroinformatiikan all-Union-olympian Neuvostoliiton opiskelijoiden ja koululaisten keskuudessa. Matkustimme luennoilla ja erityisesti valmistetuilla ohjelmistoilla moniin maan kaupunkeihin, jakoimme ja keräsimme sitten kirjekiertueen tehtävän, jonka jälkeen kokosimme kokopäiväisen kiertueen "keskellä" - Omskissa .

E. M. Mirkesin haastattelusta sanomalehti "First of September" "toisesta koulutuksesta " :

- Voitko kuvailla algoritmia, kuinka saada lapset ajattelemaan?

"Nämä eivät ole tietokoneita, he ovat ihmisiä.

Ainakin yleisellä tasolla.

Tietysti sen täytyy olla vaikeaa. Helppoa ei arvosteta. Periaatteessa ei arvosteta. Ja tehtävien tulee tarttua. Heidän on oltava tarkoitettu menestymään. Ja lasten pitäisi tuntea tämä menestys. Opintojensa aikana heidän täytyy saavuttaa tulos, iloita siitä, ymmärtää, että se on merkittävää. Sitten, jos elämä asettaa kysymyksiä heidän eteensä, he ottavat ne ja ratkaisevat ne.

Ja Krasnojarskin kesäkoulun koululaiset laulavat kappaleensa "Minulla on punatukkainen Mirkes" .

Muistiinpanot

1. ↑ Bykov V. I., Mirkes E. M. , Termodynaamisten funktioiden kuperuudesta ei-isotermisissä olosuhteissa, Journal of Physical Chemistry, 1986, osa 60, nro 3, 732-734.
2. ↑ Mirkes E.M. , Universaalin neurotietokoneen toiminnalliset mallit Arkistokopio 6. maaliskuuta 2016 Wayback Machinessa : Dis. ... Dr. tech. Tieteet: 05.13.11 Krasnojarsk, 2001. Muut verkkokopiot:
3. ↑ Gorban A. N., Mirkes E. M., Bocharov A. N., Bykov V. I. , Thermodynamic Agreement of kinetic data, Physics of Combustion and Explosion, 1989, osa 25, nro 5, 81-89.
4. ↑ Mirkes E. M., Svitin A. P., Fet A. I. , Atomien massakaavat. - Kirjassa: Matemaattinen mallinnus biologiassa ja kemiassa. Uusia lähestymistapoja, - Novosibirsk: Tiede. Sib. osasto, 1991. - s. 199-203.
5. ↑ Gorban A. N., Mirkes E. M., Svitin A. P. , Multiplettipinnoitteiden menetelmä ja sen käyttö atomien ja molekyylien ominaisuuksien ennustamiseen, Journal of Physical Chemistry, 1992, nro 66, 1504-1510.
6. ↑ Gorban A. N., Mirkes E. M., Svitin A. P. , Semi-empiirinen menetelmä atomien luokittelemiseksi ja niiden ominaisuuksien interpoloimiseksi. - Kirjassa: Matemaattinen mallinnus biologiassa ja kemiassa. Uusia lähestymistapoja, - Novosibirsk: Tiede. Sib. osasto, 1991. - s. 204-220.
7. ↑ Kirdin A. N., Novokhodko A. Yu., Tsaregorodtsev V. G. , Piilotetut parametrit ja transponoitu regressio, luku 7 kirjassa: Neuroinformatics Arkistokopio , päivätty 17. huhtikuuta 2018 Wayback Machinessa / A. N. Gorban, V. L. A Dunin-Barkovsky Kirdin, E. M. Mirkes, A. Yu. Novokhodko, D. A. Rossiev, S. A. Terekhov, M. Yu. Senashova, V. G. Tsaregorodtsev. - Novosibirsk: Tiede. Venäjän tiedeakatemian Siperian yritys, 1998. - 296 s. ISBN 5020314102
8. ↑ Mirkes E.M. , Neuroinformatics. Opinto-opas, arkistoitu 11. kesäkuuta 2008, the Wayback Machine 2003. ISBN 5-7636-0477-6
9. ↑ Mirkes E.M. , Neurocomputer. Luonnos standardista Arkistokopio päivätty 15. kesäkuuta 2009 Wayback Machinessa / toimittanut V. L. Dunin-Barkovsky. - Novosibirsk: Nauka, 1999. - 337, ISBN 5-02-031409-9 Muut kopiot verkossa: [1] .
10. ↑ Persoonallisuuden piirteet ja huumeiden kulutus. Datan kertoma tarina . - Springer, Cham, 2019. - ISBN 978-3-030-10441-2 . - doi : 10.1007/978-3-030-10442-9 .

Ulkoiset linkit

Tällä hetkellä yhdessä Leicesterin yliopiston (Iso-Britannia) matematiikan laitoksen kanssa E.M. Mirkes luo online-oppikirjan data-analyysistä. Kolme ensimmäistä sovelmaa on julkaistu.

• kNN ja potentiaalinen energia (sovelma), E.M. Mirkes ja Leicesterin yliopisto. Sovelman avulla voit verrata kahta luokitusmenetelmää.
• K-means ja K-medoids , E.M. Mirkes ja Leicesterin yliopisto (sovelma, joka esittelee algoritmin toiminnan ja antaa sinun tutkia ja verrata kahta klusterianalyysimenetelmää).
• PCA, SOM ja GSOM E.M. Mirkes ja Leicesterin yliopisto. Pääkomponenttianalyysi, itseorganisoituvat kartat ja kasvavat itseorganisoituvat kartat.

Sosiaalisissa verkostoissa	LinkedIn
Temaattiset sivustot	Google tutkija Matemaattinen sukututkimus ORCID Tutkijan ID ResearchGate Scopus zbMATH Avoinna Koko venäläinen matemaattinen portaali
Bibliografisissa luetteloissa	eLibrary.ru : 129708 VIAF : 1159518109232771546 WorldCat VIAF : 1159518109232771546