Организация комплексной информационной системы планирования микрогравитационных экспериментов (публикация автора на scipeople)
СССР стал пионером в области микрогравитационных исследований. Советскими и российскими учеными, начиная с 70-х г.г. XX в., проведено свыше 2 000 экспериментов по физике невесомости и космическим технологиям на борту КА. Эксперименты проводились на пилотируемых и автоматических КА (аппараты серии «Салют», затем «Фотон», орбитальная станция «МИР», МКС), космических ракетах и других аппаратах. Получены обширные данные по физике жидкости, особенностям протекания фазовых переходов в условиях микрогравитации, по результатам выращивания в космосе различных полупроводниковых кристаллов, стекол, новых сплавов, композитов. Проведено множество исследований в области биотехнологий. Разработано разнообразное специальное научное и обеспечивающее оборудование. Выявлено существенное влияние микроускорений на процессы при получении материалов в условиях космического полета. Разработаны оригинальные системы для их демпфирования. Оценка состояния исследований в современной России, показывает, что наработан значительный задел практических исследований на автоматических спутниках и долговременных орбитальных станциях, сохранился отряд специалистов на предприятиях Роскосмоса, опытных ученых в РАН и научной молодежи. Однако, существует некоторый разрыв между приоритетами фундаментальных исследований, проводимых в академических институтах и ВУЗах, и запросами промышленности, что связано с недостаточным использованием прошлого опыта при продвижении актуальных проектов в области микрогравитационных исследований. При постановке на борт дорогостоящего оборудования не достаточен уровень сведений для технико–экономического обоснования, не сопоставлены наиболее перспективные направления отечественных исследований с уровнем работ в мировом научном сообществе, деятельность научных групп недостаточно обеспечена информацией о самой микрогравитационной среде на борту КА. Это происходит из-за отсутствия современного информационного обеспечения подготовки и принятия решения о поддержке проектов микрогравитационных исследований. Необходимость развития и внедрения информационных технологий и перехода к информационному сообществу тесно связана с изменением характера воздействия научно-технического прогресса на все стороны научной деятельности. Этот процесс имеет объективный характер и является составной частью научно-технического прогресса. На сегодняшний день наиболее перспективными и востребованными направлениями исследований являются эксперименты в области микро- и нанотехнологий, информационных технологий, биотехнологий и робототехники. Получаемые результаты могут стать основой для развития инновационного производства, тесного сотрудничества науки и промышленности. Повышенное внимание к информационным ресурсам с результатами предыдущих исследований в значительной степени обусловлено еще и тем, что в настоящее время продолжается формирование программ научных работ и обсуждение экспериментов на перспективных автоматических КА серий «Фотон-М» и «Бион-М», на Международной космической станции (МКС), на борту перспективного автоматического КА «ОКА-Т», обслуживаемого в ходе периодических стыковок с МКС. Для дальнейшего развития микрогравитационных исследований, рационального распределения ресурсов и преодоления разрыва между потребностями науки и техники необходимо внедрение программного комплекса СППР (системы поддержки принятия решений). Целями разработки и внедрения системы являются: помощь ЛПР (лицу, принимающему решения) в организации отбора поступающих заявок и составлении программы размещения на борту КА, рациональное распределение ресурсов КА, формирование стоимости космических исследований, создание справочно-информационной базы по космическим экспериментам (аналогично системам у ESA и NASA), формирование информационного Интернет-сообщества экспертов, заинтересованных организаций и специалистов в области микрогравитационных исследований. Проведена обширная работа по разработке концепции информационной системы, формированию методологии планирования экспериментов, выбору и адаптации математических методов принятия решений и оптимального распределения ресурсов, подбору технологий и инструментов создания программного обеспечения. Задачи, которые должна решать разрабатываемая информационная среда и интегрированная с ней СППР (этапы планирования исследований): 1. Уточнение цели и постановка задачи принятия решения. На начальном этапе формулируется цель и осуществляется постановка задачи принятия решения. Исходными данными служат решения о формировании программы, где указаны основные приоритетные направления исследований и ресурсы, предоставляемые на борту КА. 2. Формирование набора альтернатив и критериев оценки альтернатив. Аналитическая группа под руководством ЛПР собирает и классифицирует по приоритетным направлениям предложения на проведение исследований на борту космических комплексов, формирует путем анкетирования предполагаемых экспертов множество критериев, согласует их с предпочтениями ЛПР и проводит обработку полученных данных. Результатом обработки данных будет ранжированный список критериев (возможно, с весовыми коэффициентам). 3. Формирование экспертной комиссии По результатам предварительного анкетирования предполагаемых экспертов формируется экспертная комиссия, в состав которой должны входить признанные специалисты, обладающие теоретическими и практическими знаниями в рассматриваемой области, имеющие представления об отечественных и зарубежных исследованиях. При этом мерой оценки компетентности экспертов могут служить результаты предварительного анкетирования по множеству предлагаемых ими критериев. 4. Подготовка данных для экспертизы. На данном этапе проводится техническая работа аналитической группой по подготовке и рассылке анкет для экспертов. В анкеты включаются отобранные критерии, обеспечивающие наиболее высокую достоверность экспертной оценки. 5. Экспертная оценка альтернатив. Осуществляется сбор анкет от экспертов, обработка анкет и формирование банка данных экспертных оценок. В банке данных должны содержаться сведения об экспертах, их оценках рассматриваемых проектов исследований. 6. Обработка и анализ данных. На этом этапе выполняется наибольший объем работ по формированию экспертной оценки программ исследований. Именно здесь применяются методы теории поддержки принятия решений, позволяющие подготовить данные для принятия ЛПР рационального решения с учетом результатов анализа мнений экспертов и своих предпочтений. Применяемые методы должны обеспечить выполнение следующего условия: экспертная оценка должна быть согласованной с мнением большинства экспертов. Если оценка не может быть согласована, то анализируются причины и формируется новая экспертная группа. При формировании согласованной оценки необходима защита от манипулирования. 7. Выработка рекомендаций по принятию решений. На заключительном этапе аналитическая группа с помощью компьютерной СППР вырабатывает множество альтернативных, наиболее предпочтительных вариантов исследовательских программ для ЛПР. Здесь же аналитической группой проводится ситуационное моделирование использования ресурсов КА со стоимостной оценкой предоставляемых ресурсов по конкретным проектам. Производится ранжирование программ исследований с учетом показателей их эффективности. Кроме перечисленных задач разрабатываемая интегрированная среда формирует сообщество экспертов и заинтересованных организаций, обеспечивая непрерывное взаимодействие членов сообщества посредством сети Интернет. Кроме того, вся информация о проведенных исследованиях, о поступивших заявках, о принятых программах размещения и о характеристиках космических аппаратов и микрогравитационной среды поступает в хранилище СППР. В дальнейшем ЛПР, эксперт или любое другое заинтересованное лицо может получить необходимую информацию из данного хранилища. В ходе организации комплексной информационной системы планирования микрогравитационных исследований создан рабочий макет системы. Программный комплекс информационной системы «Микрогравитация» состоит из разных по своей структуре и функциональности взаимосвязанных блоков. На каждом этапе принятия решения с комплексом работают разные специалисты и организации, поэтому для каждой группы пользователей предусмотрены свои права и полномочия, необходима авторизация и аутентификация. Схематично концепция принятия решений с использованием СППР может быть представлены структурой, изображенной на рис. 1. Для системы внешними ресурсами являются данные, получаемые с Web-сайта www.microgravity.ru, а также хранилище проведенных исследований. Внутренние ресурсы представляются как предпочтения ЛПР и/или аналитической группы, данные по ресурсам и математические методы принятия решений. Куб данных содержит сведения по заявкам, организациям, экспертам, критериям, оценкам заявок экспертами и т.д.; он формирует все необходимые данные для работы ИАС. Используя совокупность внешних и локальных ресурсов, можно построить рейтинг заявок и подготовить программу размещения на КА. Рисунок 1. Ресурсы информационной системы. Использование системы дает ряд преимуществ, а именно: Повышение точности и адекватности планирования; Повышение гибкости бизнес-процессов; Изменение содержания труда; Интеграция операций и функций; Увеличение степени прозрачности принятия решений; Повышение оперативности подготовки данных; Увеличение количества заявок на 5–10% и более; Сокращение времени полного цикла планирования на 25-30%; Снижение операционных затрат на 5–10% и более; Снижение рисков. Привлечение специалистов различных областей знаний. При оценке эффективности внедрения системы нет необходимости использовать сложные математические расчеты. При стоимости создания и внедрения системы порядка нескольких миллионов рублей размещение только одного эксперимента на борту оценивается десятками миллионов рублей. Всего на борт поступает в среднем 10-12 экспериментальных установок. Очевидно, что цена ошибки отбора экспериментов или некорректного расчета ресурсов очень высока. При расчете эффективности использования системы за первые 3 года использования при единичном полете космического аппарата ROI составил 238%, а срок окупаемости – 8 месяцев. Данный показатель не является совершенным, но дает представление о рентабельности инвестиций в информационные системы. Существует, однако, немало препятствий внедрению и использованию информационной системы (Рисунок 2). Рисунок 2. Препятствия использованию информационной системы. Анализ преимуществ и возможных рисков позволяет выделить следующие основные положения по организации комплексной информационной системы планирования микрогравитационных экспериментов: 1) роль качества и своевременности разработки, принятия и реализации решений в условиях ускорения темпов научно-технического прогресса возросла настолько резко, что во многом именно это становится сегодня решающим фактором развития космических исследований и космических технологий в целом. Инновации же зачастую не требуют значительных расходов, а их эффективность многократно превышает результат от привычных операций; 3) итоги использования решений намного возрастают при применении специальной компьютерной системы поддержки, разработки, принятия и реализации подобных решений, а также контроля за достигаемыми результатами; 4) тщательная подготовка и обоснование решений могут быть обеспечены за счет участия в этом процессе не только его разработчиков и исполнителей, но и независимых экспертов, а также тех, для кого конкретное решение принимается; 5) особую роль в процессе формирования решений играет учет в полной мере стратегии развития науки и техники, перспективного плана и прогнозных программ; 6) среди основных причин, мешающих внедрению информационной системы: недостаточное техническое оснащение предприятий науки и техники, отсутствие или ограниченность количества кадров, способных эффективно использовать современную вычислительную технику, а также отсутствие у работников инновационного мышления.
Искусственный интеллект погрузится во вселенную молекул в поиске удивительных лекарств (публикация автора на scipeople)
Искусственный интеллект погрузится во вселенную молекул в поиске удивительных лекарств
Темной ночью, вдали от городского света, звезды Млечного Пути кажутся несметными. Но из любой точки невооруженному глазу видно не больше 4500 звезд. В нашей же галактике их 100-400 миллиардов, галактик во Вселенной и того больше. Выходит, в ночном небе не так много звезд. Однако даже это число открывает перед нами глубокую подноготную… лекарств и препаратов. Дело в том, что число возможных органических соединений с лекарственными способностями превышает число звезд во Вселенной более чем на 30 порядков. И химические конфигурации, которые создают ученые из существующих медикаментов, сродни звездам, которые мы могли бы увидеть в центре города ночью.
Поиск всех возможных лекарств — непосильная задача для человека, как и исследование всего физического пространства, и даже если бы мы могли, большая часть обнаруженного не соответствовала бы нашим целям. Тем не менее мысль о том, что чудесные лекарства могут скрываться среди изобилия, слишком заманчива, чтоб ее игнорировать.
Именно поэтому нам стоит использовать искусственный интеллект, который сможет работать больше и ускорить открытие. Так считает Алекс Жаворонков, выступивший на Exponential Medicine в Сан-Диего на прошлой неделе. Это применение может стать крупнейшим для ИИ в медицине.
Собаки, диагноз и лекарства Жаворонков — CEO Insilico Medicine и CSO Biogerontology Research Foundation. Insilico — один из множества стартапов, разрабатывающих ИИ, способный ускорить открытие новых лекарств и препаратов.
За последние годы, рассказал Жаворонков, известная техника машинного обучения — глубокое обучение — осуществила прогресс на нескольких фронтах. Алгоритмы, способные обучаться игре в видеоигры — вроде AlphaGo Zero или покериста Carnegie Mellon — представляют самый большой предмет интереса. Но распознавание закономерностей — вот что дало мощный толчок глубокому обучению, когда алгоритмы машинного обучения наконец-то начали отличать кошек от собак и делать это достаточно быстро и точно.
В медицине алгоритмы глубокого обучения, обученные по базам данных медицинских снимков, могут выявлять опасные для жизни заболевания с равной или большей точностью, чем специалисты-люди. Есть даже предположение, что ИИ, если мы научимся ему доверять, может быть бесценным при диагностике болезни. И как отметил Жаворонков, грядет больше приложений и послужной список будет только расти.
«Tesla уже выводит автомобили на улицу», говорит Жаворонков. «Трех-, четырехлетняя технология уже перевозит пассажиров из пункта А в пункт Б на скорости 200 километров час; одна ошибка — и ты мертв. Но люди доверяют свои жизни этой технологии».
«Почему бы не делать того же в фармацевтике?».
Пробы и ошибки, снова и снова В фармацевтических исследованиях ИИ не придется водить автомобиль. Он станет ассистентом, который в паре с химиком или двумя сможет ускорить открытие препаратов, просматривая больше вариантов в поисках лучших кандидатов.
Пространство для оптимизации и повышения эффективности просто огромное, считает Жаворонков.
Поиск препаратов — кропотливое и дорогостоящее занятие. Химики просеивают десятки тысяч возможных соединений в поисках самых многообещающих. Из них лишь некоторые уходят на дальнейшее изучение, и еще меньше будут проходить испытания на людях, а из этих вообще крохи будут одобрены к дальнейшему использованию.
Весь этот процесс может занять много лет и стоить сотни миллионов долларов.
Это проблема касается больших данных (big data), а глубокое обучение преуспевает в работе с большими данными. Первые приложения показали, что системы ИИ на основе глубокого обучения способны находить едва заметные закономерности в гигантских выборках данных. Хотя производители лекарств уже используют программное обеспечение для просеивания соединений, такое программное обеспечение требует четких правил, написанных химиками. Плюсы ИИ в данном деле — его способность учиться и совершенствоваться самостоятельно.
«Существует две стратегии инноваций на базе ИИ в фармацевтике, которые обеспечат вас лучшими молекулами и быстрым одобрением», говорит Жаворонков. «Один ищет иглу в стоге сена, а другой создает новую иглу».
Чтобы найти иголку в стоге сена, алгоритмы обучаются на больших база данных молекул. Затем они ищут молекулы с подходящими свойствами. Но создать новую иглу? Эту возможность предоставляют генеративные состязательные сети, на которых специализируется Жаворонков.
Такие алгоритмы ставят две нейронные сети друг против друга. Одна генерирует осмысленный результат, а другая решает, является ли этот результат истинным или ложным, говорит Жаворонков. В совокупности эти сети генерируют новые объекты, такие как текст, изображения или, в данном случае, молекулярные структуры.
«Мы начали использовать эту конкретную технологию, чтобы глубокие нейронные сети вообразили новые молекулы, чтобы сделать ее идеальной с самого начала. Нам нужны идеальные иглы», говорит Жаворонков. «Вы можете обратиться к этой генеративной состязательной сети и попросить ее создать молекулы, которые ингибируют белок Х в концентрации Y, с наивысшей жизнеспособностью, заданными характеристиками и минимальными побочными эффектами».
Жаворонков полагает, что ИИ может найти или изготовить больше иголок из множества молекулярных возможностей, освободить химиков-людей, чтобы те могли сосредоточиться на синтезе только самых перспективных. Если это сработает, как надеется он, мы сможем увеличить количество попаданий, минимизировать промахи и в целом ускорить процесс. https://ru.onlytrends.info/