Mirkes, Evgeny Moiseevich

Evgeniy Moiseevich Mirkes (född 20 januari 1964 , Krasnoyarsk , USSR ) är en rysk matematiker och programmerare, specialist inom området matematisk modellering , tillämpad matematik och programmering , en utvecklare av metoder för att träna artificiella neurala nätverk och standarder för deras programmering och programmering. Träning. Doktor i fysikaliska och matematiska vetenskaper.

Utbildning

E. M. Mirkes visade intresse för tillämpad matematik och programmering från barndomen. Han är en av de mest kända eleverna i Krasnoyarsk sommarskola , en oumbärlig deltagare och vinnare av olika regionala skoltävlingar. Han förberedde sitt första vetenskapliga arbete för publicering i en central vetenskaplig tidskrift [1] medan han studerade vid 3:e året av Krasnoyarsk University . Tog examen från matematiska fakulteten vid Krasnoyarsk universitet 1985. 1990 försvarade han sin doktorsavhandling "A priori skattningar i det direkta kinetiska problemet", utförd under ledning av V. I. Bykov och A. N. Gorban . Han disputerade för sin doktorsavhandling "Functional models of a universal neurocomputer" [2] 2001 (vetenskaplig konsult A. N. Gorban ). Professor vid institutionen för neurodator. Arbetar för närvarande vid University of Leicester, Storbritannien.

Huvudsakliga vetenskapliga resultat

Matematisk kemi , kemisk termodynamik och kinetik

• Bevisade konvexiteten hos termodynamiska Lyapunov -funktioner för problem med kemisk kinetik under icke-isotermiska förhållanden.
• Skapat metoder och mjukvara för att minska osäkerheten i de kinetiska konstanterna för komplexa kemiska reaktioner, med hänsyn till termodynamiska begränsningar och principen om detaljerad jämvikt . Metoderna är avsedda för att bygga kinetiska modeller och för användning i kinetiska databanker [3]
• På grundval av Rumer-  Feta - gruppens klassificering av kemiska grundämnen fick han nya massaformler för atomer . [fyra]
• Han utvecklade ett nytt system för att förutsäga egenskaperna hos kemiska grundämnen, atomer och molekyler - metoden för multipla beläggningar. [5] [6] Det klassiska problemet med att återställa saknade data löses i följande formulering: att för varje objekt hitta den bästa formeln som uttrycker dess egenskaper genom funktionerna hos andra objekt (som ska vara så liten som möjligt). Denna formel måste vara invariant med avseende på ändrade mätskalor. Detta tillvägagångssätt beskrivs i detalj i en efterföljande artikel av A.N. Kirdin et al., tillgänglig online. [7]
• I sin doktorsavhandling fick han, i viss mening, de bästa (oförbättrbara) uppskattningarna av ett kemiskt systems relaxationstid.

Neuroinformatik

• En funktionell modell av en universell neurodator har utvecklats . Principerna för val av funktionella komponenter bestäms. Nedbrytningen av neurodatorn till funktionella komponenter utfördes i enlighet med de föreslagna principerna. Den utvecklade modellens universalitet visas - möjligheten att implementera alla huvudtyper av neurala nätverk inom ramen för denna modell. Den föreslagna modellen möjliggör en motiverad jämförelse av olika implementeringar av enskilda komponenter i neurodatorn, för att spåra förhållandet mellan komponenterna.
• En komplett (uttömmande) lista över förfrågningar har tagits fram för varje komponent. Detta gör det möjligt att vid utveckling av stora mjukvarusystem utveckla varje komponent oberoende av de andra. En tydlig definition av funktionerna för varje komponent gör att du kan utveckla de mest effektiva implementeringarna för varje komponent oberoende av andra komponenter.
• Principen att konstruera en ny typ av bedömningar, kallad den effektiva bedömningsfunktionen, har utvecklats. Effektiviteten av den föreslagna typen av uppskattningar ligger i det faktum att deras användning gör det möjligt att påskynda träningen av det neurala nätverket, bedöma nivån av förtroende för det neurala nätverket i det mottagna svaret, träna nätverket med låg tillförlitlighet för att lösa de problem som nätverk av denna arkitektur kan inte lösa med hög tillförlitlighet, med hänsyn till skillnaden i lärande i tillförlitligheten av svar i olika exempel.
• En metod har utvecklats för att erhålla explicit kunskap från data med hjälp av logiskt transparenta neurala nätverk erhållna från godtyckligt tränade nätverk genom en speciell kontrasterande (skelettisering) procedur. I de flesta fall är det möjligt att få ett verbalt slutledningsschema.
• En metod har utvecklats för att konstruera de minsta erforderliga uppsättningarna av indata och konstruera på deras bas uppsättningar av indata med ökad tillförlitlighet (motstånd mot förvrängningar i indata).
• En metod har utvecklats för att konstruera neurala nätverk från de enklaste elementen och enklare nätverk. En metod för att beskriva designprocessen och ett språk för att registrera dess resultat föreslås.
• Uppskattningar erhålls för förmågan hos det associativa minnesnätverket att exakt återge mönster. Metoder har utvecklats för att öka informationskapaciteten. Tre nätverk av associativt minne har byggts, som har en stor informationskapacitet och är mindre beroende av graden av korrelation av standarder än de klassiska versionerna av Hopfield-nätverk .
• Den utvecklade funktionsmodellen implementerades delvis i ett antal programvaruprodukter för utbildning och forskning. De program som skapats av E.M. Mirkes och under hans ledning används i stor utsträckning i utbildningsprocessen i Ryssland (under det allmänna namnet "Neurotextbook" [8] ).

The Neurocomputer: Draft Standard bok

De flesta av E. M. Mirkes resultat om neuroinformatik sammanfattas i hans monografi. [9] Från författarens förord ​​till boken:

Långsiktiga ansträngningar från många forskargrupper har lett till det faktum att ett stort antal olika "inlärningsregler" och arkitekturer för neurala nätverk har ackumulerats, sätt att utvärdera och tolka deras arbete, metoder för att använda neurala nätverk för att lösa tillämpade problem.

Hittills existerar dessa regler, arkitekturer, system för utvärdering och tolkning, användningsmetoder och andra intellektuella fynd i form av ett "zoo" av nätverk. Varje djurparksnätverk har sin egen arkitektur, inlärningsregel och löser en specifik uppsättning problem.

Vi föreslår att systematisera "zoo". För detta är följande tillvägagångssätt användbart: varje neuralt nätverk från djurparken bör representeras som implementerat på en idealisk neurodator med en given struktur. Detta tillvägagångssätt tjänar två syften. Gör först neurala nätverksprogram kompatibla på det sätt de beskriver neurala nätverk och relaterade komponenter, vilket avsevärt kommer att förenkla livet för användare av neurala nätverkstillämpningar. För det andra låter ett enhetligt tillvägagångssätt till beskrivningen dig korrekt jämföra olika arkitekturer för neurala nätverk och inlärningsalgoritmer. … Idén att skriva den här boken föddes på grundval av tolv års arbete i Krasnoyarsk NeuroComp-gruppen.

Boken ”Personliga egenskaper och droganvändning. En historia berättad av data"

Denna bok av Mirkes et al [10] undersöker de psykologiska egenskaperna förknippade med droganvändning genom att analysera en ny databas med 1885 svarande och 18 droganvändning. En detaljerad genomgång av publicerade arbeten om narkotikamissbrukares psykologiska profiler ges. De metoder som används för datautvinning och maskininlärning beskrivs i detalj.

Det har visat sig att personlighetsdrag ( femfaktorsmodell , impulsivitet och sensationssökande ), tillsammans med enkla demografiska data, förutsäger risken för individuell droganvändning med sensitivitet och specificitet över 70 % för de flesta droger. Korrelationer mellan användningen av olika ämnen analyseras . Grupper av droger ("plejader") med korrelerad användning beskrivs.

Boken ingår i ett större forskningsprogram, Stories Told by Data.

Pedagogiskt arbete

E. M. Mirkes har undervisat och arbetat med duktiga elever sedan studentåren. 1990, tillsammans med A.N. Gorban , organiserade han den första allunionsolympiaden i neuroinformatik bland studenter och skolbarn i Sovjetunionen. Vi reste med föreläsningar och speciellt förberedd programvara till många städer i landet, distribuerade och samlade sedan in uppgiften med korrespondensturnén, varefter vi samlade ihop heltidsturnén "i mitten" - i Omsk .

Från en intervju med E. M. Mirkes till tidningen "Första september" om "annan utbildning" :

– Kan du beskriva algoritmen hur man får barn att tänka?

"Det här är inte datorer, de är människor.

Åtminstone i allmänna termer.

Visst måste det vara svårt. Det som är lätt uppskattas inte. I princip inte värderad. Och uppgifter ska fånga. De måste vara avsedda att lyckas. Och barn ska känna denna framgång. Under sina studier måste de uppnå ett resultat, glädjas åt det, förstå att det är betydelsefullt. Sedan, om livet ställer frågor inför dem, tar de dem och löser dem.

Och skolbarn på Krasnoyarsk Summer School sjunger sin låt "I have a red-haired Mirkes" .

Anteckningar

1. ↑ Bykov V. I., Mirkes E. M. , Om termodynamiska funktioners konvexitet för icke-isotermiska förhållanden, Journal of Physical Chemistry, 1986, volym 60, nr 3, 732-734.
2. ↑ Mirkes E.M. , Funktionella modeller av en universell neurodator Arkivexemplar av 6 mars 2016 på Wayback Machine : Dis. ... Dr. tech. Sciences: 05.13.11 Krasnoyarsk, 2001. Andra online-exemplar:
3. ↑ Gorban A. N., Mirkes E. M., Bocharov A. N., Bykov V. I. , Thermodynamic agreement of kinetic data, Physics of Combustion and Explosion, 1989, vol. 25, nr 5, 81-89.
4. ↑ Mirkes E. M., Svitin A. P., Fet A. I. , Massformler för atomer. - I boken: Matematisk modellering i biologi och kemi. Nya tillvägagångssätt, - Novosibirsk: Vetenskap. Sib. avdelningen, 1991. - sid. 199-203.
5. ↑ Gorban A. N., Mirkes E. M., Svitin A. P. , Metoden för multipla beläggningar och dess användning för att förutsäga egenskaperna hos atomer och molekyler, Journal of Physical Chemistry, 1992, nr 66, 1504-1510.
6. ↑ Gorban A. N., Mirkes E. M., Svitin A. P. , Semi-empirisk metod för att klassificera atomer och interpolera deras egenskaper. - I boken: Matematisk modellering i biologi och kemi. Nya tillvägagångssätt, - Novosibirsk: Vetenskap. Sib. avdelningen, 1991. - sid. 204-220.
7. ↑ Kirdin A. N., Novokhodko A. Yu., Tsaregorodtsev V. G. , Hidden parameters and transponed regression, kapitel 7 i boken: Neuroinformatics Arkivkopia daterad 17 april 2018 på Wayback Machine / A. N. Gorban, V. L. Dunin-Barkovsky Kirdin, E. M. Mirkes, A. Yu. Novokhodko, D. A. Rossiev, S. A. Terekhov, M. Yu. Senashova, V. G. Tsaregorodtsev. - Novosibirsk: Vetenskap. Siberian Enterprise of the Russian Academy of Sciences, 1998. - 296 sid. ISBN 5020314102
8. ↑ Mirkes E.M. , Neuroinformatik. Studiehandbok, arkiverad 11 juni 2008 på Wayback Machine 2003. ISBN 5-7636-0477-6
9. ↑ Mirkes E.M. , Neurocomputer. Utkast till standardarkivkopia daterad 15 juni 2009 på Wayback Machine / redigerad av V. L. Dunin-Barkovsky . - Novosibirsk: Nauka, 1999. - 337 med ISBN 5-02-031409-9 Andra exemplar online: [1] .
10. ↑ Personlighetsdrag och drogkonsumtion. En historia berättad av Data . - Springer, Cham, 2019. - ISBN 978-3-030-10441-2 . - doi : 10.1007/978-3-030-10442-9 .

Externa länkar

För närvarande, tillsammans med institutionen för matematik vid University of Leicester (Storbritannien), E.M. Mirkes skapar en onlinelärobok om dataanalys. De tre första appletarna har publicerats.

• kNN och potentiell energi (applet), E.M. Mirkes och University of Leicester. Appleten låter dig jämföra två klassificeringsmetoder.
• K-medel och K-medoider , E.M. Mirkes och University of Leicester (en applet som visar hur algoritmen fungerar och låter dig utforska och jämföra två metoder för klusteranalys).
• PCA, SOM och GSOM E.M. Mirkes och University of Leicester. Huvudkomponentanalys, självorganiserande kartor och växande självorganiserande kartor.

I sociala nätverk	LinkedIn
Tematiska platser	Google Scholar Matematisk släktforskning ORCID Forskar-ID ResearchGate Scopus zbMATH Öppna Helrysk matematisk portal
I bibliografiska kataloger	eLibrary.ru : 129708 VIAF : 1159518109232771546 WorldCat VIAF : 1159518109232771546