2025. — Т 12. — №1 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://resources.today/25ecor125.html

This article metadata is also available in English

DOI: 10.15862/25ECOR125 (https://doi.org/10.15862/25ECOR125)

Полный текст статьи в формате PDF (объем файла: 434.9 Кбайт)

Ссылка для цитирования этой статьи:

Богоносов, К. А. ИИ-системы поддержки принятия решений при выборе архитектуры физических экспериментов / К. А. Богоносов // Отходы и ресурсы. — 2025. — Т 12. — №1. — URL: https://resources.today/PDF/25ECOR125.pdf. — DOI: 10.15862/25ECOR125. (дата обращения: 31.05.2026).

ИИ-системы поддержки принятия решений при выборе архитектуры физических экспериментов

Богоносов Константин Александрович
ФГБОУ ВО «Московский государственный университет технологий и управления
имени К.Г. Разумовского (Первый казачий университет)», Москва, Россия
Доцент кафедры «Физика»
Кандидат технических наук, доцент
E-mail: k.bogonosov@mgutm.ru

Аннотация. Исследование посвящено комплексному анализу развития и применения систем искусственного интеллекта в области поддержки принятия решений при проектировании архитектуры физических экспериментов. В работе представлена систематизация современных подходов к интеграции методов машинного обучения, нейронных сетей и экспертных систем в процессы планирования и оптимизации экспериментальных исследований в различных областях физических наук. Проведенный анализ демонстрирует трансформацию традиционных экспериментальных парадигм под воздействием технологий искусственного интеллекта, что находит выражение в переходе от интуитивных методов планирования экспериментов к автономным интеллектуальным системам, способным самостоятельно определять оптимальные параметры исследований и адаптироваться к получаемым результатам в режиме реального времени. Особое внимание уделено анализу архитектурных решений современных ИИ-систем поддержки принятия решений, включающих интеграцию высокопроизводительных вычислительных платформ, робототехнических комплексов автоматизированного проведения экспериментов и алгоритмов активного обучения для оптимизации исследовательских процессов. В работе детально рассмотрены ключевые технологические компоненты таких систем: алгоритмы байесовской оптимизации для целенаправленного исследования пространства параметров, методы последовательного планирования экспериментов с учетом неопределенности, подходы к интеграции предметных знаний в модели машинного обучения и технологии автономного управления экспериментальным оборудованием. Исследование выявляет специфику различных типов физических экспериментов с точки зрения требований к архитектуре, поддерживающих ИИ-систем, включая материаловедческие исследования, оптимизацию энергетических систем, разработку новых соединений и характеризацию физико-химических свойств веществ. Результаты анализа подчеркивают существенный потенциал ИИ-систем в ускорении научных открытий через автоматизацию рутинных процессов экспериментального планирования, повышение точности прогнозирования результатов и оптимизацию использования исследовательских ресурсов, при одновременном сохранении критической роли экспертного знания в постановке исследовательских задач и интерпретации полученных результатов.

Ключевые слова: искусственный интеллект; системы поддержки принятия решений; архитектура физических экспериментов; машинное обучение; байесовская оптимизация; автоматизированные лаборатории; экспериментальное планирование

Скачать