Для эффективного проведения добычи специалистам необходимо решить сложные нелинейные математические уравнения, провести многочисленные итерационные расчеты.
При этом каждое месторождение – сложнейшая система, состоящая из пластов, скважин, объектов поверхностного обустройства и инфраструктурных объектов.
В ней так много параметров, с помощью которых можно управлять эффективностью, что найти глобальный экстремум можно только с помощью искусственного интеллекта.
Тем не менее математики КФУ готовы внедрить методы машинного обучения в решение задач поиска неисправностей в интегральных схемах.
Работа осуществлялась на базе НИЛ «Геоинформационные и геофизические технологии».
По словам директора Института вычислительной математики и информационных технологий КФУ С. Мосина, в современном цифровом месторождении обязательно используются элементы интернета вещей.
Но что такое интернет вещей?
По сути это микросхемы, которые обеспечивают «съем» информации по ряду электрофизических показателей.
Они измеряют некие величины, преобразуют их в удобный для восприятия формат и передают в центр накопления.
Так, исследование строилось иерархическим образом: сначала методически прорабатывались аспекты математического моделирования, определения подходов выбора шаблонов и критических характеристик, которые отражают, в первую очередь, информацию об объекте.
Следом осуществлялось построение нейронной сети, ее обучение и проведение экспериментов.
Как пояснил А. Мосин, в рамках эксперимента проводилось обучение нейронной сети для тестирования проектируемого устройства и поиска в нем неисправностей.
С помощью математического моделирования осуществлялось накопление характеристик, отражающих поведение схемы, с учетом влияния возможных неисправностей на работу соответствующих устройств.
Накопленные данные являются, по сути, источником больших данных (BigData) в силу высокой структурной и функциональной сложности современных интегральных схем.
Допуски определяют случайные отклонения параметров внутренних компонентов от номинала.
Все это приводит к существенному разрастанию неоднозначности в выходных характеристиках.
Чтобы получить комплексную оценку поведения, необходимо выполнить исчерпывающее моделирование, так называемое «стохастическое моделирование» с использованием метода Монте-Карло, когда объект наделяется реальными свойствами и обеспечивается моделирование при разных начальных условиях.
Все, что удастся накопить, является неким портретом работы проектируемого устройства.
Что касается аспектов применения искусственного интеллекта в решении актуальных задач, учеными КФУ были предложены новые способы выбора существенных характеристик, позволяющие минимизировать время облучения нейронной сети, повысить точность предсказания, а также качество диагностики неисправностей.
Примечательно, что при меньших вычислительных затратах появляется возможность оценивать качество готового изделия, находить неисправности в изготавливаемых микросхемах и, как следствие, выпустить на рынок только те микросхемы, которые прошли тестирование.
В случае неудачи диагностика покажет причину и суть дефекта.
Для любопытных отметим, что Big Data представляет собой концепцию сбора, хранения, обработки и использования всевозможных данных, полученных от людей или цифровых устройств.
Буквально термин Big Data означает большие по объему (в терабайтах, петабайтах и экзобайтах) данные, однако наиболее верным станет определение
«сложные данные».
При употреблении термина Big Data, как правило, подразумевают следующее:
-
их сложно и дорого анализировать, необходимы значительные человеческие и вычислительные ресурсы,
-
в них может находится информация, использование которой приведет к конкретному, измеримому увеличению бизнес показателей компании.
Автор: Н. Жабин
