Введение
Ракетно-космическая промышленность Российской Федерации (далее – РКП России), как правопреемник советской государственной космической индустрии нуждается в постоянной модернизации научно-технической базы. РКП России сегодня несомненный мировой лидер, опережающий все страны – это около 100 организаций, в которых занято 250 тыс. чел. Ракетно-космическая промышленность, как высокотехнологичная отрасль обеспечивает военно-экономическую безопасность Российской Федерации, она специализируется на производстве ракетного оружия, космической технике и научных разработках инноваций.
Решающую роль в современной прорывной науке играет помощь искусственного интеллекта в различных областях знаний, в сферах деятельности и пр. Актуальность темы исследования научной статьи связана с развитием цифровизации и индустриализации в Российской Федерации, а также с применением новых прогрессивных подходов в ракетно-космической промышленности. Авторы научной статьи считают возможным акцентировать внимание учёных на применении искусственного интеллекта в комической промышленности. Учёные всего мира объединяют свои усилия в исследованиях искусственного интеллекта и нейронных сетей, они делятся своими наработками и научными изысканиями в физике, математике, химии, биологии и пр. Научная проблема, которая остро стоит перед всеми учёными – быстрейшее внедрение искусственного интеллекта в высокотехнологичные компании Российской Федерации, в том числе в ракетно-космическую промышленность.
Цель исследования – на основе проведённого анализа материалов исследования представить научной общественности умозаключения по применению инструментов искусственного интеллекта в деятельность ракетно-космической промышленности Российской Федерации.
Материал и методы исследования
В результате проведённых исследований и обработки научного материала были применены следующие методы научного познания: анализ, синтез, дедукция.
Степень изученности материалов исследования и обзор литературы. По-мнению авторов, тема исследования недостаточно изучена в зарубежной и отечественной научной литературе. Целесообразно отметить, что практически отсутствует отраслевой привязки и практического опыта применения искусственных нейронных сетей в ракетно-космической промышленности. Считаем, что тема исследования требует более детальной проработки, как в концептуальном, так и практическом аспекте, но отмечаем вклад в науку следующих авторов: А.А. Хачатурян рассматривал проблемы цифровизации и индустриализации промышленных предприятий российской Федерации [1]; И.В. Железнова рассматривала внутрифирменное планирование и математическое моделирование на промышленных предприятиях [2]; М.Л.И. Анфимова представила научной общественности методический инструментарий оценки инновационного развития ракетно-космической промышленности РФ [3]; У.В. Афтахова, Е.С. Лобова создали многофакторная модель внутрифирменного планирования высокотехнологических отечественных компаний в индустриальных регионах [4, с. 213–222]; Г.Е. Белоногов представил искусственный интеллект как космическую необходимость [5, с. 383–385]; А.В. Гаврилов изучил искусственный интеллект и будущее цивилизации [6, с. 78–81]; Д.В. Есипова дала характеристику искусственному интеллекту [7, с. 129–131]; К.Х. Зоидов, Д.И. Серебрянский рассмотрели отдельные аспекты стратегического планирования и перспективы применения искусственных нейронных сетей в нефтегазовой отечественной промышленности [8, с. 15–24]; а также планирование и применение искусственного интеллекта в космической промышленности [9]; Р.А. Иманов, И.А. Стафеева изучали стратегическое планирование и контроллинг инноваций промышленного предприятия [10]; Р.А. Иманов, Д.И. Серебрянский рассматривали развитие искусственного интеллекта в отечественном промышленном производстве [11, с. 5–11]; В.А. Иноземцев выявил возможность компьютерного моделирования знания в искусственном интеллекте [12, с. 76–83]; В.В. Котлярова, А.М. Бабаев, М.А. Шемякина представили философские и аксиологические аспекты проблемы применения искусственного интеллекта [13, с. 187–191]; Д.А. Кошелев изучил место искусственного интеллекта в информационных технологиях [14, с. 53–55]; Н.О. Макаренко, Л.В. Ерыгина изучили проблемы коммерциализации инноваций на предприятиях ракетно-космической промышленности [15, с. 486–487]; М.П. Малыхина, Д.А. Герасимов представили мультиагентные системы искусственного интеллекта [16, с. 476–484]; А.В. Остапенко, А.И. Косырева провели комплексную оценку уровня технологического развития предприятий ракетно-космической промышленности [17, с. 59–63]; а также представили основные типовые показатели оценки уровня технологического развития предприятий ракетно-космической промышленности [18, с. 63–66]; авторы научной статьи изучили ранее стратегическое планирование инноваций в машиностроительных промышленных предприятиях Российской Федерации [20, с. 144–150]; Л. Раткин представил нанотехнологичные разработки для авиационно-космической промышленности [21, с. 20–23]; А.С. Славянов, Е.Ю. Хрусталёв выявили риски и приоритеты стратегии развития отечественной ракетно-космической промышленности [22, с. 1057–1071]; С.Е. Цыбулевский, М.Н. Горынцева представила детерминанты, обусловливающие формирование конкурентоспособной ракетно-космической промышленности на примере зарубежного опыта [23, с. 916–919] и др.
Результаты исследования и их обсуждение
Целесообразно отметить, что учёные всего мира считают, что при помощи искусственного интеллекта у людей (человечества) открываются безграничные способности, которыми можно пользоваться в созидательных целях, в том числе в промышленности и дальнейшем освоении космоса. Авторы считают, что для освоения космоса необходимо выполнить два условия:
– во-первых, искусственный интеллект должен быть умнее человека;
– во-вторых, искусственный интеллект должен восприниматься как новая форма жизни (разумные существа, способные учиться дальше).
Известен тот факт, что с помощью нейросетевых алгоритмов создаются нейронные сети (Neural network) для современных персональных компьютеров. Искусственный интеллект, анализируя информацию, создаёт сложные и нетривиальные зависимости, что чрезвычайно полезно и важно для космической промышленности и человечества в целом. Авторы считают, что учёными-математиками должны создаваться больше математических моделей, построенных для космической промышленности. Уже существующий терминологический задел следует обобщить (табл. 1).
Таблица 1
Обобщение терминологического аппарата в области нейронных сетей [Источник: составлено авторами]
|
№ п/п |
Термин и обозначения |
Характеристика термина |
|
1 |
Синапсы (w) |
Синаптические веса |
|
2 |
S |
Ячейка нейрона |
|
3 |
Аксон |
Мысль |
|
4 |
Нейронные сети |
1) математическая модель; 2) одно из направлений в разработке систем искусственного интеллекта; 3) система соединенных и взаимодействующих между собой простых процессов; 4) структура соединенных между собой нейронов |
|
5 |
Входы (Х) |
Входной вектор |
|
6 |
Выходы (Y) |
Выходные сигналы |
|
7 |
Input |
Входной сигнал |
|
8 |
Hidden |
Скрытый сигнал |
|
9 |
Output |
Выходной сигнал |
|
10 |
K |
Порог нейрона |
|
11 |
F |
Функция передачи |
|
12 |
Н |
Нейрон |
|
13 |
Веса выходного слоя |
Фактические и желаемые значения выходов (состоит из линейных элементов). |
|
14 |
Скрытый слой |
Состоит из радиальных элементов |
|
15 |
Входной слой |
Одномерный массив |
|
16 |
F(v) |
Активационная функция |
|
17 |
Формальный нейрон |
Узел искусственной нейронной сети, являющийся упрощенной моделью естественного нейрона |
|
18 |
Нейрон |
Нервная клетка |
|
19 |
Искусственный нейрон |
Сумматор всех входящих сигналов |
|
20 |
Свёрточная нейронная сеть (convolutional neural networks, CNN) |
Специальная архитектура искусственных нейронных сетей (обеспечивают частичную устойчивость к изменениям масштаба, смещениям, поворотам, смене ракурса и прочим искажениям) |
|
21 |
Глубинные свёрточные нейронные сети (deep convolutional neural networks, DCNN) |
К концу CNN прикрепляют FFNN для дальнейшей обработки данных |
|
22 |
Развёртывающие нейронные сети (deconvolutional networks, DN) |
Являются обратными к свёрточным нейронным сетям |
|
23 |
Радиально базисные функции |
Вид многослойной нейронной сети |
|
24 |
Однослойные нейронные сети |
Сигналы с входного слоя сразу подаются на выходной слой |
|
25 |
Обучение нейронной сети |
Процесс, в котором параметры нейронной сети настраиваются посредством моделирования |
|
26 |
Выходной слой (output layer) |
Слой нейронов (узлов), выходные сигналы которых образуют выходной сигнал нейронной сети |
|
27 |
Нейронные сети встречного распространения |
Гибридные сети, состоящие из входного слоя нейронов и слоев нейронов Кохонена и Гроссберга |
|
28 |
Нейронные сети прямого распространения |
Очень прямолинейны, передают информацию от входа к выходу |
|
29 |
Слой |
Содержит совокупность нейронов с едиными входными сигналами |
|
30 |
Перцептрон (или персептрон) Розенблатта |
Математическая или компьютерная модель восприятия информации мозгом (кибернетическая модель мозга). Нейронная сеть будет способна к воспроизведению любой логической функции |
Таблица 2
Биологические и искусственные нейронные сети прямого действия и с обратными связями [Источник: составлено авторами]
|
Наименование биологических и искусственных нейронных сетей |
Признак применения и действия |
|
Однослойные нейронные сети |
Нейронные сети прямого действия |
|
Многослойные нейронные сети |
|
|
Биологическая нейронная сеть (биологические нейронные пути) |
Ряд взаимосвязанных нейронов, чья активность определяет узнаваемый линейный путь |
|
Соревновательные сети |
Рекуррентные нейронные сети (с обратными связями) |
|
Сети Кохонена |
|
|
Сети Хопфилда (полносвязная нейронная сеть с симметричной матрицей связей) |
|
|
Сети Гроссберга |
Нейронная сеть встречного распространения (превосходят возможности однослойных сетей) |
|
Адаптивная нейро-нечеткая система вывода |
Искусственная нейронная сеть, основанная на нечеткой системе вывода Такаги-Сугено |
|
Сеть типа «deep belief» |
Сеть состоит из нескольких соединённых RBM или VAE (обучаются поблочно) |
|
Перцептрон с одним скрытым слоем |
Искусственные нейронные сети |
|
Перцептрон с пороговой передаточной функцией |
|
|
Перцептрон с прямым распространением сигнала |
Из табл. 1 следует, что терминологическая база в области искусственных нейронных сетей многообразна, сложна для восприятия, содержит специфические понятия в этой области знаний. Также авторами предлагается рассмотреть биологические и искусственные нейронные сети прямого действия и с обратными связями (табл. 2).
Из табл. 2 следует, что перечисленные и описанные биологические (перцептрон) и искусственные нейронные сети прямого действия и с обратными связями находят своё место только в компьютерной индустрии и биологии. Выявить причины медленного внедрения искусственных нейронных сетей позволят официальные статистические данные. Рассмотрим число организаций, выполняющих научные исследования и разработки в 2018 г. (рис. 1).
Рис. 1. Статистические данные, характеризующие число организаций, выполняющих научные исследования и разработки в Приволжском округе Российской Федерации за январь-декабрь 2018 г., ед. [Источник: составлено авторами по [19]
Рис. 2. Статистические данные, характеризующие затраты на научные исследования и разработки в Приволжском округе Российской Федерации за январь-декабрь 2018 г., тыс. руб. [Источник: составлено авторами по [19]
Из статистических данных, представленных на рис. 1 следует, что в Приволжском округе Российской Федерации лидером по числу организаций, выполняющих научные исследования и разработки является Республика Татарстан – 113 организаций; Нижегородская область занимает второе место – 90 организаций; Пермский край – 60 организаций. Минимальное значение у Республики Марий Эл – 8 организаций. Считаем целесообразным рассмотреть финансовую сторону вопроса, т. е. затраты на научные исследования и разработки выделяемые организациям Приволжского округа Российской Федерации в 2018 г. (рис. 2).
Из данных представленных на рис. 2 следует, что высокий уровень затрат на научные исследования и разработки в Приволжском округе Российской Федерации приходится на Нижегородскую область – 84220672,4 тыс. руб., затем следует Республика Татарстан – 21167140,9 тыс. руб. Пермский край замыкает тройку лидеров – 19915411,6 тыс. руб. Далее рассмотрим статистические данные, характеризующие индекс производства по высокотехнологичным обрабатывающим видам экономической деятельности, в % за 2017 г. (рис. 3) и 2018 г. (рис. 4).
Рис. 3. Статистические данные, характеризующие индекс производства по высокотехнологичным обрабатывающим видам экономической деятельности, в % за 2017 г. [Источник: составлено авторами по [19]
Рис. 4. Статистические данные и линия тренда, характеризующие индекс производства по высокотехнологичным обрабатывающим видам экономической деятельности, в % за 2018 г. [Источник: составлено авторами по [19]
Из статистических данных, представленных на рис. 3 и 4 следует, что в 2017 г. наивысший индекс производства по высокотехнологичным обрабатывающим видам экономической деятельности наблюдался в январе 2017 г. – 123,0 %, наименьшее значение в декабре 2017 г. – 79,0 %. В 2018 г. ситуация изменилась и наивысшее значение в декабре 2018 г. – 117,4 %, а наименьшее значение в сентябре 2018 г. – 77,8 %.
Заключение
Последние годы являются экономически сложными для всех предприятий машиностроения, ракетно-космическая промышленность, поддерживаемая государством, нуждается в обновлении научно-технической базы и программных средств. Искусственные нейронные сети уже активно используются во многих сферах, но больше в компьютерной форме. В статье авторами представлено обобщение терминологического аппарата в области искусственных нейронных сетей, была дана характеристика биологическим и искусственным нейронным сетям прямого действия и с обратными связями. В статье авторами были рассмотрены статистические данные о количестве предприятий занимающихся научными разработками в Приволжском округе Российской Федерации, а также проанализирован индекс производства по высокотехнологичным видам экономической деятельности. В заключение авторы построили линейный тренд, который намечает отрицательную динамику в развитии промышленности. Более активное внедрение искусственного интеллекта позволило бы ракетно-космической промышленности поддерживать лидирующие позиции в мире.
Библиографическая ссылка
Пономарев В.М., Пономарева С.В., Жигит А.А. СТРАТЕГИЧЕСКОЕ ПЛАНИРОВАНИЕ, АДАПТАЦИЯ И ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В РАКЕТНО-КОСМИЧЕСКОЙ ПРОМЫШЛЕННОСТИ РОССИЙСКОЙ ФЕДЕРАЦИИ // Вестник Алтайской академии экономики и права. – 2019. – № 5-1. – С. 128-135;URL: https://vaael.ru/ru/article/view?id=472 (дата обращения: 24.04.2024).