С.А. Корчагин1

1 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)
1 sakorchagin@fa.ru

Постановка проблемы. При обучении интеллектуальных систем анализа микроскопии нанокомпозитов необходимо эффективно обрабатывать большое количество разноплановых данных, находящихся в различных источниках, и предоставлять надежные результаты. При работе с такими данными надо решить проблему безопасности и соблюдения политики конфиденциальности.

Цель. Разработать интеллектуальную систему анализа нанокомпозитов, позволяющую не только классифицировать изображения микроскопии с высокой точностью, но и обеспечивать конфиденциальность исследовательских данных.

Результаты. Создана интеллектуальная система анализа микроскопии нанокомпозитов, основанная на федеративном машинном обучении и позволяющая обучать систему локально с учетом критериев конфиденциальности данных. Отмечено, что интеллектуальная система основана на модифицированной сверточной нейронной сети VGG16. Для обеспечения конфиденциальности данных использовалась горизонтальная федеративная архитектура машинного обучения. Проведено сравнение этой системы с классическими методами машинного обучения. Точность модели составила 94,7%.

Практическая значимость. Разработка интеллектуальной системы анализа микроскопии нанокомпозитов с использованием методов федеративного машинного обучения позволит значительно повысить эффективность процесса анализа. Автоматизация и интеграция различных источников данных даст возможность сократить время, затрачиваемое на обработку и анализ данных, а также улучшить точность получаемых результатов. Учитывая, что данные о свойствах нанокомпозитов могут быть конфиденциальными, разработка системы, учитывающей критерии безопасности и конфиденциальности, имеет важное практическое значение.

Корчагин С.А. Разработка интеллектуальной системы анализа микроскопии нанокомпозитов с использованием методов федеративного машинного обучения // Нелинейный мир. 2024. Т. 22. № 4. С. 86–93. DOI: https://doi.org/10.18127/j20700970-202404-11

1. Morgan D., Jacobs R. Opportunities and challenges for machine learning in materials science. Annual Review of Materials Research. 2020. V. 50. P. 71–103.
2. Korchagin S., Osipov A., Pleshakova E. et al. Intelligent System for Express Analysis of Electrophysical Characteristics of Nanocomposite Media Studies in Computational Intelligence. 2022. V. 1032. SCI. P. 223–230. DOI 10.1007/978-3-030-96993-6_22.
3. Deringer V.L., Caro M.A., Csanyi G. Machine learning interatomic potentials as emerging tools for materials science. Advanced Materials. 2019. V. 31. № 46. P. 1902765.
4. Chen G. et al. Machine-learning-assisted de novo design of organic molecules and polymers: Opportunities and challenges Polymers. 2020. V. 12. № 1. P. 163.
5. Deng X. et al. Large-scale screening and machine learning to predict the computation-ready, experimental metal-organic frameworks for CO2 capture from air. Applied Sciences. 2020. V. 10. № 2. P. 569.
6. Alkhatib R. et al. A Brief Review of Machine Learning Algorithms in Forest Fires Science. Applied Sciences. 2023. V. 13. № 14. P. 8275.
7. Korchagin S.A., Terin D.V., Klinaev Y.V., Romanchuk S.P. Simulation of Current-Voltage Characteristics of Conglom-erate of Nonlinear Semiconductor Nanocomposites. International Conference on Actual Problems of Electron Devices En-gineering (APEDE). Saratov. Russia. 2018. P. 397–399. DOI: 10.1109/APEDE.2018.8542433.
8. Qiu Y., Myers D. R., Lam W.A. The biophysics and mechanics of blood from a materials perspective. Nature Reviews Materi-als. 2019. V. 4. № 5. P. 294–311.
9. Ali S. et al. Computer vision based deep learning approach for the detection and classification of algae species using micro-scopic images. Water. 2022. V. 14. № 14. P. 2219.
10. Бычков А.Г., Киселева Т.В., Маслова Е.В. Использование сверточных нейросетей для классификации изображений // Вестник Сибирского государственного индустриального университета. 2023. № 1 (43). С. 39–49.
11. Korchagin S. et al. The use of machine learning methods in the diagnosis of diseases of crops. E3S Web of Conferences. EDP Sciences. 2020. V. 176.
12. Okunev A.G. et al. Nanoparticle recognition on scanning probe microscopy images using computer vision and deep learning. Nanomaterials. 2020. V. 10. № 7. P. 1285.
13. Luo C.Y. et al. A Computer Vision-Based Approach for Tick Identification Using Deep Learning Models. Insects. 2022.
    V. 13. № 2. P. 116.
14. Saba T. Computer vision for microscopic skin cancer diagnosis using handcrafted and non‐handcrafted features. Microscopy Research and Technique. 2021. V. 84. № 6. P. 1272–1283.
15. Holm E.A. et al. Overview: Computer vision and machine learning for microstructural characterization and analysis. Metallurgical and Materials Transactions A. 2020. V. 51. P. 5985–5999.
16. Korchagin S. et al. Mathematical modeling of the electrophysical properties of a layered nanocomposite based on silicon with an ordered structure. Mathematics. 2021. V. 9. № 24. P. 3167.
17. Osipov A., Pleshakova E., Gataullin S., Korchagin S., Ivanov M., Finogeev A., Yadav V. Deep learning method for recognition and classification of images from video recorders in difficult weather conditions. Sustainability. 2022. Т. 14. № 4.
18. Строкова А.В. Проведение экспериментов с рядом сверточных нейронных сетей по оценке техник Super-Resolution // Графикон-конференции по компьютерной графике и зрению. 2023. Т. 33. С. 88–96.
19. Апарнев А.Н., Бартеньев О.В. Анализ функций потерь при обучении сверточных нейронных сетей с оптимизатором Adam для классификации изображений // Вестник Московского энергетического института (Вестник МЭИ). 2020. № 2. С. 90–105.