Труды КНЦ (Технические науки вып. 3/2024(15))

Генерация данных для имитационной модели. В данном случае ГИИ выступает в качестве внешнего программного блока по отношению к модели, основной задачей которого является формирование отдельных значений и временных рядов для определенного набора модельных параметров. Обычно такой подход применятся в условиях отсутствия реальных данных (или их неполноты) о функционировании объекта моделирования. В качестве примера можно привести работу по моделированию кадрового потенциала региона [11], в которой многослойная нейронная сеть применяется для прогнозирования одного из параметров имитационной модели — объема произведенной продукции. Отметим, что может решаться и обратная задача — генерация данных для формирования обучающей выборки нейронной сети на основе результатов вычислительного эксперимента (например, генерация обучающей выборки на основе онтологий и имитационного моделирования [12]). Интерпретация результатов имитационного моделирования. В рамках данного направления пытаются анализировать результаты вычислительных экспериментов с помощью генеративного искусственного интеллекта. То есть ГИИ применяется после имитации с целью получения текстового описания результатов на естественном языке, повышая тем самым их интерпретируемость. Например, в работе [13] рассматривается опыт применения больших языковых моделей (LLM) для формирования текстового описания результатов, представленных в виде временных графиков, полученных при симуляции экономического роста страны в условиях пандемии. При этом промпт (текстовый запрос) к LLM расширяют за счет добавления графического файла с результатами моделирования. Формирование поведения элементов модели. Данное направление ориентировано на использование генеративного искусственного интеллекта внутри имитационной модели, когда с помощью ГИИ определяется реакция определенных компонентов модели на внешние возмущения. Например, в последних версиях инструментальной среды Anylogic реализована возможность создавать модельные агенты, которые по своей сути являются конвейерами машинного обучения (AutoML) и позволяют получать прогнозные значения параметров агента в ходе имитации [14]. Хотя AutoML в общем случае не относится к ГИИ, при современных тенденциях развития интеллектуальных технологий можно ожидать появления в инструментальных средствах моделирования специальных компонентов, реализованных в виде GAN (Generative Adversarial Network), отвечающих за генерацию линий поведения модельных сущностей. Генерация имитационной модели или ее структуры. В рамках данного направления предпринимаются попытки автоматизировать работу разработчика по созданию структуры модели и/или ее программной реализации. Например, в работе [13] применяют большую языковую модель для построения концептуальной модели в виде диаграммы причинно-следственных связей на основе текстового описания постановки задачи моделирования. В исследовании [15] c помощью LLM (ChatGPT) пытаются получить исполнимый код на языке Python, являющийся программной реализацией имитационной модели простой логистической системы. Схема генерации компьютерной модели (рис. 1) включает в себя формирование расширенного запроса к большой языковой модели на основе текстового описания задачи и контекста. При этом к запросу добавляются параметры модели. Эксперименты, представленные в указанной работе, показали, что идея применения больших языковых моделей для создания имитационных моделей жизнеспособна, но опробована она на довольно простых системах. По мере усложнения объекта моделирования трудно будет полностью исключить человека из процесса разработки модели. Генерация сценариев . Данное направление ориентировано на определение сценариев развития ситуации в изучаемой системе. При этом сценарии могут определяться разным способом: последовательностью событий, последовательностью состояний системы, текстом в свободной форме и т. д. Например, в работе [16] предлагается применять специализированную GAN для генерации сценария развития чрезвычайной ситуации (стихийного бедствия) в виде 3D-анимации. Труды Кольского научного центра РАН. Серия: Технические науки. 2024. Т. 15, № 3. С. 27-40. Transactions of the Kola Science Centre of RAS. Series: Engineering Sciences. 2024. Vol. 15, No. 3. P. 27-40. © Быстров В. В., Халиуллина Д. Н., Шишаев М. Г., 2024 29