Рассмотрена проблема построения интерпретируемых векторных представлений научных текстов для задач интеллектуальной академической генеалогии. Предложена типология эмбеддингов, включающая три класса: статистические, выученные нейросетевые и структурированные символьные. Обоснована необходимость объединения достоинств нейросетевых (высокая семантическая точность) и символьных (интерпретируемость измерений) подходов. Для реализации такого гибридного подхода предложен алгоритм построения выученных символьных эмбеддингов путем регрессионного преобразования вектора внутреннего представления нейросетевой модели в интерпретируемый набор оценок.

Экспериментальная оценка алгоритма проведена на корпусе фрагментов авторефератов диссертаций по педагогическим наукам. Компактный трансформерный энкодер с регрессионной головой обучался воспроизводить тематические оценки, сгенерированные передовой генеративной языковой моделью. Сравнение шести режимов обучения (три типа регрессионной головы и два состояния энкодера) показало, что дообучение верхних слоев энкодера является ключевым фактором повышения качества. По результатам тестирования была выбрана наилучшая конфигурация, которая достигла коэффициента детерминации R² = 0.57 и точности определения трех наиболее релевантных концептов, равной 74%. Результаты подтверждают, что для определенного рода задач, в которых требуется формальное представление выходных данных, возможна аппроксимация поведения генеративной модели компактным энкодером с регрессионной головой при существенно меньших вычислительных затратах. В более широкой перспективе разработка алгоритмов построения выученных символьных эмбеддингов будет способствовать созданию такой модели формальной репрезентации научного знания, в которой конвергенция нейросетевых и символьных методов обеспечит как масштабируемость обработки научных текстов, так и интерпретируемость векторных представлений, кодирующих содержание.

Рассмотрена проблема влияния глобальной блокировки интерпретатора на производительность многопоточных приложений в Python. Описана концепция субинтерпретаторов как одного из решений, позволяющих обходить ограничения GIL и обеспечивать эффективное параллельное выполнение кода. Проведен сравнительный анализ субинтерпретаторов с традиционными методами параллельных вычислений, такими как использование процессов и потоков. Результаты экспериментов показали, что субинтерпретаторы значительно повышают производительность в условиях высоких вычислительных нагрузок. Кроме того, исследованы возможности применения субинтерпретаторов в веб-разработках. Отмечены преимущества использования названного подхода для обработки запросов и управления ресурсами в современных веб-приложениях, что может значительно улучшить их масштабируемость и отклик. Новизна проведенного исследования заключается в глубоком анализе субинтерпретаторов в контексте конкретных сценариев использования, что ранее не получило достаточного освещения в научной литературе. Результаты работы подчеркивают необходимость дальнейшего изучения субинтерпретаторов как альтернативного подхода в Python и интерес к этому разработчиков и исследователей в области высокопроизводительных вычислений.

Подход к многоагентному моделированию, основанный на онтологиях, предполагает реализацию моделирующей системы посредством создания онтологий. Примером целостной реализации такого подхода к агентному моделированию является стандарт IEEE 1516 Standard for Modeling and Simulation High Level Architecture. Данная работа посвящена распределенной многоагентной моделирующей системе, предназначенной для моделирования сложных радиотехнических систем (особенно радиолокационных станций), её актуальность обусловлена необходимостью замены части натурных испытаний имитационными экспериментами. Мотивация перехода на стандарт IEEE 1516 для «тяжелой» многоагентной моделирующей системы, кроме прочего, состоит в обеспечении масштабируемости, открытости и многократного повторного использования разработанных агентных моделей, что совершенно логично делать на основе существующего хорошо проработанного и апробированного стандарта, устанавливающего правила взаимодействия моделей и разработки программных интерфейсов. В статье приведены общие принципы построения и архитектура моделирующей системы. Показаны основные требования к агентам, их роль и место в комплексной моделирующей системе, особое место среди агентов занимает имитатор фоно-целевой обстановки. Обсуждается также возможность совмещения двух схем имитационного моделирования: дискретно-событийной и пошаговой. Дело в том, что пошаговая схема обладает такими преимуществами, как простота и наглядность, в ней удобно моделировать алгоритмы обработки, составные части радиотехнических систем. Однако в ней невозможно реализовать истинную автономность и асинхронность агентов. Совмещение двух схем моделирования позволяет объединить их достоинства.

Проведен анализ скорости и эффективности передачи данных с использованием протоколов WebSocket и REST API. Для сравнения скорости обработки потоковых объектов и выявления более надежной технологии для разработки API-интерфейсов использованы разложения базовых функций в ряды Тейлора и Фурье. В результате выявлено, что REST API является более быстрым и доступным ресурсом для передачи информационных данных в побитовом преобразовании, а масштабируемость этого протокола преобладает в количестве обрабатываемых единиц, что позволяет расширить количество проводимых тестов.