Многофункциональный информационно-вычислительный комплекс (МИВК) ЛИТ ОИЯИ является ключевым звеном сетевой и информационно-вычислительной инфраструктуры ОИЯИ. МИВК рассматривается как уникальная базовая установка ОИЯИ и играет определяющую роль в научных исследованиях, для проведения которых требуются современные вычислительные мощности и системы хранения. Уникальность МИВК обеспечивается сочетанием всех современных информационных технологий от сетевой инфраструктуры с пропускной способностью от 2х100 Гбит/с до 4х100 Гбит/с, распределенной системой обработки и хранения данных, основанной на грид технологиях и облачных вычислениях, гиперконвергентной вычислительной инфраструктурой на жидкостном охлаждении для суперкомпьютерных приложений. Многофункциональность, высокая надежность и доступность в режиме 24х7x365, масштабируемость и высокая производительность, надежная система хранения данных, информационная безопасность и развитая программная среда являются основными требованиями, которым удовлетворяет МИВК. Надежность и доступность МИВК обеспечивается развитой системой высокоскоростных телекоммуникаций и современной локальной сетевой инфраструктурой, а также надежной инженерной инфраструктурой, обеспечивающей гарантированное энергообеспечение и холодоснабжение серверного оборудования. МИВК является основой для вычислительных экспериментов на ускорительном комплексе NICA. Эксперименты BM@N, MPD и SPD интенсивно используют все вычислительные компоненты и системы хранения данных МИВК. Являясь частью глобальной вычислительной сети LHC, МИВК выступает в качестве Tier1 сайта для эксперимента CMS на LHC и Tier2 сайта, обеспечивающего поддержку экспериментов на LHC и других крупномасштабных мировых экспериментов в области физики высоких энергий. Интегрированная облачная среда государств-членов ОИЯИ ориентирована на поддержку пользователей и экспериментов в России, Китае, США и др. (например, NICA, NOvA, Baikal-GVD, JUNO). Платформа HybriLIT с суперкомпьютером «Говорун» как основным ресурсом для суперкомпьютерных вычислений обеспечивает возможность как по разработке математических моделей и алгоритмов, так и для проведения ресурсоемких расчетов, в том числе на графических ускорителях, позволяющих развивать экосистему для задач ML/DL, анализа больших данных и квантовых вычислений на симуляторах.
Точная диагностика заболеваний и выбор корректной стратегии лечения позволяют не только сохранить, но и увеличить урожай. Современные методы глубокого обучения зарекомендовали себя как эффективное решение данной проблемы. Однако ограниченные объемы доступных данных и схожесть симптомов различных заболеваний снижают эффективность традиционных подходов, таких как перенос обучения. В данном исследовании использовался уникальный набор данных проекта DoctorP, включающий 46 классов заболеваний и 2615 изображений. DoctorP — это многофункциональная платформа для диагностики болезней растений, ориентированная как на сельскохозяйственные, так и на декоративные культуры. Платформа предоставляет различные интерфейсы, включая мобильные приложения для iOS и Android, Telegram-бота и API для интеграции с внешними сервисами. Пользователи системы отправляют фотографии больных растений, получая прогноз по заболеванию и рекомендации по лечению. DoctorP поддерживает широкий спектр моделей для классификации болезней растений. Ранее для создания моделей применялись MobileNet_v2 и функция минимизации потерь Triplet Loss. Однако значительное увеличение количества классов заболеваний потребовало проведения новых экспериментов с архитектурами и методами обучения. В текущем исследовании предлагается более эффективное решение, основанное на архитектуре ConvNeXt и функции минимизации потерь Large Margin Cosine Loss, для классификации 46 классов заболеваний растений в условиях ограниченного объема данных. Количество изображений в каждом классе варьируется от 30 до 130. Предложенная архитектура позволяет достигать точности в 88,35% и F1-score 0,9, что значительно превосходит как классические решения на базе переноса обучения, так и предыдущий подход на основе Triplet Loss. Улучшенный алгоритм обучения моделей уже внедрен в платформу DoctorP, значительно повышая точность и надежность диагностики заболеваний растений.