Алгоритм изобретения при решении
технологических и научных задач.

══ ═М.Д.Кац

Проблема повышения эффективности изобретательской деятельности возникла тогда, когда появились первые изобретения. Долгий путь поиска е╦ решения начался с полного перебора всех возможных вариантов решения.

Среди 1093 патентов, выданных Томасу Альва Эдисону, был патент ╧223898 от 27.01.1880 г на лампу с угольной нитью накаливания. Для решения этой задачи Эдисон перепробовал 6000 веществ, содержащих углерод, от обыкновенных швейных ниток, покрытых углем, до продуктов питания и смолы. Лучшим оказался бамбук, из которого был сделан футляр японского пальмового веера. На эту титаническую работу ушло около двух лет. [1] Затем были предложены методы мозгового штурма, морфологического анализа, синектики и др. Длительная практическая проверка этих методов показала, что все они хороши для решения простых задач и неэффективны для задач сложных.

Наиболее существенным достижением в решении проблемы повышения эффективности изобретательской деятельности является теория решения изобретательских задач (ТРИЗ), разработанная Г.С.Альтшуллером. На основании анализа больших массивов патентной информации Г.С.Альтшуллер показал, что для устранения примерно полутора тысяч наиболее часто встречающихся технических противоречий имеется 40 наиболее сильных при╦мов, дающих эффективные решения. Затем он разработал специальную таблицу, где по вертикали расположил характеристики технических систем, которые необходимо улучшить, а по горизонтали -характеристики, которые при этом недопустимо ухудшаются. На пересечении граф таблицы он указал номера при╦мов, которые с наибольшей вероятностью могут устранить возникшее техническое противоречие.

В настоящее время ведутся активные работы по дальнейшему совершенствованию ТРИЗ, связанные в основном с разработкой компьютерных программ, помогающихизобретателю анализировать исходную ситуацию и находить в диалоговом режиме необходимые физические явления, типовые и стандартные решения изобретательских задач.

Ещ╦ в 1979 г. Г.С.Альтшуллер писал: "ТРИЗ пока не осиливает некоторые классы задач (получение новых веществ, выявление оптимальных режимов работы и т.п.). Со временем и эти задачи окажутся под силу ТРИЗ, здесь нет принципиальных затруднений" [2]. Однако этому пророчеству не суждено было осуществиться. И дело вовсе не в том, сам Г.С.Альтшуллер и его многочисленные последователи уделяли недостаточное внимание поискам формализованных подходов к решению этих задач. Дело в принципиальном различии между техническими задачами, суть которых сводится к поиску технических противоречий и выбору одного из множества известных способов их преодоления, и технологическими задачами, для решения которых нужно обладать определ╦нными знаниями. Именно такими (технологическими) и являются задачи получения новых веществ и выявление оптимальных режимов работы при разработке новых и совершенствовании действующих технологических процессов.

Кроме того, существует класс задач, которые можно назвать научными. Результаты, получаемые при корректном решении таких задач, обладают существенной научной новизной, высокой практической полезностью и могут быть запатентованы. Такими задачами, например, являются разработки методов:

- дифференциальной диагностики близких по проявлениям заболеваний;

- заблаговременного прогноза осложнений и последствий болезни;

- выбора оптимальной стратегии лечения конкретной болезни с уч╦том индивидуальных особенностей больного;

- идентификации микроорганизмов (разработка специфических тест -комплексов для каждого из микроорганизмов одного семейства);

- математического синтеза химических формул новых соединений (биологически активных веществ, синтетических красителей и др), потенциально обладающих заданными свойствами;

- психологического тестирования (разработка специфических тест -комплексов для каждой градации тестируемых показателей).

Для решения технологических и научных задач на уровне изобретения требуется большой объ╦м специфических знаний. Например, при:

-. Оптимизации в действующих и вновь разрабатываемых металлургических, химических, нефтеперерабатывающих, биотехнологических и др. производствах, необходимо знание зависимости выходного показателя (комплекса выходных показателей) от входных параметров технологического режима.

-. Получении новых композиционных материалов (металлов, сплавов, резин, пластмасс, катализаторов, выпускных форм красителей и пигментов, смесевых лекарственных форм и др.) необходимо знание зависимости выходного показателя (комплекса выходных показателей) от соотношения исходных компонентов и условий переработки смеси в материал.

-. Диагностике близких по проявлению заболеваний необходимо знание сочетаний симптомов (симптом -комплексов,═ дифференциальных синдромов), характерных для каждой из дифференцируемых болезней.

-. Выборе оптимальной стратегии лечения конкретной болезни, необходимо знание зависимости результатов лечения от параметров, характеризующих, болезнь, лечение и индивидуальные особенности больного.

-. Направленном синтезе химических соединений определ╦нного класса, обладающих заданным комплексом потребительских свойств, необходимо знание зависимости этих свойств от взаимного расположения элементов структуры в молекуле.

В подавляющем большинстве случаев технологические и научные задачи по своим информационным характеристикам относятся к классу "больших" систем. Поведение этих систем определяется большим количеством входных параметров (>10) и выходных показателей (>1), а также существенной зависимостью выходных показателей от взаимодействия входных параметров.

Принципиальной трудностью при решении изобретательских задач такого типа является громадный дефицит априорной информации (знаний специалиста в соответствующей предметной области) о системных закономерностях, связывающих входные параметры и выходные показатели изучаемой "большой" системы. Этот дефицит объясняется прежде всего психо -физиологическими ограничениями возможностей человека при распознавании абстрактных образов (ни один специалист не может оценить зависимость выходного показателя от совместного влияния более чем 2-ух входных параметров).

═"Главным ограничителем познавательных и творческих способностей человеческого ума остается неспособность моделировать явления (и решать задачи) многофакторные по самой природе". [3].

. "Знание - это набор моделей окружающего нас мира". [4

Поэтому остается единственный путь познания ╚больших╩ систем - построение их формальных математических моделей. Однако и на этом пути изобретателя ожидают практически непреодолимые методические и вычислительные трудности. Дело в том, что: "Процесс построения математических моделей не является формализованным. Он всегда содержит предположения, расчеты на их основании и сравнение с накопленной информацией" [5]

Предположения в "больших" системах, как правило, неконструктивны. Они в основном (из-за отсутствия фактических знаний) сводится к недопустимому упрощению реальной задачи. Например, таким: ╚изучаемые зависимости линейны, аддитивны, между входными и выходными переменными соблюдается гипотеза компактности, система стационарна, распределение переменных подчиняется нормальному закону и т.п.╩. Поэтому "построение математических моделей явления пока еще искусcтво" [6].

С помощью искусства "модельеры" пытаются преодолеть многие нереш╦нные до сих пор методические проблемы идентификации "больших систем". Однако ни искусство, ни интуиция "модельеров" принципиально не позволяют компенсировать отсутствие знаний о закономерностях, определяющих поведение изучаемой "большой системы", или отсутствие соответствующих формальных методов построения е╦ математических моделей .

Так, во всех известных методах математического моделирования "больших систем" (регрессионном анализе и его многочисленных модификациях) не решены проблемы:

- Структурной идентификации - задания общего вида модели.

В настоящее время структуру модели зада╦т эксперт, который из-за описанных выше психо - физиологических ограничений принципиально не может представить себе, какой вид имеет "правильная" структура.

- Параметрической идентификации - оценки коэффициентов при элементах структуры модели по экспериментальным данным.

Использование известных методов параметрической идентификации - метода наименьших квадратов и его многочисленных модификаций корректно лишь при соблюдении ряда ограничений: входные параметры измеряются без ошибок или с пренебрежительно малыми погрешностями, все ошибки вынесены на выходной показатель, выходной показатель один, измеряется в континуальных═ шкалах и подчиняется нормальному закону распределения и др., которые в реальных данных никогда не выполняются.

- Св╦ртки вектора выходных показателей в обобщенный критерий, измеряемый в континуальных шкалах. Корректные формальные методы св╦ртки не известны. Приходится пользоваться субъективными представлениями экспертов.

Из-за существенного дефицита априорной информации о структуре модели и отсутствия корректных формальных методов идентификации "больших систем" возможности известных методов моделирования в реальных технологических задачах очень ч╦тко определяются известным афоризмом: "Если в заvдаче меньше 3-╦х переменных - это не задача, если больше 8-и - она неразрешима" [7]. Анализ возможностей известных методов изучения "больших систем" приводит к неожиданному выводу: "Все созданные человеком "большие системы" неоптимальны и могут быть существенно улучшены".═ Из этого вывода вытекает парадоксальное следствие: "Все патенты, выданные на решение технологических и научных задач, в принципе могут быть заменены более сильными".

Однако получить необходимую для создания более сильного изобретения информацию о изучаемой "большой системе" можно будет только тогда, когда будет решена главная задача искусственного интеллекта - с помощью формальных процедур (т.е. без участия экспертов) по имеющимся экспериментальным данным генерировать новые, не известные ранее специалистам системные знания о закономерностях, связывающих е╦ входные и выходные переменные.

Для решения этой задачи в рамках Интеллектуальной технологии изучения и совершенствования сложных систем (ИТИСС) [8] разработан принципиально новый метод математического моделирования (метод мозаичного портрета) [9, 10], позволяющий на основании исходных экспериментальных данных построить адекватную изучаемой системе математическую модель и с е╦ помощью реализовать алгоритм изобретения в технологических задачах.

Исходными данными для построения мозаичной модели является таблица экспериментального материала, каждая строка которой содержит значения входных параметров и выходных показателей в одной реализации изучаемого объекта.

Сущность метода мозаичного портрета заключается в:

- Переходе к измерению входных параметров и выходных показателей изучаемого объекта в дискретных шкалах.

Переход входных параметров (Xi) к дискретным шкалам осуществляется с помощью следующей полностью формализованной процедуры. Диапазон вариации значений каждого входного параметра делится на 3 поддиапазона из условия попадания в каждый поддиапазон одинакового количества значений (почти одинакового, если число строк в исходной таблице не кратно 3). Каждому поддиапазону присваивается код - его номер в порядке увеличения значения соответствующего входного параметра.

Переход выходных показателей к дискретным шкалам осуществляется с помощью следующей полностью формализованной процедуры. Выходной показатель кодируется бинарным кодом (Y=[Y]=1), если он удовлетворяет заданному ограничению [Y], и Y не=[Y]=0, если не удовлетворяет этому ограничению [Y]. В случае, если выходных показателей несколько, обобщ╦нный критерий формируется следующим образом: Y=[Y]=1, если каждый из выходных показателей (Yj) удовлетворяет заданным ограничениям ([Y]), и Y?[Y]=0, если хотя бы один из них не удовлетворяет этим ограничениям.

Если

- Реализации полностью формализованной процедуры поиска таких сочетаний кодов входных параметров, которые встречаются только в строках исходной таблицы с [Y]=1, и ни разу не встречаются в строках, в которых эта зависимость не выполняется.

Аналогично осуществляется построение сочетаний, которые встречаются только в строках с Y=0.

В случае, если выходной показатель измеряется в дискретных шкалах (например, названия болезней при дифференциальной диагностике), мозаичная модель строится отдельно для каждой из болезней (болезнь, для которой строится модель, обозначается 1, остальные болезни -0).

Каждое сочетание кодов поддиапазонов входных параметров, входящее в мозаичную модель, интерпретируется как формальная, непротиворечивая на данном материале гипотеза, описывающая системные закономерности изучаемого объекта (процесса, системы, явления).═ Каждая из этих гипотез, включающая более 2-ух входных параметров, является новой, нетривиальной, не известной ранее специалистам. Содержательная интерпретация полученных гипотез на языке соответствующей предметной области позволит специалистам "прорваться" в закрытую для них до сих пор область системных закономерностей о изучаемой "большой системе" и получить новые знания, необходимые для создания изобретения.

Ниже приводятся примеры содержательной интерпретации полученных с помощью мозаичной модели формальных гипотез═ в зависимости от решаемой задачи. Каждая формальная гипотеза:

- При дифференциальной диагностике - это специфичный симптом - комплекс (дифференциальный синдром) одного из заболеваний.

- При прогнозировании потребительских свойств нового химического соединения - это сочетание элементов структуры молекулы, встречающееся только в соединениях, обладающих заданным комплексом потребительских свойств.

- При идентификации микроорганизмов внутри одного класса (семейства) - это тест - комплекс, специфичный для одной конкретной бактерии и т.п.

Следует отметить, что в дискретной математике не существует общего метода решения задачи поиска ╚полезных╩ сочетаний каких либо элементов, кроме полного перебора всех возможных вариантов. Для "больших систем" полный перебор приводит к практически бесконечным затратам времени на реализацию. При разработке метода построения мозаичной модели решена задача е╦ построения за полиномиальное от размерности задачи время, т.е. найден доступный для реализации метод математического описания "больших систем" с практически любыми размерностями векторов входных и выходных переменных.

Мозаичная модель содержит достаточное количество системной информации, необходимой для корректного решения задач диагностики и прогноза поведения изучаемых "больших систем╩

Оптимизация изучаемых систем осуществляется с помощью метода логического программирования [11]. Метод логического программирования (МЛП) основан на известных аксиомах алгебры логики о истинности составных высказываний:

- Составное высказывание является истинным, если оно собрано из простых истинных высказываний.

- Составное высказывание является ложным, если оно содержит хотя бы одно простое ложное высказывание.

Если в качестве простых истинных высказываний принять высказывания мозаичной модели, относящиеся к "хорошему" классу выходного показателя (Y=1), а в качестве простых ложных - высказывания, относящиеся к "плохому" классу (Y=0), то составное высказывание ранга n (n - количество входных параметров изучаемой системы), собранное из высказываний "хорошего" класса и не содержащего ни одного из сочетаний кодов параметров, совпадающих с высказываниями "плохого" класса, будет "истинным" составным высказыванием.

Ниже приводятся примеры содержательной интерпретации полученных с помощью формальных процедур истинных составных высказываний в зависимости от решаемой задачи:

- При оптимизации технологического режима - это область пространства входных параметров, заданная соответствующими поддиапазонами каждого из них, отображение которого на пространство выходных показателей выделит на последнем область, в которых значения по каждому из выходных показателей соответствуют заданным.

- При разработке нового композиционного материала - это область пространства входных параметров, заданная соответствующими поддиапазонами соотношений компонентов смеси и значений параметров технологического режима, соблюдение которых обеспечивает получение материала, обладающего заданным комплексом потребительских свойств.

- При оптимизации лечения конкретной болезни - это перечень лечебных воздействий, обеспечивающий максимальную эффективность лечения.

- При формальном синтезе химических формул соединения данного класса - это химические формулы соединений, потенциально обладающих заданным комплексом физико-химических, биологических и других свойств.

═

Постановка задачи изучения и оптимизации "больших систем" и методы е╦ решения.

По существующей парадигме для того, чтобы поставить задачу, необходимо быть специалистом в соответствующей предметной области и знать возможности е╦ решения известными математическими методами. Следствием того, что знания специалистов о системных зависимостях изучаемых ими ╚больших систем╩ ограничены, а общие корректные математические методы решения сложных технологических и научных задач не известны, существует практически бесконечное количество постановок задач даже в одной предметной области. В этом легко убедиться на научных конференциях по медицине, металлургии, химии, разработке композиционных материалов и др. - почти в каждом докладе приводится новая постановка задачи.

С помощью метода мозаичного портрета может быть решена задача изучения любой ╚большой системы╩ в следующей общей постановке: ╚На основании имеющихся исходных данных о значениях входных параметров и выходных показателей построить математическую модель, описывающую зависимость выходных показателей (комплекса выходных показателей) от входных параметров изучаемого объекта (процесса, системы, явления)╩. Эта модель может быть использована для прогноза поведения и диагностики ╚больших систем╩ любой физической природы. Задачи оптимизации любых ╚больших систем╩ решаются с помощью метода логического программирования или его модификации - метода ситуационного управления [12] по соответствующим мозаичным моделям.

═

Поэтому═ ИТИСС позволяет в каждой предметной области ставить и решить минимальное количество действительно важных═ задач. Прич╦м результаты решения этих задач в каждом конкретном случае являются основой для написания заявки на патент. Ниже приведены примеры общих постановок технологических и научных задач.

═

═задачА изучения и оптимизации действующих технологических процессов.

Для технологических процессов в химической, металлургической, нефтеперерабатывающей, биотехнологической и других отраслей промышленности универсальной является следующая постановка задачи: "Найти условия проведения технологического процесса, обеспечивающие существенное повышение его эффективности по комплексу заданных критериев". Более ч╦ткая постановка задачи формулируется следующим образом: "Найти условия проведения технологического процесса, обеспечивающие получение продукта с минимальной себестоимостью и заданным качеством". Поскольку доля сырья и энергетики в себестоимости продукта играет определяющую роль, а расходные нормы по этим показателям практически полностью определяются выходом готового продукта на загруженное сырь╦, возможна следующая модификация постановки задачи: "Найти условия проведения технологического процесса, обеспечивающие получение продукта с максимальным выходом и заданным качеством╩. При такой постановке решается также экологическая проблема сокращения количества отходов производства. Из материального баланса производства ╚сырье = продукт + отходы╩ следует, что с увеличением выпуска═ готового продукта соответственно снижается и количество отходов производства.

В тех редких случаях, когда спрос на выпускаемый продукт превышает предложение, наиболее целесообразной будет следующая постановка задачи: "Найти условия проведения технологического процесса, обеспечивающие получение продукта с максимальной прибылью и заданным качеством".

С помощью метода мозаичного портрета (ММП) строится математическая модель изучаемого процесса и на е╦ основе с помощью метода логического программирования (МЛП) определяются условия проведения технологического процесса, обеспечивающие решение поставленной задачи. При наличии патента -аналога необходимо лишь сопоставить полученный режим с его описанием в патенте, отметить существенные различия и подготовить заявку на патент. Формула изобретения записывается следующим образом: "Способ получения продукта А, отличающийся тем, что с целью повышения эффективности технологического режима по выходным показателям (перечислить выходные показатели, значения которых существенно превосходят патентные) необходимо выдерживать следующие условия проведения процесса (приводятся═ значения тех входных параметров, которые существенно отличаются от патента аналога).

Например, при оптимизации производства сульфаминовой кислоты найден оптимальный технологический режим ведения процесса, существенно отличающийся от режима, приведенного в патенте - аналоге. В результате его внедрения были существенно превышены регламентируемые выходные показатели:

- массовая доля основного вещества повысилась с 83.0 до 95.62% (на 15.2% отн);

- содержание серной кислоты сокращено с 6.0 до 2.58% (на 57.0% отн);

- мощность производства возросла с 3000 до 3300 т/год (на 10% отн).

По результатам работы получено авторское свидетельство ╧ 1060565 ╚Способ получения сульфаминовой кислоты╩.

═

Постановка═ задачи При разработке нового технологического процесса или нового композиционного материала

При разработке нового технологического процесса или нового композиционного материала исходная информация, необходимая для их изучения, может быть получена в режиме активного эксперимента по специальному плану, позволяющему с помощью минимального количества опытов построить соответствующие математические модели, описывающие зависимость выходного показателя от каждого из входных параметров изучаемой системы. [13-15]

Поскольку оптимизация изучаемого объекта проводится в дискретных шкалах, рекомендации по значениям входных параметров и соотношениям компонентов задаются в виде соответствующих оптимальных поддиапазонов их═ значений.

═При разработке нового технологического процесса определяются условия (технологический режим), обеспечивающие получение продукта с заданным выходным показателем (комплексом выходных показателей). По результатам разработки оформляется заявка на патент.

При наличии патента - аналога, формула изобретения имеет следующий вид: ╚Метод получения продукта А, отличающегося тем, что с целью достижения... (перечисляются выходные показатели, по которым достигнутые значения выше, чем в патенте - аналоге), он получается при значениях технологических параметров ... (приводятся только те, полученные при оптимизации значения поддиапазонов параметров технологического режима, которые отличаются от соответствующих значений поддиапазонов в патенте-аналоге)╩.

═При разработке нового композиционного материала определяются оптимальные соотношения компонентов смеси и технологический режим получения материала, обладающего заданным комплексом потребительских свойств. По результатам разработки оформляется заявка на патент.

═В случае, если патента-аналога нет, формула изобретения имеет следующий вид: ╚Метод получения материала А, отличающегося тем, что с целью достижения (перечисляются выходные показатели и достигнутые по ним значения), он получается при соотношение компонентов смеси (приводятся оптимальные поддиапазоны значений соотношений компонентов) и значениях технологических параметров (приводятся оптимальные поддиапазоны значений параметров технологического режима)╩.

В случае, если патент-аналог есть, формула изобретения имеет следующий вид: ╚Метод получения материала А, отличающегося тем, что с целью достижения... (перечисляются выходные показатели, по которым достигнутые значения выше, чем в патенте - аналоге), он получается при соотношение компонентов смеси... (приводятся только те, полученные при оптимизации поддиапазоны соотношений компонентов, которые отличаются от соответствующих поддиапазонов соотношений в патенте-аналоге) и значениях технологических параметров ... (приводятся только те, полученные при оптимизации значения поддиапазонов параметров технологического режима, которые отличаются от соответствующих значений поддиапазонов в патенте-аналоге)╩.

═

задачА синтеза новых химических соединений, обладающих заданными потребительскими свойствами:

Задача направленного синтеза химических соединений с заданными свойствами - одна из самых сложных и практически важных научных задач. Известно, например, что для включения красителя в ассортимент необходимо провести 800-1000 синтезов, а для создания нового лекарства необходим скрининг около 100000 соединений [16].

Одна из последних попыток решения═ этой задачи с использованием АРИЗ═ - создание информационной системы, которая позволяет ╚Отсеять часть кандидатов в лекарства, выбрав только те объекты для синтеза, в отношении которых квалифицированный химик уверен в успехе. На 1-ом месте в списке кандидатов на синтез будут соединения, которые имеют близкие аналоги в мире публикаций. Именно здесь химик начинает играть активную роль. Компьютеры и алгоритмы уменьшают необъятный виртуальный мир до таких границ, которые химик может обозреть и принять квалифицированное решение╩ [16].

В настоящее время накоплен большой опыт создания различных человеко - машинных комплексов, экспертных систем и т.п. Как правило, при работе с ╚большими системами╩ (практически любой класс химических соединений по своим информационным характеристикам - количеству возможных заместителей в различных положениях молекулы, взаимодействие которых и определяет физико-химические, биологические и др. потребительские свойства конкретного соединения - относится к ╚большим системам╩) эффективность таких систем низка. Но┘ ╚уроки истории заключаются в том, что из них не извлекают никаких уроков╩.(Бернард Шоу).

Постановка задачи при е╦ решении с помощью ИТИСС:═ "Для определ╦нного класса химических соединений построить системную модель зависимости комплекса заданных физико-химических, биологических и др. свойств от химического строения соединений изучаемого класса и на основании полученной модели осуществить направленный синтез химических формул новых соединений, обладающих комплексом заданных физико-химических, биологических и др. свойств".

Алгоритм решения этой задачи:

- с помощью ММП для изучаемого класса химических соединений строится математическая модель зависимости "строение -свойства";

- по этой модели с помощью МЛП осуществляется синтез химических формул новых не известных ранее соединений, потенциально обладающих заданным комплексом потребительских свойств.;

-═ после химического синтеза и соответствующих испытаний новых соединений оформляется заявка на патент "На новое химическое соединение, обладающее заданными свойствами..."

Для решения проблемы направленного синтеза новых химических продуктов впервые построена системная математическая модель зависимости между строением класса химических соединений и их свойствами. [17]. В качестве исходных данных были использованы химические формулы 273 дисперсных моноазокрасителей, входящих в отечественный ассортимент, ассортименты известных зарубежных фирм и синтезированные в институте химической технологии (г. Рубежное) в ходе поисковых работ. Для всех красителей были экспериментально определены устойчивость к свету, сублимации и выбираемости при 1% выкраске. При построении модели каждому заместителю в определ╦нном положении был присвоен соответствующий порядковый номер (код), что позволило описывать строение каждого красителя в виде соответствующего набора кодов.

Полученная модель состояла из 2-х подмножеств сочетаний элементов структуры красителя (в одно попали сочетания, встречавшиеся в исходном материале только у красителей, удовлетворяющим заданным требованиям по всем выходным показателям, а в другое - только те сочетания, которые в встречались в красителях, не удовлетворяющих хотя бы одному из этих требований.

С помощью этой модели решены следующие задачи.

-. Прогнозирование свойств новых, ещ╦ не синтезированных красителей по их химическим формулам.

Химиками были заданы формулы 73 новых соединений, планируемых для последующего синтеза. С помощью математической модели по каждой были предсказаны Только для 10 формул было предсказано приемлемое качество соответствующих им красителей.

После прогноза был осуществл╦н синтез всех 73 красителей и экспериментальная проверка их свойств. Оказалось, что 9 из 10 "хороших" по прогнозу красителей полностью соответствовали заданным требованиям, а 1 по показателям устойчивости к свету и сублимации был на 0.5 балла хуже. (Впрочем точность оценки этих показателей по ГОСТу 97-33-61 как раз и составляет 0.5 балла). В 12 случаях (16.5%) в математической модели не хватило информации для соответствующего прогноза, для 58 красителей (79.5%) прогноз и результаты экспериментальной проверки полностью совпали, для 3-╦х (4.1%) прогноз оказался ошибочным.

-. Формальный синтез химических формул красителей, потенциально обладающих комплексом заданных свойств.

С помощью формальных процедур по модели "строение-комплекс свойств" были синтезированы 16 формул ранее не известных моноазокрасителей. После химического синтеза и колористических испытаний оказалось, что качество 14 из них (87.5%) полностью соответствуют заданным ограничениям (устойчивость к свету >= 6 баллов, к сублимации >= 3 баллам, выбираемость при 1% выкраске - соответствующая. У 2-х красителей оценка по выбираемости была на 0.5 бала ниже заданной, что не превышает погрешности определения этого показателя по ГОСТу 97-33-61.

═

задачи диагностики, прогноза и оптимизации лечения в медицине:

Постановка задачи разработки метода дифференциальной диагностики близких по проявлениям заболеваний: ╚На основании таблицы экспериментальных данных, каждая строка которой содержит информацию о проявлениях болезни и верифицированном диагнозе для одного больного, найти специфические симптом -комплексы (дифференциальные синдромы) для каждой болезни из группы дифференцируемых заболеваний)═

С помощью ММП строится системная математическая модель, определяющая характерные для каждой из дифференцируемых болезней симптом -комплексы (дифференциальные синдромы). С помощью симптом -комплексов осуществляется надежное распознавание каждого из этих заболеваний. Полученная модель служит основой для написания заявки на патент: "Метод дифференциальной диагностики внутри группы близких по проявлениям заболеваний, например, болезней А, В, С и Д, отличающийся тем, что с целью повышения точности дифференциальной диагностики распознавание болезней осуществляется по специфичным для каждой болезни симптом -комплексам. (Приводятся симптом - комплексы для болезней А, В, С и Д)".

Совместно с Военно-медицинской Академией (г. Санкт-Петербург) был разработан простой и неинвазивный метод дифференциальной диагностики ╚язвенная болезнь желудка - раковая болезнь желудка╩, основанный на использовании специфических для каждого из дифференцируемых заболеваний симптом -комплексах. Практическое использование этого метода, например,═ в гастроэнтерологическом отделении городской клинической больницы N 20 (г. Санкт-Петербург) показало, что в 96.4% случаев диагноз, поставленный с использованием предложенного метода, совпал с верифицированным клиническим (гастроскопия с прицельной биопсией, операция).

Задачи прогноза осложнений (исходов) болезни могут быть представлены в следующей формулировке: - Разработать метод заблаговременного прогноза осложнений (исходов) конкретной болезни (А) на основании информации о е╦ проявлениях, собираемой в начальный период болезни.

Совместно с Военно-медицинской Академией (г. Санкт -Петербург) разработан метод прогноза осложнений инфаркта миокарда в остром периоде (кардиогенный шок, разрыв миокарда, недостаточность кровообращения, фибрилляция желудочков или без осложнений), которые обычно реализуются на 3-40 день пребывания в стационаре. Исходная информация о больном собиралась в день поступления в стационар, а диагноз осложнения записывался после его реализации. Построенная по этим данным мозаичная модель содержит 5 подмножеств симптом- комплексов, характерных для каждого из возможных осложнений.

Для реализации прогноза информация о значениях входных параметров нового больного, собираемая в 1-ый день его пребывания в стационаре, кодируется кодом, принятым при построении мозаичной модели. Затем определяют, симптом -комплексы каких осложнений встречаются у больного. Если у больного встречаются симптом комплексы только одного осложнения, выбирается превентивная терапия, соответствующая этому прогнозу. Если у больного встречаются симптом -комплексы 2-ух или более осложнений, может быть принято 2 решения:

- проводить превентивную терапию для более вероятного осложнения, которому соответствует большее количество выделившихся симптом -комплексов;

- исключить из превентивной терапии для более вероятного осложнения те лекарственные препараты и лечебные воздействия, которые противопоказаны при менее вероятном осложнении (осложнениях). Мозаичная модель прогноза осложнений болезни служит основой для написания заявки на патент: "Метод заблаговременного прогноза осложнений инфаркта миокарда (кардиогенный шок, разрыв миокарда, недостаточность кровообращения, фибрилляция желудочков или без осложнений), отличающийся тем, что с целью повышения точности прогноза его проводят═ по специфическим для каждого осложнения симптом -комплексам. (Приводятся специфические симптом - комплексы для каждого из осложнений: инфаркта миокарда).

Ниже, в качестве примера, приведены по 3 симптом - комплекса каждого из осложнений.

симптом - комплексы "Кардиогенного шока":

1. Пол мужской, в анамнезе отмечается недостаточность кровообращения, гипотензии (АД <90 мм рт ст) нет.

2. Гипертонической болезни не было, гипотензия есть, ритма галопа нет.

3. Гипотензия есть, шума трения миокарда нет, по ЭКГ установлено наличие заднего инфаркта.

═

- симптом - комплексы "Разрыва миокарда":

1. Шум трения перикарда есть, влажных хрипов в л╦гких нет, групповой экстрасистолии нет.

2. Недостаточности кровообращения не было, гипертензия (АД>160/90 есть, пароксизмов нет, аневризма сердца есть.

3. Иррадиация болей атипичная, влажных хрипов в л╦гких нет, брадикардии (<50 ударов/мин) нет, атриовентрикулярные блокады есть.

- симптом - комплексы "Недостаточности кровообращения":

1. Инфаркт миокарда не первичный, в анамнезе отмечается заболевание артериальных сосудов, ритм галопа есть, электоримпульсная терапия не применялась.

2. В анамнезе отмечается заболевание артериальных сосудов, в анамнезе отмечается недостаточность кровообращения, наблюдается увеличение размеров печени, по ЭКГ установлено наличие инфаркта всех стенок.

3. В анамнезе отмечается гипертоническая болезнь, наблюдаются влажные хрипы в л╦гких, наблюдается увеличение размеров печени, по ЭКГ установлено наличие переднего инфаркта.

- симптом - комплексы "Фибрилляции желудочков":

1. Сердечной астмы нет, от╦ка л╦гких нет, гипертензии нет, экстрасистолия политопная есть.

2. Бледность кожных покровов есть, гипертензия есть, групповая экстрасистолия есть.

3. Сознание ясное, групповая экстрасистолия есть, по ЭКГ установлено отсутствие переднего инфаркта.

- симптом - комплексы протекания болезни "Без осложнений":

1. Боли купированы медикаментами, тахикардии нет, желудочковой экстрасистолии нет, атриовентрикулярных блокад нет.

2. Бледности, цианоза нет, сознание ясное, тахикардии нет, желудочковой экстрасистолии нет.

3. Боли купированы медикаментами, сердечной астмы, от╦ка л╦гких нет, сердечные гликозиды не применялись, электроимпульсная терапия не применялась.

Практическое использование разработанного с помощью ИТИСС═ метода прогноза осложнений инфаркта миокарда позволило, например, в кардиологическом отделении городской клинической больницы ╧23 (г. Москва)═ сократитьлетальность от острого крупноочагового инфаркта миокарда на 36,8%, а от мелкоочагового инфаркта - на 45,1%.

Аналогично ставятся и решаются задачи ранней диагностики (или даже в латентном периоде) опасных для жизни хронических заболеваний (раковая болезнь, хроническая почечная недостаточность и др.).

═

Постановка задачи разработки метода═ выбора оптимальной стратегии лечения конкретной болезни: "На основании мозаичной модели болезни, устанавливающей зависимость эффективности лечения конкретной болезни (А) от параметров, характеризующих: болезнь и индивидуальность больного, с помощью метода ситуацинного программирования синтезировать для каждого конкретного больного оптимальную стратегию лечения╩

С помощью ММП строится системная математическая модель, определяющая зависимость эффективности лечения конкретной болезни от параметров, характеризующих: индивидуальность больного (цвет глаз, группа крови, резус-фактор и др.), . болезнь (анамнез, клиника, данные инструментальных и лабораторных методов исследования и др.), . параметры используемого лечения.

Для каждого конкретного больного зада╦тся ситуация - значения параметров, характеризующих его индивидуальность, и болезнь. Для полученной ситуации с помощью метода ситуационного программирования═ синтезируется максимально эффективное лечение.

Метод ситуационного программирования (МСП) является одной из модификаций метода логического программирования. Сущность МСП═ заключается в выделении ситуации - сочетания кодов поддиапазонов неуправляемых параметров, характеризующей проявления болезни и индивидуальность конкретного больного, а затем (для этой ситуации) синтеза оптимального управления (выбора выбор максимально эффективных═ лечебных воздействий. Разрабатывается пакет программ, реализующих выбор максимально эффективное лечение конкретной болезни для каждой конкретной ситуации (каждого конкретного больного).

На основании полученных данных оформляется заявка на патент: "Метод оптимизации лечения болезни N с уч╦том индивидуальных особенностей больного, отличающийся тем, что с цель повышения эффективности лечения, для каждой конкретной ситуации, определяемой параметрами, характеризующими болезнь и индивидуальность больного, по мозаичной модели болезни с помощью метода ситуационного программирования синтезируются рекомендации по соответствующему оптимальному лечению.

═

В общем случае, при использовании ИТИСС для оптимизации "больших систем",сопоставление полученной при оптимизации области оптимальных значений входных параметров с соответствующей областью входных параметров патента-аналога определяет то существенное отличие, которое затем войд╦т в формулу изобретения: "отличающееся тем, что с целью повышения эффективности работы по выходному показателю Yi (комплексу показателей Y)... и далее приводится полученное отличие╩.

В общем случае, при использовании ИТИСС для прогноза и диагностики "больших систем", сопоставление полученной с помощью метода мозаичного портрета системной модели, состоящей из специфичных тест -комплексов (симптом -комплексов) для каждого из прогнозируемых (диагностируемых) состояний, и соответствующих средств прогноза (диагностики) в патенте - аналоге определяет то существенное отличие, которое затем войд╦т в формулу изобретения: "отличающееся тем, что с целью повышения эффективности прогноза (диагностики) используются специфичные для каждого прогнозируемого (диагностируемого) состояния специфичные тест -комплексы (симптом -комплексы)╩.═ Перечни тест -комплексов (симптом -комплексов) специфичных для каждого прогнозируемого (диагностируемого) состояния приводятся.

В настоящее время в науке существует значительное несоответствие между затратами труда отдельных уч╦ных на получение исходных данных и значимостью результатов, получаемых на основании анализа этих данных. " Мир науки полон усердно работающих уч╦ных, которые с избытком владеют умением логически мыслить, большой добросовестностью в работе, и тем не менее они навсегда лишены способности выдвигать новые идеи. К великому сожалению новые идеи не являются только прерогативой тех, кто длительное время был занят их поиском и разработкой". [18]. Использование ИТИСС в научной работе позволит устранить это противоречие. ИТИСС позволит уч╦ному не только корректно сформулировать постановку задачи исследования и, соответственно, корректно провести сами исследования, но и получить из экспериментальных данных новые, неизвестные до сих пор в науке системные закономерности изучаемого объекта.

Трудно себе представить, сколько новых знаний похоронено в результатах проведенных ранее исследований! С помощью ИТИСС эти знания можно получить без дополнительных затрат на новые экспериментальные исследования.

Наиболее перспективными технологиями начала 21 считаются: новые материалы, полупроводники, полупроводники с улучшенными свойствами, цифровая обработка изображений, сохранение информации на носителях высокой плотности, скоростные компьютеры, оптоэлектроника, системы искусственного интеллекта, информационные супермагистрали, сенсорные технологии, биотехнологии, системы медицинской диагностики.

Использование формализованных процедур ИТИСС при разработке технологий 21 века позволит по каждой из них получить оптимальные решения и защитить эти решения соответствующими патентами.

═

Выводы.

1. Анализ известных методов изучения, разработки и оптимизации "больших систем" приводит к неожиданному выводу:

- Из-за присущих человеку психо-физиологических ограничений при распознавании абстрактных образов (ни один специалист не может оценить зависимость выходного показателя от совместного влияния более чем 2-ух входных параметров) и отсутствия корректных математических методов моделирования многофакторных систем (╚если в задаче больше 8-и переменных- она неразрешима╩), все созданные человеком "большие системы" неоптимальны и могут быть существенно улучшены.

2. Из этого вытекают совсем уже парадоксальные, но тем не менее над╦жно логически обоснованные следствия:

- Все патенты, выданные на решение задач идентификации, прогноза, диагностики и оптимизации "больших систем" могут быть заменены более сильными.

- В каждом конкретном случае разработка более сильного решения, чем в соответствующем патенте - аналоге, может быть осуществлена с помощью формальных процедур интеллектуальной технологии изучения сложных систем (ИТИСС).

- ИТИСС - формализованный алгоритм изобретения в области идентификации, прогноза, диагностики и оптимизации "больших систем".

3. ИТИСС отличается от АРИЗ (алгоритма решения изобретательских задач, разработанного на основе ТРИЗ) не только областью применения ( с помощью АРИЗ решаются задачи создания изобретений в технике, а с помощью ИТИСС - в технологии и науке), но и степенью формализации при постановке и решении изобретательских задач. ИТИСС позволяет с самого начала исследования ставить задачу корректно и решать ее с помощью формализованных процедур.

═

ЛИТЕРАТУРА

═

1. Я.И. Хургин. Да, нет, может быть... - Москва, :⌠Наука╩, 1977, с.208).

2 . Г.С.Альтшуллер. Творчество как точная наука. -Москва, : "Советское радио". 1979, с.175.

3. C. Лем. Планета Земля. Век 21. - Комсомольская правда ,11.08.1992г.

4. Л.А.Расстригин. С компьютером наедине. - Москва, : ╚Радио и связь╩, 1990. -224 с.).

5. Дородницын А.А. Математика и описательные науки. с.6-15. Число и мысль. Сборник. Вып.5.-Москва, : ╚Знание╩, 1982.-176 с.

6. А.А. Дородницын. Проблема математического моделирования в описательных науках. - Кибернетика, 4, 1983, с.6-10.

7. Энон. Основные закономерности научной работы. Физики продолжают шутить Москва, :"Мир", 1968 г.)

8. Марк Кац. Оптимальный режим. -═ ММ Деньги и Технологии, 10/2002.

9.. М.Д.Кац, В.В.Резниченко. Новый метод математического моделирования химико-технологических процессов. - "Автоматизация химических производств", 2, 1975.

10. М.Д.Кац, В.Н.Ардашев, Г.М.Яковлев и др. Метод мозаичного портрета в прогнозировании осложнений инфаркта миокарда. - "Кардиология", 6, 1981.

11. М.Д.Кац. Метод оптимизации химико-технологических процессов по информации, получаемой в режиме нормальной эксплуатации. - "Автоматизация химических производств", 2, 1980.

12. М.Д.Кац. О построении ситуационной модели и ситуационном управлении химико-технологическими процессами. - "Автоматизация химических производств", 5, 1980)═

13. М.Д.Кац, Давиденко А.М.═ Методология разработки новых композиционных материалов, обладающих заданным комплексом физико-химических (потребительских) свойств. - Вестник ХГПУ, выпуск 104, 2000 г. 14. М.Д.Кац, В.П.Невмывако, Л.М.Славуцкая и др. Методология исследования при разработке новых химико-технологических процессов - "Химическая технология", 4, 1984.

15. M. Kats, V. Kestelman, A. Davidenko. Methodology of developing a new composite material with specified combination of═ physical and chemical properties or utilization qualities.- SCIENTIFIC ISRAEL √ TECHNOLOGICAL ADVANTAGES. Contents VOL. 5. 2003 No. 2 " Materials Engineering⌠.

16. Р.Уайф, Ю.Хехенкамп. "SORT&gen - новая═ информационная технология открытия лекарств будущего. - Росийский химический журнал. 1998, ╧6.

17. М.Д. Кац, Э.И. Мостославская. Зависимость между строением дисперсных моноазокрасителей и их потребительскими свойствами на лавсане. √ Журнал прикладной химии, 1983, ╧ 9.

18. Эдвард де Боно. Рождение новой идеи, Москва.: "Прогресс",1976, 141 с.

Опубликовано в Украинском═промышленном журнале ⌠ММ Деньги и Технологи■, 6/2003, с.26-31

Ключевые слова:
Kats M.D., патент, техника, технология, наука, алгоритм изобретения.