Створена перша в світі автоматизована система проектування багатомодульних нейронних мереж та на її основі багатомодульна нейросистема розпізнавання рухомих об’єктів на відеозображеннях.
Розроблена серія вітчизняних нейрокомп’ютерів загального призначення та створений дослідний зразок базової моделі нейрокомп’ютера «NeuroLand», що відповідає, а за деякими параметрами перевищує кращі світові аналоги.
Розроблена технологія застосування багатомодульних нейромереж для розпізнавання образів ультразвукової локації в системах безпеки пасажирів автомобілів та хімічних образів при створенні інтелектуальних сенсорів для оперативного виявлення забруднень повітря та ін.
Створена інтелектуальна нейросистема, що включає три підсистеми: багатомодульну нейросистему загального призначення, підсистему рекурентних нейромереж реального часу «Neuro-Conveyor» та підсистему прогнозування часових послідовностей «TrendCaster».
Розроблена багатомодульна архітектура дослідного зразка інтелектуальної нейросистеми, яка дозволяє автоматично підключати до системи та реєструвати нові модулі.
Розроблений та експериментально апробований новий метод моделювання інверсної динаміки в системах нейроуправління з використанням контрольованого збурення. Розвинута теорія динамічної асоціативної пам’яті з множинними затримками зворотних зв’язків та одержане експериментальне підтвердження її ефективності.
Розроблений експериментальний програмний комплекс для моделювання систем нейрокерування динамічними об’єктами з використанням рекурентних нейромереж.
Створена удосконалена система нейрокерування динамічними об’єктами, яка посіла перше місце на міжнародному конкурсі систем магнітної левітації в університеті м.Сієна, Італія.
Розроблена теорія та створена програмна модель динамічної асоціативної пам'яті нового типу, здатна до самовідновлення при втраті частини нейронів, на якій вперше у світі відтворений ефект лікування амнезії шляхом нагадування образів минулого.
Розроблені та експериментально випробувані метод псевдорегуляризації і нова технологія навчання рекурентних нейромереж, що дозволило збільшити у 2-10 разів точність нейроуправління і на 10-30% точність багатокрокового нейропрогнозування.
Розроблені новий метод навчання нейронних мереж прямого розповсюдження з лінією затримки сигналів для багатокрокового прогнозування числових послідовностей, нейротехнологія та програмні засоби багатокрокового прогнозування, які забезпечують дворазове поліпшення якості прогнозів.
Розроблена нова концепція відкритих динамічних систем, основана на понятті спостереження, яка створює принципово нові можливості для інтерпретації та прогнозування поведінки об’єктів будь-якої природи, дослідження процесів розвитку складних соціально- економічних та екологічних систем, розробки ефективних моделей інформаційних процесів у природі та суспільстві.
Розроблений та експериментально випробуваний метод семплювання для підвищення точності нейромережевих методів прогнозування часових рядів, що містять довгострокові залежності. Запропонований новий тип активаційних функцій, що забезпечує подолання фундаментального ефекту зникнення градієнтів, негативного для навчання всіх типів глибоких нейронних мереж.
Глибокі рекурентні нейромережі застосовані для вирішення задачі виявлення аргументів при обробці природньої мови («Argument Mining»), що дозволило на 12% покращити якість у порівнянні з найкращими у світі результатами. Отримала подальший розвиток теорія ортогональних нейромереж, що дозволяє подолати негативний ефект зникнення градієнтів у перцептроно-подібних нейромережах прямого поширення за рахунок використання розробленого методу ортогональних проекцій матриць вагових коефіцієнтів.
Вперше глибокі рекурентні нейромережі застосовані для вирішення задачі категоризації складності медичних термінів, розроблений програмний пакет «BiLSTM-CNN-CRF tagger» для обробки природної мови з використанням глибоких рекурентних нейромереж. Отримані наукові результати забезпечують можливість використання розроблених методів та програмних засобів для вирішення задач обробки послідовностей, зокрема, обробки природної мови. Отримані результати впроваджені у навчальному процесі Українського католицького університету (м. Львів).
Запропонована концепція відкритих динамічних систем, що дає нову інтерпретацію процесів управління адаптивними системами та навчання глибоких нейронних мереж, розкритий відомий парадокс «стріли часу» та виявлені можливі причини грубих помилок методів глибокого навчання. Практична значимість отриманих наукових результатів полягає у можливості використання концепції відкритих динамічних систем для більш глибокого вивчення та удосконалення процесів глибокого навчання і теоретичного обґрунтування нових розробок штучного інтелекту.
Досліджена взаємодія внутрішніх інформаційних потоків при глибокому навчанні, запропонована принципово нова модель нейронної мережі як відкритої динамічної системи. Розроблена концепція відкритої динамічної системи як загальної моделі процесів розвитку, управління та навчання динамічних систем будь-якої природи, що дозволяє розширити предметну область теорії систем на відкриті динамічні системи.
Запропонована нова модифікація симетричної динамічної мережі Хопфілда, придатна для моделювання процесів відновлення змісту асоціативної пам’яті, яка моделює поведінку молекули ДНК, що може бути застосована в системах штучного інтелекту для реалізації ефектів самоорганізації. Визначена структура та виявлені нові властивості нелінійного оператора, відповідального за процес конвергенції та оновлення змісту асоціативної пам’яті динамічної мережі Хопфілда.
Досліджена поведінка мультистабільних нейромереж у режимі конвергенції. Виявлено, що при досягненні мінімуму функції енергії виникає надлишок енергії, утворений при нелінійному перетворенні вектора поточного стану на зовнішню реакцію нейромережі. Цей надлишок представляє приховане джерело енергії, що забезпечує її існування та розвиток живої клітини.
