ТРАНСФОРМАЦІЯ ФІЗИЧНОЇ ОСВІТИ ЗА ДОПОМОГОЮ НЕЙРОННИХ МЕРЕЖ: СУЧАСНІ ПІДХОДИ ТА ІНСТРУМЕНТИ
Анотація
У статті досліджуються сучасні тенденції використання нейронних мереж при викладанні фізики в закладах вищої освіти. Актуальність теми зумовлена нагальною необхідністю трансформації традиційних методів навчання для відповідності очікуванням нового покоління студентів, яке звикло до інтерактивних форматів та цифрових технологій. Метою дослідження є аналіз сучасних технологій нейронних мереж, які застосовуються у викладанні різних розділів фізики, оцінка їх ефективності та окреслення перспектив подальшого розвитку в цій сфері. Дослідження базується на ретельному огляді наукових публікацій з цієї тематики та на практичному досвіді впровадження нейронних мереж у провідних університетах світу. Методологія дослідження передбачає системний аналіз, порівняння та узагальнення наявних рішень на основі нейронних мереж. Представлено детальний аналіз конкретних технологій нейронних мереж, застосованих у різних галузях фізики: мережа з довготривалою короткочасною пам’яттю (LSTM) і згорткова нейронна мережа (CNN) - для механіки; генеративна змагальна мережа (GAN) і графова нейронна мережа (GNN) - для електромагнетизму; глибокі нейронні мережі з підкріпленням (DRL) - для термодинаміки; нейромережа, що базується на варіаційних автоенкодерах (VAE) і нейромережа, яка використовує архітектуру глибоких залишкових мереж (ResNet) - для квантової фізики; глибокі згорткові мережі та трансформери - для астрофізики.
Результати показують, що впровадження технологій нейронних мереж суттєво підвищує ефективність навчання, сприяє візуалізації складних фізичних процесів, автоматизує обчислення та забезпечує персоналізоване навчання. Встановлено, що застосування різних архітектур нейронних мереж у навчальному процесі сприяє розвитку критичного мислення, глибшому розумінню фізичних понять і формуванню практичних навичок роботи з експериментальними даними у студентів. Перспективними напрямами подальшого розвитку є створення мультимодальних систем, розробка адаптивних навчальних платформ та інтеграція віртуальної реальності з моделями нейронних мереж.
Завантаження
Посилання
2. X. Zhai, X. Chu, C. S. Chai, et al. Complexity, 1, 8812542 (2021). https://doi.org/10.1155/2021/8812542
3. C. Fischer, Z. A. Pardos, R. S. Baker, et al. Review of Research in Education, 44, 1, 130 (2020). https://doi.org/10.3102/0091732X20903304
4. C. Brady, R. Gonen, G. Rabinovich. IEEE Access, 12, 114086 (2024). https://doi.org/10.1109/ACCESS.2024.3443873
5. F. Djeumou, C. Neary, E. Goubault, S. Putot, U. Topcu. PMLR, USA, CA (2022), v. 168, p. 263. https://doi.org/10.48550/arXiv.2109.06407
6. S. Motamed, L. Culp, K. Swersky, P. Jaini, R. Geirhos. arXiv, 2501.09038 (2025). https://doi.org/10.48550/arXiv.2501.09038
7. H. Wu, S. Niu, Y. Zhang, W. Fu. Applied Sciences, 12, 20, 10426 (2022). https://doi.org/10.3390/app122010426
8. D. Erricolo, A. Kempel, M. Salazar-Palma, C. Luxey, P. Nepa. International Conference on Electromagnetics in Advanced Applications (ICEAA), Spain, Granada (2019), v. 21, p. 1377. https://doi.org/10.1109/ICEAA.2019.8879110
9. N. Amigo. Applied Sciences, 15, 10, 5574 (2025). https://doi.org/10.3390/app15105574
10. S. A. Sepúlveda-Fontaine, J. M. Amigó. Entropy, 26, 12, 1126 (2024). https://doi.org/10.3390/e26121126
11. M. Bhupati, A. Mall, A. Kumar, P. K. Jha. Advanced Physics Research, 4, 2, 2400089 (2025). https://doi.org/10.1002/apxr.202400089
12. G. Carleo, M. Troyer. Science, 355, 602 (2017). https://doi.org/10.48550/arXiv.1606.02318
13. S. Sarkar, A. Ji, Z. Jermain, R. Lipton, M. Brongersma, K. Dayal, H. Y. Noh. Adv. Photonics Res., 4, 2300158 (2023). https://doi.org/10.1002/adpr.202300158
14. P. Ghadekar, K. Chanda, S. Manmode, S. Rawate, S. Chaudhary, R. Suryawanshi. Advancements in Smart Computing and Information Security, India, Rajkot (2022), v. 1759, p.3. https://doi.org/10.1007/978-3-031-23092-9_1
3.gif){kind=logo}
