Привет! Решили показать будущие помещения лаборатории, а также рассказать более подробно о том, чем лаборатория занимается и как вообще появилась 🎉

00:00-1:35
Как сделать свою лабораторию, как появилась идея, в чем актуальность 🔬

1:35-3:05
Первая часть экскурсии по лаборатории, кухня и основное помещение для сотрудников 🥐

3:05-8:15
Основные направления деятельности и исследований лаборатории 🧑‍🔬

8:16-9:55
Ещё один кабинет, а также почему в лаборатории нет непосредственно лаборатории, а только столы под компьютеры 🖥

9:55-11:00
Последнее помещение, комнатка для отдыха, собраний и обсуждений 😎

В ближайшие пару месяцев ожидаем, что ремонт завершится, покажем потом, как будет после 🙌

Сильная работа наших коллег из центра Химии и Искусственного Интеллекта. Всем советуем послушать 🏆

ИИ для химии: как мы вырастили сокристаллы с помощью глубокого обучения

Искусственный интеллект становится незаменимым инструментом во многих научных областях. Мы хотим поделиться успешным опытом применения методов генеративного ИИ в химической задаче подбора коформеров для образования сокристаллов, обладающих заданными свойствами. Такая постановка не является чисто академической - успешное решение данной задачи поможет сделать производство твердых лекарственных форм быстрее и эффективнее. Наилучших результатов в предсказании таблетируемых сокристаллов объединенной команде из представителей центров “Сильный ИИ в промышленности” и химико-биологического кластера ИТМО удалось достичь с помощью нового подхода, объединяющего три генеративные модели, эволюционную оптимизацию и автоматическое машинное обучение.

Спикеры:
Николай Никитин, руководитель лаборатории автоматического машинного обучения
Глеб Соловьев, аспирант ФЦТ
Нина Губина, магистрант ХБК

РЕГИСТРАЦИЯ: https://forms.gle/Qc5kwFmNmnqigAg17

⚡ Новый прорыв в биоинформатике от Google DeepMind: AlphaFold 3 ⚡

Google DeepMind представляет AlphaFold 3, революционную ИИ-модель, способную моделировать не только трехмерные структуры белков, но и их взаимодействие с другими молекулами. Эта модель открывает новые горизонты в понимании биомолекулярных структур и процессов.

🧬 Что умеет AlphaFold 3?
AlphaFold 3 способен предсказывать структуры белков, ДНК, РНК и лигандов, а также моделировать отдельные клеточные процессы. Модель использует диффузионный метод для генерации 3D-моделей, подобно созданию изображений в Midjourney или Stable Diffusion. Статья Nature про то, как это работает.

🔍 Преимущества для науки
Эта технология позволяет ученым отказаться от многих сложных лабораторных экспериментов, заменив их быстрыми и точными визуализациями и предсказаниями от ИИ. Это значительно ускоряет исследования, например, в области разработки новых лекарственных препаратов.

🌐 Доступность
На данный момент AlphaFold 3 не доступен в открытом доступе (есть целый документ, почему). Однако ученые могут использовать бесплатный AlphaFold Server для загрузки своих данных и получения предсказаний от модели.

💬 Перспективы и обсуждения
Среди научного сообщества уже ведутся обсуждения о том, что будущие версии могли бы моделировать происхождение жизни или даже всю структуру Вселенной. Эти темы порождают разговоры о биотерроризме и гипотезе симуляции. Действительно, такие открытия и разработки открывают колоссальные перспективы, которые ещё предстоит осмыслить.

🔬 Вклад в науку и медицину
AlphaFold 3 не только предсказывает структуру белков, ДНК и РНК, но и показывает, как эти молекулы взаимодействуют друг с другом, что может радикально изменить наше понимание биологии и ускорить разработку новых лекарственных средств. Эта модель уже обогнала по качеству молекулярный докинг, классический метод для оценки взаимодействия белков с молекулами

https://blog.google/technology/ai/google-deepmind-isomorphic-alphafold-3-ai-model/

Что думаете?🌟

🔍Математики раскрыли часть тайны принятия решений нейросетями 🔍

🤔Проблема
Самая главная загадка работы нейросетей - как они решают, какие признаки более, а какие менее важные в решении конкретной задачи. Простой пример: если мы пытаемся прогнозировать растворимость молекул по их составу и строению - как нейросети оценивают вклад отдельных атомов в величину растворимости, учитывая в окружении каких атомов они находятся?

🔬Что сделано
Под руководством нашего соотечественника Михаила Белкина ученые из Гарварда математически показали, как происходит процесс обучения признаков в самых разных нейросетях:
- многослойных перцептронах (полносвязные нейросети)
- сверточных нейросетях (для работы с изображениями)
- рекуррентных нейросетях (для работы с последовательностями, например, с текстом)
- трансформерах (например, ChatGPT)

🏆Что получили
Проанализировав процесс градиентного спуска (главный механизм обучения современных нейросетей), они вывели математическое уравнение (грузить математикой не будем), позволяющее очень точно воспроизводить процесс обучения признакам всеми этими нейросетями, и всё это вообще без обучения нейросетей!

🖥Практическая польза
Многие классические алгоритмы машинного обучения куда эффективнее нейросетей на малых данных, но из-за отсутствия градиентного спуска как правило плохо справляются с задачей обучения признаков. Этот метод, по сути, позволяет перенести это преимущество нейросетей (отбор признаков с помощью градиентного спуска) в классические алгоритмы машинного обучения, усиливая их.

Подробнее: https://doi.org/10.1126/science.adi5639

✨Приглашаем на лекцию "Quantum Machine Learning: Future Revolution in AI" ✨

Лектор: Никита Серов, PhD, руководитель лаборатории "Генеративный дизайн молекулярных машин"

Искусственный интеллект уже стал ключевым фактором перемен в XXI веке, о котором говорят в каждом втором новостном сюжете. Но существуют ли фундаментальные проблемы, которые могут ограничить развитие современных технологий ИИ в ближайшем будущем? На этой лекции вы узнаете, как квантовые эффекты способны перевернуть с ног на голову самые базовые идеи машинного обучения и произвести революцию в области ИИ.

Описание лекции:

Эта лекция предоставит уникальную возможность заглянуть за горизонт текущих технологий ИИ и понять, как квантовые вычисления могут кардинально изменить правила игры. Никита Серов, PhD, руководитель лаборатории "Генеративный дизайн молекулярных машин", как человек со знанием квантовой химии и ИИ, взял на себя задачу структурировать основные достижения в этой области и выделил плюсы и минусы новой технологии.

❓В ходе лекции будут рассмотрены следующие ключевые вопросы:
- Какие ограничения существуют у современных методов машинного обучения?
- Как квантовые эффекты могут преодолеть эти ограничения?
- Какие перспективы открываются перед ИИ благодаря квантовым вычислениям?
- Примеры реальных приложений квантового машинного обучения в химии и материаловедении.

👩‍🔬👨‍🔬Для кого подойдет эта лекция:

Лекция будет интересна всем любителям ИИ, владеющим английским языком. Входных требований нет, однако для более глубокого понимания материала полезно иметь базовые знания в области линейной алгебры и квантовой механики.

🌐 Эта лекция станет первой в серии "The era after AI we know", где мы будем обсуждать будущее ИИ, естественного интеллекта и нейроморфных вычислений.

🔥Не упустите шанс узнать о передовых разработках и обсудить будущие перспективы.

Дата и время проведения: 26 июля, 17:00

Место проведения: университет ИТМО, Ломоносова 9, аудитория 1303/8 Медиацентр

❗️Язык лекции: английский ❗️

⚡️ Регистрация по ссылке ⚡️

Мы ждем вас на нашей лекции!

🖥 Также будет вестись трансляция и запись лекции. Чтобы не пропустить - подписывайтесь на телеграм-канал лаборатории.

Привет, друзья! 🌟

У нас отличные новости — в журнале Artificial Intelligence Chemistry опубликован наш большой обзор! 🎉

🌟 В обзорной статье "User-Friendly and Industry-Integrated AI for Medicinal Chemists and Pharmaceuticals" мы подробно рассмотрели современные ИИ-решения в фармацевтической индустрии. Мы охватили все аспекты: от работы алгоритмов до оптимизации исследований в области естественных наук. Также мы проанализировали доступные инструменты, которые помогают медицинским химикам на всех этапах их работы, и привели примеры успешной интеграции ИИ в индустрию и клиники.

В обзоре вы найдете:
🔬 Простое и понятное объяснение работы нейронных сетей
📊 Описание открытых баз данных для задач медицинской химии
🛠️ Обзор удобных и интегрированных в индустрию ИИ-инструментов
📅 Ретроспективный анализ развития ИИ в период пандемии COVID-19 (виртуальные ассистенты врачей, приложений для пациентов и многое другое)

⚡️Особенно хочется отметить комментарий от Полины Бурмакиной, сотрудницы нашей лаборатории, для которой это был первый опыт публикации:

👩‍🔬“Работа над статьей по интересной и актуальной теме - это крутой опыт, прокачивает английский. Я сама узнала почти про все тулы, про которые писала, впервые и если честно очень впечатлилась масштабом предлагаемых решений. Теперь отношусь к нейронкам серьезнее и вдохновилась внедрить что-то из этого в свою работу в мокрой лабе. Иногда кажется, что нейронки - это не очень серьезная помощь (ну там неумное использование чатов GPT и простых дизайнерских приложений), но теперь я вижу их потенциал. Я вызвалась участвовать в написании статьи, даже не рассчитывая, что напишу довольно много текста и что он будет качественно неплох.”

Обзор будет полезен всем, кто интересуется интеграцией ИИ в медицину и фармацевтику.

https://doi.org/10.1016/j.aichem.2024.100072

🙌Пока мы готовим запись научной лекции от руководителя лаборатории Никиты Серова, есть возможность записаться на научно-популярную лекцию от ведущего исследователя в проекте генеративного дизайна ДНК-сенсоров, сотрудницы лаборатории Зинаиды Красовской 🎉

☝️Лекция называется «Искусственный интеллект в науке: от персонального ассистента до цифровых биотехнологий»

Зинаида расскажет:
-как ИИ применяется в передовых научных областях, таких как, например, биотехнологии
-как искусственный интеллект используется для создания и оптимизации сложных молекулярных структур, открывая новые перспективы в нанотехнологиях и медицине.
-какие есть актуальные траектории развития ИИ в науке, включая потенциал квантовых вычислений и развитие нейроморфных структур, имитирующих работу человеческого мозга.

✨Кроме того, будет возможность более подробно познакомиться с деятельностью нашей лаборатории и узнать о других проектах, над которыми мы работаем.

Регистрация по ссылке

Адрес: Наб. Обводного канала, 74Б. Библиотека Планетария №1

Дата и время: 1 августа, 19:00

💥Запись лекции Никиты Серова Quantum Machine Learning: Future Revolution in AI💥

Запись лекции доступна по ссылке: https://youtu.be/eauUeNZBvu4?si=aSqJDqM3SH4bJdCQ

Основные тезисы:

🔍Введение в квантовые вычисления и квантовое машинное обучение:
- Классические вычисления с битами и логическими операциями
- Концепция кубита и квантовой суперпозиции
- Квантовый параллелизм и преимущества квантовых вычислений

🔍 Решения уравнения Шредингера:
- Необходимость точного моделирования квантовых систем
- Ограничения классических методов, а именно, отсутствие точных решений для большинства систем

🔍 Примеры применения квантовых вычислений в химии:
- Вычисление энергетических спектров молекулярных систем
- Изучение механизма биологической фиксации азота
- Использование вариационного квантового решателя для малых молекул и квантовых магнитов

🔍 Квантовое машинное обучение:
- Квантовые нейронные сети и квантовые перцептроны
- Метрики для оценки производительности квантовых моделей
- Различные подходы к обучению квантовых моделей

🔍 Текущие проблемы и ограничения квантового машинного обучения:
- Ограничения квантовых вычислений, такие как декогеренция и сложность оптимизации
- Необходимость разработки новых алгоритмов и архитектур
- Интеграция квантовых и классических компонентов

Квантовые вычисления и квантовое машинное обучение открывают новые возможности для решения сложных задач в химии, физике и других областях, но также сталкиваются с рядом технических и теоретических проблем, которые предстоит решить. Именно это делает область в равной степени противоречивой и такой привлекательной.

🤔А что думаете вы на этот счёт? Получит ли эта технология развитие или же останется на задворках науки? Вопросы и комментарии можно писать под постом 🙌