Младший научный сотрудник лаборатории нейроинтеллекта МГУ выступила с докладом об изучении патологий памяти

#фонд_Интеллект
#фонд_Вольноедело

Специалисты ИПИМ МГУ отметили, что изучение молекулярных и клеточных механизмов патологий мозга ― одна из ключевых задач современной нейробиологии. Эти исследования имеют особое значение для понимания нарушений памяти, развивающихся при посттравматическом стрессовом расстройстве (ПТСР) и болезни Альцгеймера, а также для разработки новых терапевтических подходов.

Младший научный сотрудник лаборатории нейронного интеллекта МГУ Ольга Ивашкина представила результаты, касающиеся молекулярных и клеточных механизмов развития ПТСР, а также данные о консолидации и реконсолидации памяти в трансгенной линии мышей 5xFAD, моделирующей болезнь Альцгеймера.

«В зависимости от изначального уровня кортикостероидных рецепторов одни животные более устойчивы к формированию ПТСР, а другие менее устойчивы. Кроме того, на людях, крысах и мышах было показано, что есть разница в процентном распределении, которая зависит от пола: самки животных и женщины, если говорить о людях, развивают ПТСР в ответ на разные ситуации чаще, чем мужчины или самцы», ― отметила Ольга Ивашкина.

Читать подробнее: vk.cc/cQ1GC9

✅ Исследование выполнено при поддержке Фонда «Интеллект», а также благодаря инициативе и поддержке Фонда «Вольное Дело» Олега Дерипаска.

Ученые МГУ предложили и реализовали новый метод измерения спектрально-временной формы предельно короткого терагерцевого излучения

#фонд_Интеллект
#фонд_Вольноедело

Аспирант физического факультета Борис Румянцев прошел курс «Нейронные сети и их применение в научных исследованиях» и стал одним из победителей конкурса публикаций 7-го потока MSU.AI. Статья опубликована в сборнике научных трудов XIV международной конференции по фотонике и информационной оптике.

Терагерцевый (ТГц) диапазон электромагнитного спектра охватывает диапазон от ~0.1 ТГц (длина волны 3 мм) до ~10 ТГц (30 мкм). ТГц-диапазон является промежуточным на пути от радиоволн к оптическому излучению, поэтому исторически этот диапазон был труднодоступен как с точки зрения генерации, так и регистрации излучения. Так, обычные радиоэлектронные компоненты не работают на частотах выше ~0.3 ТГц, в то время как фотоны ТГц-диапазона обладают малой энергией кванта, которая сравнима с тепловой энергией флуктуаций при комнатной температуре. Таким образом, частота колебаний ТГц-поля слишком велика для применения радиоэлектронных методов генерации и регистрации, а энергия ТГц-фотона слишком мала для применения квантовых подходов.

Решением оказалось использование методов нелинейной оптики для генерации и регистрации ТГц-излучения. В частности, классическим методом регистрации на сегодняшний день является метод электрооптического детектирования на основе эффекта Поккельса в электрооптическом кристалле, открывший возможности для проведения терагерцевой спектроскопии для изучения абсорбционных и дисперсионных свойств различных образцов, включая газы, жидкости, жидкие кристаллы и многие типы твердых тел - от полупроводников и сверхпроводников до молекулярных кристаллов. Однако данный метод имеет ограничение по максимальной напряженности измеряемого ТГц-поля на уровне сотен кВ/см, а результаты таких измерений подвержены искажениям за счет наличия ТГц-резонансов в области 1-10ТГц в кристаллах, используемых в данном методе.

В рамках данной работы предложен и экспериментально реализован метод регистрации временной формы спектра ТГц-излучения на основе эффекта генерации оптических гармоник фемтосекундного лазерного излучения ближнего ИК диапазона в газовой среде с применением машинного обучения для восстановления параметров ТГц-импульса по измеренному сигналу. Преимуществом данного метода в сравнении с электрооптически детектированием является отсутствие необходимости использования нелинейного кристалла, искажающего временную форму и пиковую напряженность измеряемого ТГц-поля при измерении широкополосного сигнала.

Читать подробнее: vk.cc/cQ8Ttv

✅ Исследование выполнено при поддержке Фонда «Интеллект», а также благодаря инициативе и поддержке Фонда «Вольное Дело» Олега Дерипаска.

Нобелевской премией по химии за 2025 г. были отмечены исследования, посвященные разработке металлоорганических каркасов. В чем преимущество такой молекулярной архитектуры? Где можно использовать такие структуры? Объясняет кандидат химических наук А.А. Митрофанов.

«Металлоорганические каркасы — уникальный класс материалов. Они состоят из металлических центров, объединенных в трехмерные структуры органическими молекулами. Подобная организация обеспечивает огромное разнообразие возможных структур при минимальных модификациях исходных компонент. А значит, можно практически вручную настраивать свойства материала, изменяя органическую молекулу или варьируя металл».

Артем Александрович привел несколько примеров применения металлоорганических каркасов: так, они могут выступать в роли проводников и полупроводников, использоваться для газовой сорбции или газового разделения.

Фото: Елена Либрик / Научная Россия

Подробнее на портале Научная Россия

#химия
#нобелевская_премия

На Луне нашли 20 новых масконов с помощью ИИ

#фонд_Интеллект
#фонд_Вольноедело

Нейронные сети помогли открыть новые области загадочной природы на Луне — так называемые масконы.

В гравитационном поле Луны проявлены интенсивные аномалии, аналоги которых на Земле отсутствуют. Несмотря на то, что впервые они были выделены в конце 60-х годов прошлого века по отклонениям в движении искусственных спутников Луны, природа их возникновения до сих пор остается дискуссионной и неизвестной.

Маскон (от англ. mass concentration) — это скопления более плотного вещества внутри Луны. Они искажают ее гравитационное поле, делая его «неровным». Из-за этого космическим аппаратам сложнее летать по орбите, а ученым — понять, как устроена внутренняя структура спутника Земли.

До недавнего времени было известно около 60 таких аномалий. Но выпускник курса «Нейронные сети и их применение в научных исследованиях» Кирилл Кузнецов вместе с коллегами смог не только подтвердить уже открытые объекты, но и обнаружить новые области, представляющие несомненный интерес при изучении внутреннего строения Луны.

Кирилл Кузнецов совместно с коллегами в своем исследовании применил сверточные нейронные сети, которые были обучены на выборке синтетически смоделированных данных, имитирующих аномалии силы тяжести масконов. Результаты своего исследования он опубликовал в научном журнале «Геофизика». Исследование поддержано фондом развития науки и образования «Интеллект». При поддержке фонда Олега Дерипаска «Вольное дело».

«Тематика изучения Луны все чаще появляется в новостных лентах, и мы не остаемся в стороне. В ходе исследования разработан подход к выделению аномалий в ее гравитационном поле с применением технологий искусственного интеллекта, который может быть применен для автоматизации процесса создания объемной плотностной модели спутника Земли. Также важно отметить, что разработанный подход может быть применен в задачах анализа геофизических полей Земли с целью, например, поиска полезных ископаемых», — пояснил Кирилл Кузнецов, доцент кафедры геофизических методов исследования земной коры геологического факультета МГУ, выпускник MSU.AI.

В итоге удалось разработать подход к локализации аномалий силы тяжести на основе нейронных сетей, подтвердить более 90% известных масконов и самое главное — открыть новые области, которые теперь ждут дальнейшего изучения.

Такие методы можно применять и на Земле — например, для поиска полезных ископаемых. То, что начиналось как космическая задача, может помочь и в решении вполне земных проблем.

Код и примеры доступны на GitHub.

✅ Исследование выполнено при поддержке Фонда «Интеллект», а также благодаря инициативе и поддержке Фонда «Вольное Дело» Олега Дерипаска

Ученый МГУ рассказал о своем исследовании в рамках конкурса публикаций 7-го потока MSU.AI

#фонд_Интеллект
#фонд_Вольноедело

Инженер 2 категории кафедры теоретической и прикладной лингвистики филологического факультета МГУ имени М. В. Ломоносова Пётр Россяйкин прошел курс «Нейронные сети и их применение в научных исследованиях» и стал одним из победителей конкурса публикаций 7-го потока MSU.AI. Статья опубликована в сборнике Dialogue- 2025 международной конференции по компьютерной лингвистике и интеллектуальным технологиям.

Одна из наиболее известных и изученных задач компьютерной лингвистики – анализ тональности, то естьзадача классификации текстов с точки зрения отношения автора к тому, о чем он пишет. Как правило, автоматический анализ тональности применяется к отзывам и рецензиям на товары, услуги, предметы искусства, то есть текстам, которым присуща авторская оценка. Однако тексты других типов содержат мнения в более неявном и противоречивом виде. Например, в текстах новостей часто сообщается об отношении одних лиц или организаций к другим, причем позитивное или негативное отношение может выражаться как в словах, так и в действиях. Если сообщается, что одна компания подала на другую в суд, то это означает негативное отношение первой компании ко второй. Кроме того, в новостных текстах сам автор может выражать разные мнения об упомянутых в нем сущностях. Таким образом, новостные тексты часто не имеют общей тональности (положительной или отрицательной), но содержат множество разных мнений. Автоматическое извлечение мнений из текстовых корпусов может быть использовано для оценки отношения пользователей к продуктам и сервисам, а также при исследовании социальных процессов, например, для оценки отношения в обществе к различным событиям, процессам, личностям и так далее. Формально задача состоит в том, чтобы сопоставить тексту список содержащихся в нем мнений в виде кортежей < источникмнения; объект мнения; выражение, передающее отношение; тональность >.

«Я участвовал в соревновании, посвященном решению этой задачи на материале русскоязычных новостных текстов – RuOpinionNE-2024, итоги которого были подведены на конференции по компьютерной лингвистике и интеллектуальным технологиям «Диалог 2025». Впрочем, соревнование остается открытым, и любой может отправить свое решение и попытаться превзойти лучшийрезультат. Я рассматривал два подхода к решению этой задачи. Первый состоит в том, чтобы предсказывать отношения между отрезками текста. Таким образом, текст рассматривается как граф слов, и необходимо классифицировать ребра графа, соединяющие слова. Этот подход применялся другими авторами на материале других языков и принес лучшие результаты на более раннем соревновании SemEval-2022. Второй подход состоял в том, чтобы с помощью больших языковых моделей напрямую порождать списки мнений исходя из имеющихся в обучающей выборке примеров (подход известен как контекстное обучение языковых моделей)», – рассказал Пётр Россяйкин.

Изначально автор исследовал графовый поход, для чего разработал свой способ графового представления текстов. Однако, ему не удалось получить надлежащее качество, и он стал развивать подход, использующий большие языковые модели, который изначально рассматривал как baseline. Молодой ученый использовал две идеи, чтобы улучшить качество предсказаний. Во-первых, в качестве примеров включал в запрос семантически наиболее похожие тексты из обучающей выборки, для чего ранжировал векторные представления текстов исходя из их сходства с целевым текстом. Во-вторых, использовал несколько языковых моделей и порождал предсказания в несколько этапов, используя предсказания других моделей с предыдущего этапа в качестве ориентира для итогового предсказания. В целом, этот метод значительно проще с точки зрения реализации, чем графовый подход, который использовал изначально, но благодаря нему удалось получить второй по качеству результат на соревновании.

Прочитать полностью новость - здесь.

✅ Исследование выполнено при поддержке Фонда «Интеллект», а также благодаря инициативе и поддержке Фонда «Вольное Дело» Олега Дерипаска