Звезда сияет!🌟

#фонд_Интеллект
#фонд_Вольноедело

Михаил Тихомиров – научный сотрудник НИВЦ МГУ, победитель конкурса молодых ученых-2022. Занимается адаптацией мультиязычных LLM, создатель Ruadapt.

Об этом он и рассказал на интервью порталу «Научная Россия»😍

Ученые МГУ предложили метод ускорения вычислений континуальных интегралов

#фонд_Интеллект
#фонд_Вольноедело

Магистрант физического факультета МГУ Дмитрий Сальников прошел курс и стал одним из победителей конкурса публикаций 7-го потока курса «Нейронные сети и их применение в научных исследованиях». Его статья «Application of Neural Networks for Calculating Functional Integrals in Quantum Field Theory» опубликована в журнале Physics of Particles and Nuclei.

Один из способов описания движения квантовой частицы — это метод континуального интеграла или интеграла по траекториям (от английского, path integral). В этой модели вероятность того, что частица переместится из одной точки в другую за определенное время, вычисляется как сумма вероятностей по всем возможным траекториям, связывающим эти точки.
Траектории, близкие к классической, оказываются наиболее вероятными. Например, для свободной частицы классическая траектория — это прямая линия между двумя точками. Классическая частица движется строго по ней, а квантовая — в среднем по этой прямой, но может от нее отклоняться.
Если известна вероятность каждой возможной траектории, можно рассчитать средние значения и отклонения любых характеристик движения. Такие расчеты называются интегралом по траекториям.
Точные аналитические вычисления континуальных интегралов возможны лишь для очень простых теорий. В более сложных случаях это сделать невозможно, поэтому используют численные методы.
Суть этих методов в том, что непрерывное время разбивается на короткие шаги, а траектория частицы описывается как последовательность ее положений в каждый момент времени. Тогда вероятность реализации конкретной траектории сводится к совместной плотности вероятности большого набора случайных величин. Чтобы найти средние значения, приходится генерировать множество таких траекторий из сложного многомерного распределения.
Для этого существуют статистические численные методы. Они работают, но требуют огромных вычислительных ресурсов, что становится серьезным ограничением: при сложных задачах достичь нужной точности не всегда удается.
Альтернативный подход состоит в том, чтобы построить отображение, которое преобразует выборки из простых распределений случайных величин в нужные. Его главное преимущество в том, что достаточно лишь найти такое отображение, то есть построить модель. После этого увеличение числа выборок не потребует дополнительных ресурсов.
В качестве отображения рассматривалась модель машинного обучения с архитектурой нормализующих потоков (англ. Normalizing Flow). Эта архитектура обладает необходимыми для искомого отображения свойствами и позволяет относительно просто вычислять функцию потерь, необходимую для обучения.

«Построенная на данный момент модель пока не позволяет точно генерировать выборки из целевого распределения из-за большого числа случайных величин в траектории и сложной зависимости между ними. Тем не менее она уже может использоваться для ускорения вычислений в сочетании с существующими алгоритмами. Если в качестве исходных траекторий для этих алгоритмов использовать траектории, сгенерированные моделью, сходимость к целевому распределению может быть ускорена в несколько раз по сравнению со случайными начальными траекториями. Улучшение качества генерации отображения и ускорение вычислений для более сложных физических моделей позволит в дальнейшем проводить расчеты в рамках актуальных задач квантовой теории», — уточнил молодой ученый.

✅ Исследование выполнено при поддержке некоммерческого Фонда развития науки и образования «Интеллект»и Фонда «Вольное Дело» Олега Дерипаска

Преподаватели Академической программы по ИИ выпустили учебно-методическое пособие

#фонд_Интеллект
#фонд_Вольноедело

Победители конкурса молодых ученых 2022 и 2024 годов, преподаватели Академической программы по искусственному интеллекту Мария Казачук и Юлий Васильев написали и выпустили учебно-методическое пособие «Современные методы распределенного хранения и обработки данных» для студентов Факультета ВМК МГУ.
В их задачи входило создание современного учебно-методического пособия, отражающего фундаментальные принципы и практики распределенных вычислений, хранения и обработки данных, соответствующие требованиям современной науки и индустрии.
Учебное пособие объединяет фундаментальные концепции распределенных вычислений с современными практиками индустрии. Особое внимание уделено эволюции технологий, что позволяет студентам видеть взаимосвязь научных идей и их инженерной реализации. Материал выстроен от базовых концепций к прикладным примерам. Включены иллюстрации, схемы архитектур, примеры алгоритмов MapReduce и Spark, а также пояснения к промышленным инструментам Microsoft Azure и HDInsight.

«Это пособие — результат десятилетнего опыта преподавания курса и общения со студентами. Нашей целью было показать студентам, что за сложными архитектурами распределенных систем стоят понятные принципы и логика инженерных решений», — отметила Мария Андреевна Казачук, кандидат физико-математических наук, преподаватель Академической программы по искусственному интеллекту.

В октябре 2025 года учебно-методическое пособие внедрено в курс «Современные методы распределенного хранения и обработки данных», читаемый на факультете ВМК МГУ (обязательный полугодовой курс для студентов магистерских программ «Интеллектуальный анализ больших данных» и «Компьютерное зрение, графика и обработка изображений»).

«Мы постарались сделать материал максимально доступным и практико-ориентированным. Пособие должно не просто объяснять технологии, но и формировать у студентов интуицию понимания архитектурных решений», — добавил Юлий Алексеевич Васильев, кандидат физико-математических наук, преподаватель Академической программы по искусственному интеллекту.

Студенты получают системное понимание архитектур хранения и обработки данных, а также навыки работы с современными инструментами.
Пособие «Современные методы распределенного хранения и обработки данных» издано за счет поддержки Фонда «Интеллект».

#пятничныемыши
Мышь с подключённым минископом ожидает начала эксперимента

Ученые МГУ применили нейронные сети для измерения длительности сверхкоротких лазерных импульсов

#фонд_Интеллект
#фонд_Вольноедело

Аспирант физического факультета Ярослав Романовский прошел курс «Нейронные сети и их применение в научных исследованиях» и стал одним из победителей конкурса публикаций 7-го потока MSU.AI. Работа была представлена на конференции «Невская фотоника – 2025» в г. Санкт-Петербурге.

Создание фемтосекундных (10-15 секунды) импульсов требует как существенную ширину спектра, так и минимизацию фазовой задержки между спектральными компонентами. Спектральная фаза импульса определяет его временную огибающую, меняя ее форму, и, таким образом, влияя на длительность и пиковую интенсивность – одни из ключевых параметров в экспериментах.
В рамках данной работы экспериментально реализован метод измерения длительности фемтосекундных лазерных импульсов реальной лазерной системы ближнего инфракрасного диапазона с применением машинного обучения. Преимуществом данного метода в сравнении с традиционными методиками частотно-разрешенного оптического стробирования и спектральной фазовой интерферометрии является отсутствие необходимости использования дорогостоящих нелинейных кристаллов и итеративных алгоритмов.

Ярослав Олегович Романовский, аспирант кафедры общей физики и волновых процессов физического факультета МГУ: «При прохождении достаточно интенсивного сверхкороткого импульса через нелинейную среду (например, простую пластину из оптического стекла) возникает эффект Керра и фазовая самомодуляция (ФСМ), в результате после прохождения пластины форма спектра импульса меняется. Характер изменения формы спектра после ФСМ связан с исходным временным профилем импульса. Эту информацию можно использовать для восстановления фазы исходного импульса при помощи нейросетевой модели. В результате обученная на результатах численного моделирования нейросетевая модель может восстанавливать фазу и длительность реальных импульсов всего из двух измерений спектра до и после прохождения нелинейной среды».

Для обучения полносвязной нейросетевой модели был создан датасет из 200 000 тысяч импульсов с результатами численного моделирования распространения фемтосекундных импульсов с начальными параметрами, близкими к диапазону реальной лазерной системы ближнего инфракрасного диапазона в лаборатории. Входными данными нейросетевой модели являются спектры исследуемого лазерного импульса до и после нелинейного взаимодействия, выходные данные – исходная спектральная фаза импульса. Далее, реализовав экспериментальную схему в лаборатории, нейросеть, обучившаяся только на синтетических данных, показала свою работоспособность на реальных данных спектров из эксперимента.

Ярослав Олегович Романовский, аспирант кафедры общей физики и волновых процессов физического факультета МГУ: «В будущем этот подход можно масштабировать на другие нелинейные эффекты (например, генерацию третьей гармоники) на имеющуюся в нашей лаборатории лазерную систему фемтосекундных лазерных импульсов среднего инфракрасного диапазона, позволив за счет быстродействия нейросетевой модели оперативно контролировать длительность импульсов в эксперименте».

Исследование выполнено при поддержке некоммерческого Фонда развития науки и образования «Интеллект» и Фонда «Вольное Дело» Олега Дерипаска.