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.