#машинное обучение

Одна из фундаментальных проблем при создании эффективных моделей машинного обучения — определение необходимого и достаточного количества данных для их обучения. Слишком мало данных — модель будет неточной, слишком много — неоправданные затраты времени и ресурсов на сбор и обработку информации. Ученые из МФТИ предложили два новых метода для решения этой задачи, основанных на анализе функции правдоподобия с использованием техники бутстрэпа.

Современные технологии активно внедряются в российскую военную промышленность. Развиваются БПЛА и роботизированные комплексы с искусственным интеллектом, создаются новые гиперзвуковые аппараты, средства для радиоэлектронной борьбы и системы навигации. Исследователь Пермского Политеха разработал прототип автоматической турели, использующей технологии нейросетей и машинного обучения. Технология может применяться для мониторинга периметров или защиты инфраструктуры.

Участие в научных конференциях — это не только шанс поделиться своими идеями, но и важный шаг в карьере будущего исследователя. Однако не все студенты готовы к такой активности. Как преподавателям заранее понять, кто из первокурсников проявит интерес к науке? В МТУСИ нашли ответ, используя алгоритмы машинного обучения.

Технологии искусственного интеллекта сегодня находят применение в самых разных сферах. В том числе в экологии и области охраны животных. Один из примеров — разработка ученых из МФТИ. Они предложили использовать нейросети для обработки данных, полученных с фотоловушек. Программа сортирует и обрабатывает до одного миллиона изображений в сутки, а ее точность — свыше 95%, при этом она быстрее ученого-эксперта на несколько порядков.

Международный коллектив ученых разработал новый метод параметризации машинно-обучаемых межатомных потенциалов для моделирования магнитных материалов, значительно повышающий надежность и точность предсказаний их свойств. Ключевым элементом нового подхода стало использование так называемых магнитных сил при обучении моделей межатомных взаимодействий. Результаты исследования открывают путь к ускоренному дизайну и изучению материалов для электроники нового поколения, медицины и сенсоров.

Команда ученых из ВШЭ и НИЦ «Курчатовский институт» применила методы машинного обучения для исследования генетической предрасположенности к инсульту. Анализ геномов более чем 5000 человек позволил выявить 131 ген, ассоциированный с риском ишемического инсульта. Для двух генов связь показали впервые.

Множество ученых по всему миру объединились, чтобы составить и опубликовать всеобъемлющую дорожную карту разработки межатомных потенциалов машинного обучения в области материаловедения и инженерии. Они подробно описали, как машинное обучение должно привести к революции в нашем понимании в проектировании и открытии новых материалов, позволяя проводить компьютерное моделирование атомов.

Исследователи Центра искусственного интеллекта Сколтеха совместно с коллегами из Института проблем передачи информации РАН разработали метод, который позволяет нейросетям более точно оценивать собственную «уверенность» в прогнозах. Метод использует специальный набор тренировочных данных (Confidence-Aware Training Data) и направлен на повышение надежности нейросетевых моделей в задачах с высоким уровнем риска — например, в медицине или промышленности.

Определение источника гравитационных волн — непростая задача, ведь «рябь пространства — времени» может дойти до Земли из любой точки космоса. Чем быстрее найдется событие, тем лучше удастся его изучить. Раньше на это уходили часы, а новый алгоритм на основе машинного обучения может обнаружить цель за одну секунду.

Исследователи МИЭМ НИУ ВШЭ впервые в России показали эффективную работу беспроводного канала связи 6G на частотах субтерагерцового диапазона. Устройство передает данные со скоростью 12 гигабит в секунду и сохраняет стабильность сигнала, автоматически переключаясь при блокировке. Показатели соответствуют международным стандартам 6G.

Загрязнение морских акваторий признано проблемой мирового масштаба, и для ее решения необходимо вести его постоянный мониторинг. Непосредственное обнаружение мусора осложняется большим его разнообразием и степенью деградации, а также частичным погружением и визуальным слиянием с водной поверхностью. В последнее десятилетие в этой области наметился значительный прогресс за счет обработки данных с помощью машинного метода глубокого обучения. Научная группа ученых из МФТИ и Института океанологии имени П. П. Ширшова РАН проанализировала достижения и перспективы применения искусственного интеллекта для улучшения методов обнаружения и классификации мусора.

Ученые из Сколтеха и МФТИ при помощи машинного обучения заметно ускорили поиск кандидатов металлических сплавов, из которых экспериментаторы отбирают материалы для ракетостроения и других высокотехнологичных отраслей.

Ученые подтвердили, что поведение проводящего флюида водорода при высоких давлениях подобно плазме. Понимание поведения водорода в критических условиях необходимо для исследований в области термоядерного синтеза, сверхпроводимости и получения представлений об устройстве планет-гигантов.

Методы геопространственного моделирования стали важным инструментом экологического мониторинга — с его помощью управляют рисками для окружающей среды и отслеживают угрозы стихийных бедствий. Все большее применение в геопространственных исследованиях находит машинное обучение. Исследователи публикуют множество статей, в которых сообщают об улучшении моделей, решении фундаментальных задач и новых подходах, в том числе в естественных науках. Однако часто такие публикации страдают от методологических ошибок в основном из-за ограничений, присущих машинному обучению. Группа ученых из Сколтеха и Института AIRI провела анализ научной литературы, выявив типичные проблемы и предлагаемые решения.

Исследователи из международной студенческой некоммерческой организации App-In Club (США) сконструировали экономичную роботизированную систему, способную воспроизводить человеческий почерк. Такая машина может автоматизировать создание рукописных документов — писем, юридических бумаг, текстов, художественных визуализаций — в режиме реального времени.

Ученые из России, в числе которых два выпускника НИУ ВШЭ, опровергли известную в математике гипотезу, которая, хотя и не имела убедительного доказательства, считалась верной на протяжении 40 лет.

Профессор Сколтеха Евгений Бурнаев руководит в институте Центром искусственного интеллекта и считает, что ИИ должен стать сквозной трансформационной технологией для всех областей науки и промышленности. Воплощая эту концепцию, Евгений уже сотрудничал с медиками, нефтяниками, банкирами, киберспортсменами и МЧС и поработал над самолетом, гоночной машиной и музейными экспонатами, а теперь задумался о строительных объектах. Нам он рассказывает о том, как, попав в область ИИ со стороны теории вероятностей, начал прикладную работу в инженерном проектировании и пришел к своему главному на сегодня научному интересу — мультиагентному инженерному искусственному интеллекту. Чем он отличается от обычного ИИ в проектировании и как Евгений смотрит на сгенерированный контент, кибермошенников, голосовых помощников и инновации в спорте с позиции потребителя, вы узнаете из этого интервью.

Исследователи из России вместе с их американским коллегой предложили новый, полностью децентрализованный алгоритм оптимизации. Он позволяет эффективно решать различные задачи, работая без центрального сервера и автоматически настраиваясь без предварительной настройки параметров.

Сфера права сталкивается с необходимостью мгновенного и точного анализа множества правовых документов, судебных решений и законодательных актов. Традиционные методы анализа часто оказывались недостаточно эффективными, что в свою очередь подчеркивает потребность в современных технологических решениях. В частности, метод TF-IDF, используемый в качестве основы для построения дерева решений, представляет собой эффективный инструмент для выделения ключевых слов и понятий. Его и предложили применять ученые МТУСИ для анализа юридических текстов.

Международная команда ученых совершила прорыв в области распределенного машинного обучения, разработав новые алгоритмы, значительно повышающие эффективность обучения моделей в федеративных сетях. Исследование, проведенное группой, куда вошли специалисты МФТИ, представляет собой значительный шаг вперед в решении проблемы высокой вычислительной сложности обучения больших моделей в распределенных системах.