В рамках объединенного научного семинара стратегического проекта «Цифровая трансформация: технологии, эффекты, эффективность» прошел семинар на тему «Машинное обучение и моделирование для прикладных задач». Участники представили доклады, в которых показали пути решения различных проблем посредством математического моделирования.

Так, основной темой доклада, который представил приглашенный преподаватель факультета компьютерных наук НИУ ВШЭ Кирилл Струминский, стало применение подходов машинного обучения в области искусственного интеллекта. По словам Кирилла Струминского, среди этих подходов можно выделить применение дифференцируемых алгоритмов для построения предсказаний. Благодаря дифференцируемым алгоритмам становится возможен общий подход к поиску решающих правил, основанный на методах непрерывной оптимизации.

Кирилл Струминский

«Этот процесс можно представить как дифференцируемый алгоритм, что недавно позволило применить инструменты машинного обучения для получения качественно новых решений задачи многовидовой реконструкции, — говорит докладчик. — Мы сделали обзор существующих решений задачи, применений, а также описали разработанный в рамках исследовательского проекта репараметризационный трюк для дифференцируемого рендеринга. Разработка вдохновлена методами масштабируемого байесовского вывода. На ее основе были предложены модификации алгоритма рендеринга, позволяющие улучшить скорость и точность реконструкции сцен».

В своем докладе «Исследование точных моделей быстрой симуляции методами машинного обучения при прохождении заряженных частиц через вещество» доцент департамента больших данных и информационного поиска, заведующий Научно-учебной лабораторией методов анализа больших данных НИУ ВШЭ Денис Деркач рассказал о том, что новые эксперименты в физике частиц накладывают особые требования на количество симулированных событий, напрямую влияющее на систематическую погрешность измерения.

Денис Деркач

«Увеличение этого количества осложнено необходимостью кратно увеличивать компьютерные ресурсы, используемые для симуляции. Предлагаемый подход позволяет использовать генеративные модели машинного обучения для получения быстрой оценки отклика детектора на пролетающие частицы, — рассказал он. — Такой подход позволяет получить симулированные данные, используя минимальное количество компьютерных ресурсов, выигрыш в скорости оценки отклика при этом достигает нескольких порядков».

Автор описал специфические требования к генеративным моделям для быстрой симуляции взаимодействия частиц с детектором, рассмотрел текущие разработки и подходы, а также направления и точки приложения усилий для будущего развития применения генеративных моделей.

Ильшат Муллахметов

Доклад стажера-исследователя Учебно-исследовательской лаборатории функциональной безопасности космических аппаратов и систем НИУ ВШЭ Ильшата Муллахметова был посвящен проблеме функциональной безопасности космических аппаратов с точки зрения электризации полимерных диэлектриков. В нем автор предложил цифровую технологию получения и верификации экспериментальных данных по электризуемости полимерных диэлектриков космической техники.

«Актуальность обусловлена возникающими в процессе эксплуатации космических аппаратов электростатическими разрядами, которые могут привести к разрушению или повреждению подсистем аппарата и повлиять на его работоспособность», — прокомментировал автор.

Он полагает, что специально созданное программное обеспечение позволило бы оценить возможность возникновения разрядов при использовании различных полимерных материалов в космическом пространстве, что необходимо при проектировании и тестировании новых космических аппаратов.