машинное обучение

Михаил Криницкий, зав. лабораторией машинного обучения в науках о Земле МФТИ: «В Арктике от качества прогнозов погоды зависит безопасность судоходства, авиационного сообщения, добычи ресурсов и других видов деятельности».

Исследователи из Центра вычислительной физики МФТИ разработали автоматический метод, который позволит объективно определять момент, когда система действительно достигает равновесия в молекулярно-динамической симуляции.

Робот на платформе SpotMicro стал площадкой для отработки технологий, которые могут изменить подход к созданию автономных машин — от поисково-спасательных операций до мониторинга окружающей среды.

Это экономит месяцы экспериментов и позволяет добывать нефть эффективнее.

Ученые построили и обучили квантовую рекуррентную нейросеть прогнозированию числовых последовательностей и добились качества предсказания, сопоставимого с компактными классическими архитектурами на типовой задаче машинного обучения.

Метод позволяет значительно сократить объем памяти, необходимый для хранения исторических статистик оптимизатора, при этом сохраняя качество обучения. 

Ученые из МФТИ и Китая разработали новую методику совмещения разномасштабных изображений. Она позволяет получить точные изображения структуры сложных пористых сред, что важно для нефтегазовой отрасли, строительства и экологии.

Все электронные устройства, которыми мы пользуемся сегодня — от серверных ферм до смартфонов,— относятся к классическим вычислителям. Этим массив вычислителей, однако, не ограничивается. При этом универсального квантового вычислителя у нас нет, а его разработка продолжается вот уже 30 лет.

Рассказываем как из нескольких превосходных идей и ряда ключевых изобретений возникла Кремниевая долина — и за полвека создала мир, который существует постольку, поскольку миллиарды миллиардов крошечных транзисторов на кремниевых платах совершают свою работу на околосветовых скоростях.

Коллектив исследователей из МФТИ и Института проблем передачи информации им. А. А. Харкевича (ИППИ РАН) разработал математическую модель, описывающую, как системы искусственного интеллекта влияют на собственное будущее, обучаясь на данных, которые сами же и породили. Ученые создали теоретический каркас, объясняющий природу «цифровых эхо-камер» и механизм, из-за которого умные алгоритмы со временем могут терять адекватность или усиливать социальные предрассудки.