Центр ИИ МГУ

Как научить искусственный интеллект мыслить как инженер-конструктор? В новой серии карточек рассказываем о проекте Центра ИИ МГУ, в котором мультиагентная система учится восстанавливать полноценные CAD-модели деталей по фотографиям, 3D-сканам и облакам точек. О том, почему для этого недостаточно просто «увидеть» форму объекта, как несколько ИИ-агентов совместно улучшают результат и где такие технологии смогут применяться в промышленности, рассказал соруководитель проекта Дмитрий Жемчужников. Читайте в карточках!

Ученые МГУ на ICML-2026 Международная конференция ICML 2026, проходившая этим летом в Сеуле, традиционно считается одним из главных мировых событий в области машинного обучения. В этом году в ней приняли участие руководитель лаборатории интеллектуального анализа видео Института ИИ МГУ Дмитрий Ватолин и младший научный сотрудник Центра ИИ МГУ Николай Сафонов. На конференции была представлена работа «Learning Flexible Generalization in Video Quality Assessment by Bringing Device and Viewing Condition Distributions» («Обучение гибкой обобщающей модели для оценки качества видео с учётом распределений устройств и условий просмотра»). В рамках исследования авторы создали первый крупномасштабный набор данных, содержащий более 250 тысяч субъективных оценок качества видео, собранных более чем на 300 различных Android-устройствах. Датасет дополнен метаданными об условиях просмотра и характеристиках дисплеев, что позволило разработать новый подход к агрегированию пользовательских оценок и адаптации моделей оценки качества видео под конкретные устройства. Предложенная методика позволяет значительно точнее прогнозировать воспринимаемое пользователями качество видео и открывает возможности для более эффективной оптимизации стриминговых сервисов с учётом особенностей различных устройств и сценариев просмотра.

В Центре ИИ МГУ предложили способ точнее предсказывать свойства материалов по химическому составу Исследователи Центра ИИ МГУ разработали подход для более точного предсказания свойств материалов по одной только химической формуле. Учёные использовали перенос знаний между разными типами данных и предложили два варианта моделирования: обучение химических языковых моделей с использованием дополнительных сведений о материалах и восстановление возможной кристаллической структуры с последующим анализом с помощью графовых нейронных сетей. Это позволяет исследовать соединения, для которых структура неизвестна. На открытых наборах данных предложенные методы превзошли ранее опубликованные решения в 25 из 32 случаев. В двух группах задач средняя абсолютная ошибка предсказания снизилась примерно на 15%. Кроме того, исследователи показали, что модель можно использовать для анализа вклада отдельных химических элементов и их сочетаний в свойства материала. Подробнее — на сайте.

В Центре ИИ МГУ предложили новый подход к анализу временных рядов Учёные Центра ИИ МГУ разработали новый метод прогнозирования временных рядов — данных, которые меняются со временем, от сетевого трафика и погоды до финансовых показателей. Исследователи предложили способ статистического восстановления скрытых характеристик случайного процесса, который позволяет извлекать из данных дополнительные признаки и повышать точность прогнозов без применения сложных нейросетевых моделей. Испытания на реальных данных показали снижение ошибки прогноза и более точное определение направления последующих изменений. Результаты работы могут найти применение в управлении вычислительными системами, телекоммуникациями и других областях, где важно прогнозировать поведение сложных динамических процессов. Подробнее — на сайте.

ИИ поможет координировать эвакуацию при лесных пожарах Ученые Центра ИИ МГУ совместно с коллегами из компании «Интердата» (Interdata) и лаборатории искусственного интеллекта (SB AI Lab) предложили двухуровневую систему координации эвакуации при лесных пожарах. Система сочетает локальный выбор маршрутов участниками эвакуации с работой цифрового координатора на основе большой языковой модели, который анализирует распространение пожара и дорожную ситуацию, формируя рекомендации по организации движения. Подход протестировали в смоделированной городской среде. Результаты показали, что использование цифрового координатора и механизма эпизодической памяти позволяет повысить эффективность координации в новых сценариях, прежде всего за счет сокращения задержек при эвакуации. Исследователи отмечают, что предложенная система предназначена для моделирования и изучения стратегий эвакуации и в перспективе может использоваться при разработке систем поддержки принятия решений в чрезвычайных ситуациях. Подробнее — на сайте.

В Центре ИИ МГУ разработали новый подход к восстановлению цифровых моделей Ученые Центра ИИ МГУ с коллегами разработали метод восстановления цифровых моделей деталей по данным трёхмерного сканирования. Предложенный метод воспроизводит поэтапный процесс инженерной работы: система последовательно сравнивает цифровую модель с исходным трёхмерным объектом, выявляет геометрические расхождения и уточняет результат. Такой подход позволяет точнее восстанавливать форму деталей, сохранять мелкие геометрические элементы и эффективнее работать с данными, содержащими шумы и пропущенные участки, что открывает новые возможности для обратного проектирования и подготовки редактируемых инженерных моделей. Подробнее — на сайте.

В Центре ИИ МГУ создали самообучающуюся систему поиска патологий #наука_мгу Ученые Центра ИИ МГУ и Института AIRI разработали метод автоматического выявления патологий на компьютерной томографии без использования размеченных медицинских данных. Новый подход основан на самообучающихся моделях, которые анализируют особенности КТ-изображений и выявляют участки, отличающиеся от нормальных структур.  Разработанная система под названием Screener была обучена на более чем 30 тысячах неразмеченных КТ-исследований и протестирована на наборах данных с различными заболеваниями, включая онкологические и воспалительные патологии. Предложенный метод может стать инструментом предварительного анализа медицинских изображений и помочь в создании более универсальных систем искусственного интеллекта для использования при диагностике. Подробнее — на сайте.

ИИ научился лучше понимать пространство #наука_мгу Ученые Центра ИИ МГУ разработали новый метод анализа трёхмерных сцен помещений. Предложенная архитектура HFF-BiG позволяет точнее выделять объекты и определять их границы в пространстве за счет более эффективного объединения информации разных масштабов. Разработка может найти применение в робототехнике, системах автономной навигации, а также в технологиях дополненной и виртуальной реальности, где важно точное понимание окружающего пространства. Испытания на международных наборах данных показали, что новый метод демонстрирует результаты на уровне лучших современных решений, а по ряду показателей превосходит существующие алгоритмы сегментации трёхмерных сцен. Подробнее – на сайте.

В МГУ предложили алгоритм выбора оптимальной функции при ограниченных вычислениях #наука_мгу Исследователи Центра ИИ МГУ разработали новый алгоритмический подход к выбору наилучшей функции среди множества кандидатных вариантов в условиях ограниченного вычислительного бюджета. Предложенный метод позволяет эффективно решать задачи выбора модели, когда полный перебор всех вариантов требует слишком больших вычислительных ресурсов. В основе исследования лежит обобщение классической задачи «многоруких бандитов» на пространство функций. Авторы предложили алгоритм, который сочетает стратегию выбора наиболее перспективных кандидатов с последовательным уточнением оценки их оптимума. Метод использует результаты предыдущих вычислений, постепенно концентрируя ресурсы на наиболее перспективных вариантах. Теоретический анализ и результаты численных экспериментов подтверждают эффективность алгоритма для задач оптимизации и выбора моделей машинного обучения.

Учёные Центра ИИ МГУ выступили на Летней школе факультета ИИ для преподавателей вузов На двухдневной Летней школе факультета искусственного интеллекта МГУ собрались 48 преподавателей из 18 российских вузов. Тема – обновление инженерного образования в эпоху ИИ. В числе спикеров школы были сотрудники Центра: 🔹Антон Конушин, к.ф.-м.н., научный руководитель Центра ИИ МГУ, руководитель группы Института AIRI, заместитель декана Факультета ИИ по научной работе 🔹Владислав Шахуро, к.ф.-м.н., научный сотрудник Центра ИИ МГУ, руководитель группы института AIRI 🔹Арсений Зинкевич, старший преподаватель МГУ, младший научный сотрудник Центра ИИ МГУ На школе обсуждался широкий круг вопросов: проектирование учебных программ для ИИ-направлений, переосмысление базовых курсов по математике и теоретической информатике, выстраивание курсов по машинному обучению и глубоким нейронным сетям. Отдельное внимание уделили современным инструментам разработки и методикам преподавания, использованию открытого программного обеспечения, а также вызовам, которые большие языковые модели создают для современной высшей школы.

В Центре ИИ МГУ научили нейросети учитывать запаздывающие сигналы #наука_мгу Ученые Центра ИИ МГУ разработали новый метод обучения динамических нейронных сетей для систем с задержкой управляющего воздействия. Такие задержки возникают во многих технических и биомеханических системах, включая беспилотные летательные аппараты, робототехнические комплексы и модели движения человека. Предложенный подход позволяет нейросети уточнять параметры непосредственно в процессе работы и сохранять устойчивость даже при изменении входных данных.  Ключевой особенностью метода стало использование математического механизма, ограничивающего параметры модели и предотвращающего нестабильность обучения. Авторы также показали, что новый алгоритм позволяет учитывать задержку входного сигнала без усложнения структуры модели и дополнительных вычислительных затрат. Эффективность подхода подтверждена в задачах моделирования динамики летательного аппарата, геодезического движения на трёхосном эллипсоиде и биомеханики, где он обеспечил более точное воспроизведение поведения систем по сравнению с существующими решениями. Подробнее — на сайте.