Центр ИИ МГУ

Ученые Исследовательского центра в сфере искусственного интеллекта МГУ имени М.В. Ломоносова собрали новый датасет из 5200 роликов для обучения систем искусственного интеллекта, повышающих качество потоковых видео.   Технологии Super-Resolution, основанные на искусственных нейросетях, способны убирать шумы в видео и дорисовывать мелкие детали, однако нередко ошибаются. На основе нового набора данных ученые обучают ИИ корректно воспринимать объекты на экране и повышают качество работы систем Super-Resolution.   Собранный набор данных — это часть крупного проекта, связанного с поиском ошибок и повышением качества алгоритмов Super-Resolution. Особенно актуально это становится с растущей популярностью смартфонов и телевизоров с экранами 4К и 8К — при просмотре видео небольшого разрешения на современных больших экранах низкое качество алгоритмов повышения разрешения особенно заметно.   Фото: pe3check / ru.123rf.com   Подробнее на портале Научная Россия   Подписывайтесь на наш канал в Мах   #датасеты #граундинг

В Центре ИИ МГУ предложили способ повысить эффективность проектирования белков Сотрудники Исследовательского центра в сфере искусственного интеллекта МГУ предложили новый подход к вычислительному проектированию белков, взаимодействующих с ДНК и РНК. Метод сочетает несколько механизмов управления построением белковой структуры и позволяет одновременно учитывать качество связывания с нуклеиновыми кислотами и устойчивость самого белка. Подход проверили на 11 комплексах ДНК и РНК. Наилучший результат показало совместное использование двух механизмов управления. Полученные результаты могут быть использованы для дальнейшего развития методов проектирования белков и исследований в области молекулярной биологии и генной терапии.

Как искусственный интеллект реконструирует помещения? Исследователи Центра ИИ МГУ разрабатывают систему, которая по фотографиям, видео и 3D-сканам создаёт полноценную цифровую модель помещения — с учётом стен, дверей, окон и других элементов. Как работает технология и где она может применяться — рассказывает соруководитель проекта, научный сотрудник Центра ИИ МГУ Максим Колодяжный. Листайте карточки!

В Центре ИИ МГУ разработали метод для точного прогноза взаимодействий белков Ученые Центра ИИ МГУ разработали модель для прогнозирования силы связывания белков и пептидов. Она одновременно учитывает аминокислотную последовательность, трехмерную структуру и подвижность молекул. При этом для каждого нового комплекса не требуется проводить ресурсоемкое моделирование молекулярной динамики: нейросеть учится учитывать движение молекул еще на этапе обучения. При проверке на независимых данных модель показала меньшую ошибку по сравнению с рассмотренными авторами методами. Точный прогноз силы связывания важен для изучения работы клеток, поиска лекарственных препаратов и оценки последствий мутаций. Новый подход позволяет учитывать то, что белки и особенно гибкие пептиды не являются статичными структурами, а постоянно меняют форму. В дальнейшем исследователи планируют применять модель для оценки влияния мутаций на взаимодействие белков и разрабатывать специализированные решения для комплексов антител с антигенами.

🏆МГУ второй год подряд берет золото SynBio Challenges #новости_мгу Команда МГУ вновь одержала победу в международном конкурсе по синтетической биологии SynBio Challenges, прошедшем в Шэньчжэне (Китай). В этом году команда также получила серебряную медаль в треке «Дизайн белков». Золото Team Moscow получила за решение задачи «Синтетическая клетка»: студенты разработали регуляторные последовательности для контролируемого синтеза флуоресцентных белков в заданных пропорциях, позволяющих получать целевые комбинированные цвета. В треке «Дизайн белков» команда с использованием методов искусственного интеллекта предложила новый подход к оптимизации флуоресценции зеленого флуоресцентного белка (GFP) в условиях высокой температуры. Руководителями команды выступили сотрудники Исследовательского центра в сфере искусственного интеллекта МГУ и кафедры биоинженерии биологического факультета МГУ: член-корреспондент РАН Алексей Шайтан и Елизавета Богданова. В этом году в конкурсе приняли участие более 3500 студентов из 9 стран. SynBio Challenges фокусируется на прорывных задачах – от дизайна искусственных клеток до создания новых биоматериалов. В основной состав российской команды вошли студенты специалитета и магистратуры кафедры биоинженерии биологического факультета МГУ: Арина Блинова, Арина Степанова, Эдуард Ладнов, Павел Олейников, Егор Пивоваров, а также Дмитрий Рябов, который является сотрудником Исследовательского центра в сфере искусственного интеллекта МГУ. Капитан команды – студент 1 курса магистратуры Павел Фескин. Поздравляем команду с блестящим результатом и желаем дальнейших успехов!❤️ Максимум МГУ – в MAX

Исследователи МГУ улучшили качество онлайн-видео без потери скорости обработки Специалисты Центра ИИ МГУ разработали подход для повышения разрешения и качества потокового видео в реальном времени. Работа представлена на конференции ICLR 2026 в Рио-де-Жанейро. Ученые собрали набор из 5200 видеороликов, находящихся в свободном доступе и отражающих реальные условия онлайн-просмотра, и сравнили на нём 11 методов повышения разрешения. Качество оценивали с помощью объективных метрик и пользовательского исследования. На основе полученных данных авторы создали собственную модель. Она лучше восстанавливает детали и резкие границы, устраняет искажения сжатия и сохраняет скорость, необходимую для обработки видео в реальном времени. Результаты могут применяться в системах улучшения онлайн-видео и при разработке более точных методов оценки его визуального качества. Подробнее – на сайте.

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.

Как ИИ помогает находить свойства новых материалов 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 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.

Как нейросеть «видит» молекулу? Ученые Центра ИИ МГУ разработали метод MolgraphX, позволяющий объяснять решения графовых нейронных сетей при анализе молекул. Подход учитывает симметрию молекулярных структур и определяет вклад отдельных атомов и фрагментов в прогнозы модели, делая результаты работы искусственного интеллекта более интерпретируемыми для исследователей.  Тестирование на наборах данных с органическими молекулами показало, что MolgraphX точнее выделяет химически значимые фрагменты по сравнению с существующими методами, сохраняя высокую вычислительную эффективность. Объяснения, полученные с помощью нового метода, лучше соответствуют химической логике и могут быть востребованы при исследовании свойств веществ, поиске новых соединений, разработке материалов и лекарственных препаратов. Подробнее – на сайте.

Центр ИИ МГУ на INS World Congress 2026 в Лиссабоне Младший научный сотрудник Центра ИИ МГУ Анна Макарова представила результаты исследований на INS World Congress 2026 в Лиссабоне – одной из ведущих конференций по нейромодуляции. Интерактивные постеры и стенды с современным медицинским оборудованием показали, насколько быстро развиваются нейротехнологии и как они приближаются к практическому применению. В своём докладе «Декодирование рукописных символов по данным электромиографии с использованием трансформерной модели» (Decoding handwritten characters from electromyography using a Transformer) Анна рассказала о подходе к распознаванию рукописных цифр по ЭМГ предплечья. В работе используется сверточно-трансформерная модель (CNN–Transformer), которая напрямую учится выделять паттерны мышечной активности из сырого сигнала и может адаптироваться к новым пользователям при помощи минимального дообучения. Такие методы приближают интерфейсы «мозг–компьютер» и нейротехнологии к практическому применению, открывая новые возможности для реабилитации и ассистивных технологий.

Предложен алгоритм автобиддинга, устойчивый к ошибкам прогнозных моделей #наука_мгу Исследователи Центра искусственного интеллекта МГУ разработали алгоритм RobustBid для устойчивого управления ставками в цифровых рекламных аукционах. Предложенный подход учитывает неопределенность в прогнозах моделей машинного обучения, на основе которых рассчитываются ставки за показ рекламы. Эксперименты на открытых рекламных наборах данных показали, что алгоритм обеспечивает более устойчивые результаты по сравнению с существующими методами и может применяться в системах принятия решений, основанных на прогнозных моделях. 🩷Читать нас в MAX🩷