🕐 Уже в эту среду, 4 февраля, в 13:30 — пройдет презентация докторской диссертации о нелинейном обратном комптоновском рассеянии.

Доцент Центра ИИ Сколтеха, руководитель лаборатории суперкомпьютеров в искусственном интеллекте Сергей Рыковaнов расскажет, почему этот механизм сегодня считается одним из самых перспективных путей к ярким узкополосным источникам гамма- и рентгеновского излучения (ядерная фотоника, материаловедение и смежные области).

🗓 Среда, 4 февраля, 13:30
📍 Сколтех, E-B4-3007
🌐 Онлайн

Что будет особенно полезно услышать:

🎯 Как формируется спектр и что именно его «размывает» (геометрия и параметры пучков, фокусировка, длительность импульса; в нелинейном режиме — дополнительные эффекты).
✔️ Практические аналитические формулы для оценки выхода фотонов/яркости, а также рекомендации по коллимации и параметрам источника под заданную ширину линии.
➡️ Численное моделирование и верификация, примеры проектирования источника на базе лазерно-плазменного ускорителя и кейс для проекта НЦФМ.
❗️ Методы сужения линии: чирпирование и polarization gating — для повышения спектральной чистоты и выбора рабочих режимов эксперимента.

Будем рады видеть вас на презентации — очно или онлайн!

📎 Как сравнивать дискретные мосты Шрёдингера не "на глаз", а по эталону с известным решением - и заодно получить из этого новые алгоритмы?

Статья: "Эра дискретных диффузионных моделей: бенчмарк для Моста Шрёдингера и энтропийного оптимального транспорта" (Entering the Era of Discrete Diffusion Models: A Benchmark for Schrödinger Bridges and Entropic Optimal Transport). Среди авторов - младший инженер-исследователь Арамайо Карраско Хавиер (Xavier Aramayo Carrasco), младший инженер-исследователь Григорий Ксенофонтов, Алексей Леонов, Ярослав Кошелев и старший преподаватель и руководитель исследовательской группы по генеративному ИИ Александр Коротин.

🔗 В задачах с дискретными объектами (тексты, молекулярные графы, белковые последовательности) все чаще используют мосты Шрёдингера (SB) и энтропийный оптимальный транспорт (EOT).

По сути, это математический способ "перенести" одно распределение объектов в другое с минимальными затратами, заданными функцией стоимости. Особенно ценно, что такие методы умеют учиться без парных примеров: пары "вход - правильный выход" часто редки или слишком дороги в сборе.

📤 Но есть проблема: в отличие от непрерывного случая, для дискретных SB/EOT до недавнего времени не хватало общепринятого строгого бенчмарка. Из-за этого было трудно понять, какой солвер действительно ближе к правильному решению, и честно сравнивать прогресс методов.

✏️ Для решения этой проблемы авторы предлагают бенчмарк, где качество SB/EOT методов можно проверять напрямую. Задачи устроены так, что для них заранее известно точное (аналитическое) решение. Это позволяет измерять, насколько близко алгоритм восстановил целевое распределение, а не полагаться на косвенные метрики.

Качество измеряется с помощью двух метрик из оценки табличных/дискретных генеративных моделей:

🔘Shape Score: совпадают ли "частоты" по каждому признаку;
🔘Trend Score: сохраняются ли зависимости между признаками.
Обе метрики от 0 до 1: выше - лучше.

➡️ Бенчмарк открывает возможность:

🔘сравнивать разные дискретные SB/EOT методы в одинаковых условиях;
🔘быстрее отделять идеи, которые реально работают, от эффектов настройки и удачного тюнинга;
🔘получать воспроизводимые результаты, которые можно независимо перепроверить.

Отдельно, как побочный результат построенного фреймворка, авторы переносят в дискретный мир идеи LightSB и LightSB-M, получая DLightSB и DLightSB-M. А помимо этого они расширяют matching-направление, предлагая α-CSBM - отдельную модификацию уже существующего CSBM в духе α-DSBM, ориентированную на меньшую вычислительную стоимость.

Выводы по экспериментам на эталонных высокоразмерных дискретных "гауссовых смесях":

🔘 DLightSB - лучший по метрикам Shape/Trend в рамках этого бенчмарка, но это не заявляется как SOTA: у метода сильный inductive bias (его параметризация совпадает с конструкцией бенчмарка);
🔘 DLightSB-M - близок к DLightSB, но чаще чуть хуже из-за накопления ошибки при итеративном сэмплинге;
🔘 α-CSBM vs CSBM - сопоставимое качество при примерно 2x меньшей вычислительной цене у α-CSBM.

📜 В итоге работа задает воспроизводимую "точку отсчета" для дискретных EOT/SB: теперь методы можно честно сравнивать и накапливать прогресс, а не отдельные удачные результаты.

📄Как “переводить” изображения без парных примеров и при этом управлять балансом: “похоже на исходник” vs “максимально реалистично”

Речь о статье "Диффузионные и состязательные мосты Шредингера с помощью итеративной пропорциональной марковской подгонки" (Diffusion & Adversarial Schrödinger Bridges via Iterative Proportional Markovian Fitting).

➡️ Среди авторов - исследователи Центра ИИ Сколтеха младший инженер-исследователь Сергей Холькин и Григорий Ксенофонтов, стажер-исследователь Никита Корнилов, инженер-исследователь Никита Гущин, старший преподаватель и руководитель исследовательской группы по генеративному ИИ Александр Коротин, профессор, вице-президент по развитию ИИ, директор Центра искусственного интеллекта Сколтеха Евгений Бурнаев.

Когда есть два набора картинок — "как сейчас” и “как должно быть” — часто хочется научиться превращать одно в другое без парных примеров (нет соответствий “вот это фото → вот такой результат”). Например: мужчина → женщина, один стиль → другой, один тип данных → другой.

И при этом важны две вещи:
◾️результат выглядит реалистично как представитель целевого домена;
◾️результат сохраняет ключевые признаки исходной картинки (поза, фон, детали, “личность”).

Авторы разбирают популярную практику итеративного обучения “моста” между распределениями (подходы класса Schrödinger Bridge) и показывают, что широко используемое на практике чередование обучения “туда-обратно” — не просто хитрая эвристика, а осмысленный алгоритм, близкий по духу к классическим процедурам энтропийного оптимального транспорта.

➡️ На этой основе они предлагают более понятную и управляемую схему обучения — IPMF: итеративный способ “подтягивать” процесс так, чтобы он согласовывался и с исходным, и с целевым распределением, не разваливаясь при обучении.

Что это даёт на практике: стабильнее обучение и меньше “накопления ошибок”, которое часто ломает однонаправленные процедуры.

📤 Можно осознанно выбирать, что важнее в задаче — сохранить сходство со входом или сильнее попасть в целевой домен (и это видно по метрикам: например, FID vs ошибка близости вход-выход).

📤 Метод можно запускать не с нуля, а “поверх” сильных готовых генераторов/диффузионных моделей: старт задаёт направление (сохранять больше исходника или уходить дальше), а итеративная подгонка доводит результат до нужного баланса.

На каких задачах проверили:

◾️перенос без пар на простых данных (например, colored MNIST),
◾️перенос на лицах (CelebA, сценарий male → female),
и показывают предсказуемую динамику качества по итерациям: как улучшается попадание в целевой домен и как меняется сохранение признаков исходного изображения.

📣«Концерн «ЦНИИ «Электроприбор»» приглашает на XXVIII молодёжную конференцию «Навигация и управление движением» (с международным участием)

🗓 17–20 марта 2026
📍 Санкт-Петербург, ул. Малая Посадская, 30
✍️ Срок подачи рефератов продлён до 10 февраля, участие бесплатное

Что будет:
— обзорные лекции ведущих учёных + доклады молодых авторов;
— мастер-класс и круглый стол;
— традиционная школьная секция.

Тематики (очень широко, от «железа» до алгоритмов):

✅ приборы и системы навигации, инерциальные/спутниковые и интегрированные решения
✅ теория и системы управления, обработка измерительной информации, бортовые вычислительные системы
✅ технологии ИИ в задачах навигации и управления
✅ беспилотные подвижные объекты

Вся информация и подача рефератов!
Контакты оргкомитета: [email protected], +7 (812) 499-82-10

Концерн «Электроприбор» — наш партнёр по школе-семинару NMC-2025 «Навигация и управление движением», которую мы проводили в Сколтехе 20–24 августа 2025 г.

⚙️ Почему система “добавим ещё воркеров — и обучение ускорится” перестаёт работать, если учитывать реальную связь “сервер → устройства”?

Речь о статье Proving the Limited Scalability of Centralized Distributed Optimization via a New Lower Bound Construction, среди авторов которой старший преподаватель Центра ИИ Сколтеха Александр Тюрин.

❗️ В распределённом обучении мы часто рассчитываем на масштабирование по числу устройств n: больше воркеров → меньше шум градиентов → быстрее обучение. Но статья показывает фундаментальное ограничение: если честно учитывать стоимость коммуникации и от воркеров к серверу, и от сервера к воркерам, то “магии масштабирования” может не быть — и некоторые популярные "трюки" (например, случайная разреженная компрессия градиентов без смещения) принципиально не могут дать лучшее ускорение.

В централизованной архитектуре есть неизбежная плата: сервер не только собирает обновления от исполнителей, но и регулярно рассылает им новые параметры. Когда исполнителей становится много, именно эта обратная рассылка превращается в узкое место.

🍑 Почему это важно именно сейчас? Инженерная практика часто пытается корректировать коммуникационные издержки сжатием обновлений — например, отправлять не полный вектор, а его разреженную/сжатую версию. Статья показывает: для широкого класса таких методов можно доказать, что при реалистичной стоимости связи ускорение по числу устройств оказывается принципиально ограниченным. Иными словами, в некоторых режимах увеличение кластера даёт лишь умеренный выигрыш, который не соответствует ожиданию «в два раза больше устройств — в два раза быстрее».

💡 Как надёжно измерять, “сколько общей информации” между двумя сложными объектами, когда обычные методы в больших размерностях начинают ошибаться?

Речь о статье InfoBridge: Mutual Information estimation via Bridge Matching, среди авторов которой сотрудники Центра ИИ Сколтеха - младший инженер-исследователь Сергей Холькин, инженер-исследователь Иван Бутаков, профессор, вице-президент по развитию ИИ, директор Центра искусственного интеллекта Сколтеха Евгений Бурнаев, инженер-исследователь Никита Гущин, старший преподаватель и руководитель исследовательской группы по генеративному ИИ Александр Коротин.

📁 Взаимная информация (MI) — универсальная мера зависимости: она показывает, насколько знание одной переменной уменьшает неопределённость другой. Её используют в самоконтролируемом обучении (SSL), выравнивании представлений (например, текст–картинка), анализе нейросетей и отборе признаков.

Проблема в том, что на высоких размерностях многие популярные нейросетевые оценки MI становятся нестабильными - одни дают большую дисперсию, другие требуют огромных батчей, третьи “не дотягиваются” до больших значений MI и систематически занижают результат.

❌ Авторы предлагают смотреть на оценку MI как на задачу переноса между доменами: как “превратить” случайную величину (X) в условную случайную величину (Y|X). Для такого переноса они используют инструменты диффузионных мостов и “bridge matching” — подход, который обычно применяют в генеративном моделировании, но здесь он превращается в механизм для оценки MI.

Научный вклад:
➡️ Получен несмещённый (unbiased) оцениватель MI для данных, с которыми стандартные оцениватели часто не справляются.
➡️ На основе теории сделан практический алгоритм InfoBridge, который можно обучать на реальных данных и который не “сыпется” в сложных режимах.

На стандартных низкоразмерных бенчмарках InfoBridge даёт качество на уровне сильных подходов. На картинках и особенно в режиме высокой взаимной информации (когда многие методы перестают “видеть” большие значения) InfoBridge оказывается наиболее точным: в экспериментах авторы варьируют размерность до 160 и истинную MI до 80, и отмечают, что популярные подходы, MINE/InfoNCE/fDIME, в этих режимах не захватывают высокие значения, тогда как InfoBridge остаётся близок к истине.

❗️ На реальных данных — эмбеддингах белковых языковых моделей — метод также демонстрирует устойчивую и точную оценку. Показательная цифра на одном из ключевых тестов: MAE у InfoBridge ≈ 0.04, тогда как у MINE и InfoNCE — около 0.22–0.24, а некоторые методы в этом режиме могут давать совсем некорректные оценки.

⚙️ От лазеров до гамма-лучей: предзащита докторской о новых источниках излучения

В Сколтехе состоялась презентация докторской диссертации Сергея Рыкованова, руководителя лаборатории суперкомпьютеров в искусственном интеллекте Центра ИИ. Работа посвящена созданию узкополосных источников гамма-квантов и рентгеновского излучения на основе нелинейного обратного комптоновского рассеяния — технологии, которая откроет новые возможности в ядерной физике, материаловедении и медицине.

⚡️ Что такое комптоновское рассеяние? Когда интенсивный лазерный луч сталкивается с пучком высокоэнергетических электронов, происходит обратное комптоновское рассеяние — электроны передают энергию фотонам лазера, превращая их в гамма-кванты или рентгеновские лучи. Полученное излучение обладает узкой спектральной полосой, настраиваемой энергией и сверхкороткими импульсами

🎯 От теории к применению
Сергей с коллегами разработали методы компенсации пондеромоторного уширения спектральной линии, возникающего при высокой интенсивности лазера. Это позволяет сохранить узкую полосу излучения даже при мощных импульсах

❗️ Особое внимание уделено проекту ИКИ НЦФМ в Сарове — будущему российскому источнику гамма-излучения с:
🔘 относительной шириной спектра 0,3–0,5%
🔘 интенсивностью 10¹⁰–10¹¹ фотонов в импульсе
🔘 параметрами, превосходящими американский HIGS.

Практическое применение

1️⃣ Безопасность и контроль
Ядерная резонансная флюоресценция позволяет обнаруживать конкретные изотопы с высочайшей точностью.

На практике это означает:
Неинвазивный контроль грузов в портах;
— Выявление радиоактивных и взрывчатых веществ;
— Детектирование урана-235 без вскрытия контейнеров;
— Задачи фотоделения ядер для ядерной безопасности.

2️⃣ Материаловедение
— Изучение структуры сплавов и композитов;
— Выявление дефектов в деталях двигателей;
— Неразрушающий контроль энергоустановок.

3️⃣ Медицина
— Высокоточная радиотерапия опухолей;
— Минимальное повреждение здоровых тканей;
— Управляемая энергия излучения.

Аттосекундная физика: наблюдаем электроны в движении

Отдельная часть работы — генерация высоких гармоник при отражении лазера от плазменной поверхности.

Что удалось достичь:
➡️ Одиночные аттосекундные импульсы (< 10⁻¹⁸ секунды!);
➡️ Наблюдение движения электронов в атомах в реальном времени;
➡️ Гармоники с орбитальным угловым моментом — свет закручивается в спираль.


Работа закладывает фундамент для компактных источников нового поколения:
— Вместо гигантских установок → лабораторные источники;
— Вместо целых зданий → небольшие лаборатории;
— Доступ для университетов и исследовательских центров.

📈 Численное моделирование показывает: источники на базе лазерно-плазменных ускорителей конкурируют с традиционными по яркости и спектральной чистоте!

Запись презентации и материалы.

💡 Как ускорить распределённое обучение с подкреплением, чтобы кластеры не простаивали из-за “медленных” воркеров и дорогих коммуникаций?

В статье Asynchronous Policy Gradient Aggregation for Efficient Distributed Reinforcement Learning, среди авторов которой старший преподаватель Центра ИИ Сколтеха Александр Тюрин, предложены два алгоритма — Rennala NIGT и Malenia NIGT — для ситуации, когда RL обучают в распределённом режиме: много воркеров параллельно собирают опыт и считают градиенты, а затем их нужно агрегировать. На практике именно агрегация часто “убивает” скорость: синхронные схемы заставляют всех ждать самых медленных (stragglers), а частые обмены по сети превращаются в узкое место.

✍️ Вместо того чтобы обновляться “по команде” и каждый раз собирать градиенты строго со всех, авторы делают асинхронную агрегацию градиентов policy gradient — система продолжает прогрессировать, даже если часть воркеров запаздывает. При этом для реальной инфраструктуры важно, что в однородном сценарии метод поддерживает AllReduce (типичный коллективный обмен в кластерах).

Что было предложено:

➡️ Для однородного случая (все учатся “в одной среде”) Rennala NIGT даёт улучшенную теоретическую оценку по суммарному времени, и отдельно улучшает/упорядочивает стоимость коммуникаций по сравнению с сильным базлайном AFedPG. Авторы показывают, что AFedPG не поддерживает AllReduce и имеет более тяжёлую коммуникационную сложность.

➡️ Для неоднородного (агенты могут учиться в разных условиях/с разными распределениями — ближе к федеративным и “реально-разнообразным” сценариям) - авторы вводят Malenia NIGT и заявляют строго лучшие гарантии, одновременно учитывая и асинхронность вычислений, и различия сред.

Главная идея - вместо “собрали обновления от всех → обновились” алгоритм работает следующим образом:

✅ каждый воркер независимо собирает опыт и считает policy-gradient;
✅ сервер/агрегатор не ждёт всех: он принимает градиенты по мере готовности;
✅ обновление делается, когда накоплено достаточно новых вкладов (порог по числу пришедших градиентов), то есть система сама перестраивается под текущую скорость кластера.

Это даёт прикладной эффект - если 10–20% воркеров стали медленнее или “пропали”, прогресс не останавливается. Важная практическая деталь из статьи - в однородном случае схема совместима с AllReduce (то есть её можно встраивать в стандартные HPC/GPU пайплайны, а не строить другую коммуникацию под один метод).

Результаты эксперимента:

✅ На задачах MuJoCo (например, Humanoid-v4 и Reacher-v4) при 100 воркерах авторы прогоняют несколько режимов — от “все равны” до жёсткой гетерогенности вычислений и коммуникаций — и показывают, что Rennala NIGT стабильно быстрее выходит на высокий reward, а разрыв растёт, когда связь/разброс скоростей ухудшаются.

✅ Для гетерогенной постановки они делают наглядный стресс-тест: два агента учатся в разных вариантах среды (одному “инвертируют” состояния), и Malenia NIGT заметно опережает альтернативы по достижимому reward.

💻 Как выбрать правильный распределённый SGD и проектировать быстрые схемы обучения под реальные ограничения кластера?

В статье Birch SGD: A Tree Graph Framework for Local and Asynchronous SGD Methods авторы старший преподаватель Центра ИИ Сколтеха Александр Тюрин и аспирант Данил Сивцов предлагают новый общий взгляд на то, как устроены современные методы распределённого обучения.

➡️ В распределённом обучении сегодня есть десятки вариантов SGD: синхронные, локальные (несколько шагов без связи), асинхронные (с задержками), многоуровневые (кластеры внутри кластеров). И почти каждый метод “хорош” по-своему — но под разные ограничения: частота коммуникаций, пиковая нагрузка на сеть (когда тысячи воркеров не могут синхронизироваться одновременно), AllReduce, частота обновления модели (как быстро модель реально меняется, а не сколько градиентов вы посчитали).

Работа даёт единый язык, на котором эти методы можно сравнивать и проектировать осознанно. Авторы предлагают описывать любой алгоритм SGD как дерево вычислений:

🔘 в узлах — состояния модели, которые реально появлялись в процессе обучения;
🔘 на рёбрах — какие стохастические градиенты применялись и откуда они были посчитаны.

Скорость и устойчивость обучения определяется не “названием алгоритма”, а геометрией этого дерева — то есть тем, насколько далеко в прошлом находится точка, в которой вы вычислили градиент, относительно точки, которую сейчас обновляете.

Авторы вводят меру этого рассогласования: грубо говоря, насколько “устаревший” градиент вы используете. Именно эта величина (в статье она выражается через расстояние в дереве и параметр (R)) входит в общий результат: чем больше рассогласование, тем медленнее гарантированная сходимость.

Полезность на практике:

1. Один теоретический “калькулятор” для множества методов.
Вместо того чтобы доказывать сходимость каждого нового варианта SGD заново, авторы формулируют общий результат: достаточно проверить несколько условий про дерево (какие градиенты входят в какие обновления), и оценка скорости получается автоматически.

2. Сравнение не только по “скорости”, но по инженерным метрикам.
Авторы сводят методы в одну таблицу и сравнивают по нескольким осям:
🔘 вычислительная сложность (время до нужного качества),
🔘 коммуникационная сложность (сколько и как часто передаём),
🔘 совместимость с AllReduce,
🔘 пиковая полоса (сколько воркеров “синхронизируются одновременно”),
🔘 частота обновления модели (как часто появляется новый (w).

3. Восемь новых методов и новые “комбинации компромиссов”.
Используя этот каркас, авторы находят 8 новых алгоритмов и показывают, что как минимум 6 из них достигают оптимальной по времени сложности в своём классе (то есть быстрее в худшем случае уже нельзя — можно лишь менять другие характеристики, например сеть/пиковую нагрузку).

Улучшения:

🔘 Async-Local SGD / Async-Batch SGD: варианты, которые сохраняют асинхронность, но уменьшают стоимость коммуникаций по сравнению с сильным асинхронным базлайном (Ringmaster ASGD) — важный случай, когда сеть дорога.
🔘 Cycle SGD: метод, который специально снижает пиковую нагрузку на сеть; это критично на очень больших (n), где пиковая синхронизация физически ограничена.
🔘 Модификация семейства Local SGD: авторы показывают, что “классический” Local SGD можно донастроить (в т.ч. через критерий остановки/синхронизации), чтобы впервые получить оптимальные временные оценки именно для этого семейства — то есть локальные шаги перестают быть “интуитивным трюком” и становятся теоретически выверенным инструментом.
🔘 Meta Local SGD + Hard Sync: “мета-алгоритм”, который позволяет задавать произвольные стратегии синхронизации, но добавляет механизм “жёсткой синхронизации”, чтобы не допустить слишком хаотичного разбегания копий модели и гарантировать нормальную сходимость. Идея полезна, когда хочется гибкости под инфраструктуру, но без риска развала обучения.

❌ Как ускорить федеративное обучение, когда связь дорогая, а в каждом раунде участвует лишь часть устройств?

Речь о статье Tighter Performance Theory of FedExProx, среди авторов которой старший преподаватель Центра ИИ Сколтеха Александр Тюрин.

В федеративном обучении данные остаются на устройствах, а на сервер отправляются только обновления модели. Главная цена здесь — не вычисления, а коммуникация: каждый раунд обмена сообщениями может быть медленным и дорогим. Поэтому ключевой вопрос заключается в том, как получить нужное качество за меньшее число раундов связи, особенно когда в каждом раунде доступна лишь часть клиентов.

➡️ Обычные федеративные методы, в духе FedProx, стараются держать локальные шаги клиентов «вблизи» общей модели — это помогает, когда данные клиентов заметно различаются. FedExProx добавляет к этому экстраполяцию: сервер делает шаг немного «на опережение», чтобы быстрее продвигаться к решению.

Авторы показывают, что прежние теоретические оценки для FedExProx были слишком грубыми: в них не удавалось строго объяснить, за счёт чего метод должен выигрывать у стандартного градиентного спуска. В этой работе предлагается более точный анализ, который действительно выявляет условия, при которых FedExProx даёт ускорение, и описывает, как на скорость влияют:

— редкое участие клиентов,
— различия между клиентами,
— стоимость коммуникации.

Что еще важно на практике?

✅ Частичное участие клиентов — анализируется сценарий, когда в каждом раунде активна лишь часть устройств (типичная реальность FL).
✅ Адаптивная экстраполяция — предложены две стратегии подстройки параметров — на основе разнообразия градиентов и на основе шагов Поляка — для них тоже получены более сильные результаты, чем раньше.
✅ Выводы расширены на более общий класс задач, где выполняется условие Поляка–Лоясевича.

Эксперименты подтверждают практический вывод статьи — когда коммуникация “дорогая”, оптимальные настройки метода становятся нетривиальными (появляется характерная U-образная зависимость качества по параметру), и правильный выбор параметров действительно даёт выигрыш.