Летняя практика

В ходе прохождения практики студенты смогут познакомиться с реальными научно-техническими задачами, требующими от студентов погружения в интересную предметную область и владение соответствующими навыками в областях анализа данных, машинного обучения и/или разработки программного обеспечения. Работа над проектами может проходить на взаимовыгодной основе. Подробности можно узнать по адресу ntalaikova@hse.ru

Проекты 2025:

Название проекта
и контактное лицо

Описание проекта
Цель, задачи

Пререквизиты

Уровень студентов
(курс)

Количество мест

Гущин Михаил Иванович
mhushchyn@hse.ru

Изучение применимости языковых моделей (LM) для анализа табличных данных

Задачи практики
1) Научиться применять языковые модели на табличных данных.

2) Научиться дообучать языковые модели на табличных данных.

3) Сравнить языковые модели с другими моделями ML.

Результаты практики
1) Применить языковую модель на нескольких табличных датасетах.

2) Применить ряд специализированных моделей для табличных данных.

3) Провести анализ качества прогнозов.

Глубинное обучение, языковые модели

Бакалавриат (3+)

Магистратура

Гущин Михаил Иванович
mhushchyn@hse.ru

Детектирование аномалий во временных рядах с помощью фундаментальных моделей

Задачи
1) Научиться применять фундаментальные модели на временных рядах

2) Научиться дообучать фундаментальные модели.

3) Сравнить фунадментальные модели с другими моделями.

Результаты
1) Применить фундаментальную модель на нескольких датасетах.

2) Применить ряд ML моделей для детектирования аномалий в рядах.

3) Провести анализ качества прогнозов.

Глубинное обучение, языковые модели

Бакалавриат (3+)

Магистратура

Деркач Денис Александрович

dderkach@hse.ru

Разработка подхода мониторинга качества данных в экспериментах коллайдера NICA

Задачи
- Изучить подход эксперимента LHCB Большого адронного коллайдера

- Подготовить готовый код библиотеки Monet к запуску в standalone режиме

- Установить отлаженный проект в инфраструктуре экспериментов NICA

В рамках проекта предлагается осуществить перенос и адаптацию библиотеки и вебинтерфейса по мониторингу качества данных в Большом адронном коллайдере на проект NICA (Дубна)

django, javascript, С++

Бакалавриат (3+)

Магистратура

Кирова Валерия Орлановна

vkirova@hse.ru

Создать искусственно увеличенный датасет МРТ-снимков, сохраняя диагностически значимые признаки

1. Подобрать модель увеличения очень маленького датасета МРТ-снимков (30 здоровых детей и 30 детей с парезом Эрба) 2. Увеличить выборку до оптимального для последующей классификации размера.

python, pytorch, ML, DL, GAN

Бакалавриат (3+)

Магистратура

Кирова Валерия Орлановна

vkirova@hse.ru

Построить классификатор для автоматического различия структурных МРТ-снисков детей с парезом Эрба и здоровых

Прописать и обучить классификатор МРТ-снимков детей с патологией и без. Датасет будет состоять их оригинальных и синтезированных данных

classification task

Бакалавриат (3+)

Магистратура

Кирова Валерия Орлановна

vkirova@hse.ru

Автоматизированная система классификации и подсчета рачков

Задача: Разработка модели, которая анализирует входное изображение с множеством рачков, а именно:
определяет их виды, подсчитывает количество каждого вида.

Обучение модели будет проводиться на размеченной базе данных изображений, организованной в виде папок, где название папки соответствует виду рачка.

Какая предстоит работа: подготовка данных (сбор,разметка, аугментация, test/train), разработка и обучение модели классификации (ResNet, EfficientNet, Vision Transformer или кастомная CNN), системы детекции объектов (YOLOv8). Объединение классификации и детекции.

classification task

Бакалавриат (3+)

Магистратура

Кирова Валерия Орлановна

vkirova@hse.ru

Разработка системы, которая генерирует текстовое описание рачка на основе его изображения:
✔️ Морфологическое описание – основные внешние признаки, позволяющие отличить один вид от другого.
✔️ Таксономическое описание – определение семейства, рода и других таксономических категорий, чтобы классифицировать новый вид.

Задача: Разработать модель, которая анализирует входное изображение с 1 рачком, и выдает его текстовое описание (таксономическое, морфологическое). Разработка пользовательского интерфейса (опционально)
Какая предстоит работа: развертывание модели (начнем с QWEN), построение промтов (совместно с наставниками и биологами)

Бакалавриат (3+)

Магистратура

Кирова Валерия Орлановна

vkirova@hse.ru

Создать интерфейс (UI) для уже реализованной бэкенд-логики, которая обрабатывает изображения в заранее известном формате. Интерфейс должен позволять пользователю:
Загружать изображение,
Вызывать определённые функции обработки,
Получать и визуализировать результат.

Бакалавриат (3+)

Магистратура

Кирова Валерия Орлановна

vkirova@hse.ru

Создать интерфейс (UI) для уже реализованной бэкенд-логики, которая обрабатывает Excel-таблицы в заранее известном формате. Интерфейс должен позволять пользователю:
Загружать Excel-файл,
Вызывать определённые функции обработки,
Получать и визуализировать результат.

1. Проектирование интерфейса
Определить структуру UI (например, одностраничное приложение или многостраничное).
Создать макет (wireframe) с основными элементами:
Кнопка загрузки файла.
Выбор функций обработки.
Область вывода результатов.

2. Реализация загрузки файла
Добавить поле для загрузки Excel-файла (поддержка .xlsx, .xls).

Валидация формата файла перед отправкой на бэкенд.

Отображение статуса загрузки (прогресс, успех/ошибка).

3. Выбор функций обработки
Реализовать UI-элементы (кнопки, выпадающие списки) для вызова функций бэкенда.

Возможность передавать параметры обработки (если требуется).

4. Визуализация результатов
Отображение обработанных данных (таблицы, графики, текстовые сводки).

Бакалавриат (3+)

Магистратура

Кирова Валерия Орлановна

vkirova@hse.ru

Изучение и применение методов математического моделирования в клеточной биологии для анализа динамики клеточных процессов

проникнуться текущими исследованиями (совместно с научной группой), Формализация биологических данных (совместно с научной группой)

дискретная математика

Бакалавриат (3+)

Магистратура

Кирова Валерия Орлановна

vkirova@hse.ru

сделать математическую постановку задачи эволюции генов

изучить задачу, совместно с руководителей и научной группой сформулировать постановкуц задачи в терминах математики

Проблема касается изменений в генетических последовательностях и восстановления кратчайшей последовательности преобразований, что в первую очередь требует точной математической формулировки.

дискретная математика

Бакалавриат (3+)

Магистратура

Кирова Валерия Орлановна

vkirova@hse.ru

мат постановка задачи пересечения траекторий со случ блужданиями

исследовать задачу (изучить пару статей на эту тему), совместно с руководителей и научной группой сформулировать постановку задачи в разных терминах математики

постановка задачи о пересечении двух траекторий. рассмотреть постановку задачи в различных математических терминах и условия пересечения с точки зрения механики, теории графов, комбинаторики слов и теории информации. рассмотреть это с учетом случайных блужданий, развитие идеи

теория графов / теория инфомации / теория групп

Бакалавриат (3+)

Магистратура

Кирова Валерия Орлановна

vkirova@hse.ru

Разработка метода восстановления энергетического спектра нейтронов по данным детектора с использованием нейросетевых подходов.

Изучить формат и структуру исходных данных, Построить математическую модель детектора, связывающую спектр нейтронов с регистрируемыми сигналами. Выбрать архитектуру нейронной сети (например, свёрточная CNN, полносвязная DNN, рекуррентная RNN).

python, ML, DL

Бакалавриат (3+)

Магистратура

Трофимова Екатерина Алексеевна

etrofimova@hse.ru

Участие в проекте по созданию автономной генерации ML-кода и обогащению бенчмарка (развитие идей https://peerj.com/articles/cs-2328/)

1.Создание мультиагентной системы генерации ML кода по текстовому описнаию задачи; 2. Валидация промежуточных шагов генерации кода 3. Интерпретация прогнозов

python, основы NLP, основы LLM

Бакалавриат (3+)

Магистратура

Трофимова Екатерина Алексеевна

etrofimova@hse.ru

Анализ влияния семиантики входного текстового описания задачи по ML на разных языках на генерацию решения в виде программного кода

1. Создание или отбор корпуса мультиязычных описаний ML-задач; 2. Анализ семантических различий между языками; 3. Оценка влияния языка и формулировки задачи на результаты генерации; 4. Разработка метрик или методик анализа чувствительности моделей

python, основы NLP, основы LLM

Бакалавриат (3+)

Магистратура

Трофимова Екатерина Алексеевна

etrofimova@hse.ru

Синтез описания создания технической детали в формате JSON по 3D-модели

1. Применение VLLM к задаче обработки 3D модели детали; 2. Контроль генерации JSON на базе ГОСТ 3. Разработка методологии оценки качества генерации в контексте задачи

python, основы NLP, основы LLM

Бакалавриат (3+)

Магистратура

Трофимова Екатерина Алексеевна

etrofimova@hse.ru

Интуитивная визуализация вывода больших языковых моделей (LLM) с помощью интерактивных виджетов

Большие языковые модели (LLM) обладают мощными возможностями генерации и рассуждения, однако их выводы зачастую представлены в виде длинного текста, что затрудняет интерпретацию и взаимодействие для конечного пользователя. Этот проект направлен на создание визуальных и интерактивных компонентов (виджетов), которые переводят текстовый вывод LLM в наглядную, управляемую форму, облегчая понимание, навигацию, редактирование и контроль. Задачи проекта:

1. Анализ типов вывода LLM, пригодных для визуализации;

2. Разработка набора визуальных шаблонов (виджетов) для различных типов вывода;

3. Разработка парсера/преобразователя вывода LLM в формат визуализации;

4. Проведение пользовательских исследований по удобству восприятия визуальных представлений

5. Интеграция LLM в визуальную среду взаимодействия

python, основы NLP, основы LLM

Бакалавриат (3+)

Магистратура

Al-Maeeni Aziz

al-maeeni@hse.ru

To study and implement scalable, equivariant deep learning models for predicting interatomic potentials, focusing on the Allegro like architecture as an alternative to message-passing neural networks

- Study local descriptor-based and message-passing neural networks for molecular modeling
- Understand the theoretical foundations of equivariant tensor operations
- Reproduce or extend the Allegro model using open datasets (e.g. QM9, MD-17)
- Evaluate scalability and accuracy of the approach versus baseline models
- Explore generalization to out-of-distribution molecules or materials

The project centers on the implementation and evaluation of Allegro, a state-of-the-art local equivariant neural potential model for atomic-scale simulations. Students will investigate how to achieve message-passing-level accuracy using scalable local operations and how to leverage equivariance for enhanced generalization. The work may include model training, performance benchmarking, and application to molecular dynamics.

Strong background in deep learning, computational physics or chemistry, linear algebra, and proficiency in Python and PyTorch; familiarity with graph neural networks and tensor algebra is essential

Бакалавриат (3+)

Магистратура

Al-Maeeni Aziz

al-maeeni@hse.ru

To develop a symbolic regression method guided by large language models for generating interpretable scientific models

- Study existing symbolic regression techniques
- Explore the use of LLMs for mathematical expression generation
- Implement a prototype symbolic regression system
- Test and refine the method using example problems
- Document and present results

The project includes literature review, algorithm design, implementation of LLM-guided symbolic regression, integration of domain constraints for interpretability, and evaluation of the approach on scientific problems such as in material science.

Strong background in deep learning, linear algebra, and proficiency in Python and PyTorch, search and optimization methods
Knowledge of Lisp is a big plus

Бакалавриат (3+)

Магистратура

Al-Maeeni Aziz

al-maeeni@hse.ru

To explore the use of large language models (LLMs) for generating and optimizing materials with tailored properties

- Review literature on AI-driven materials discovery
- Study LLM capabilities for structured text generation
- Design prompts and workflows for material property prediction and composition suggestion
- Validate generated materials using databases or simulation
- Document methodology and results

The project involves investigating how LLMs can be leveraged to generate novel materials with desired properties by interpreting and synthesizing scientific data, proposing material compositions, and integrating this process with computational validation tools.

Strong background in deep learning, computational physics or chemistry, linear algebra, and proficiency in Python and PyTorch; familiarity with graph neural networks

Бакалавриат (3+)

Магистратура

Al-Maeeni Aziz

al-maeeni@hse.ru

To develop and explore a general-purpose framework that combines large language models with evaluators to discover new algorithms and insights in science and mathematics

- Study related work (FunSearch, AlphaEvolve)
- Build or adapt a system pairing an LLM with an automated evaluator
- Apply the system to one or more algorithmic or scientific problems
- Analyze discovered solutions for novelty and interpretability
- Document findings and prepare a presentation

The project focuses on building a prototype implementation of a function-space search framework, where an LLM proposes candidate functions or algorithms and a systematic evaluator scores them. The project explores how this paradigm can yield interpretable, verifiable results across domains, such as combinatorics, optimization, or physics.

Strong background in deep learning, linear algebra, optimization, and proficiency in Python and PyTorch
Knowledge of Lisp is a big plus

Бакалавриат (3+)

Магистратура

Рамазян Тигран Арменович

tramazyan@hse.ru

Разработка методов и экспериментов для байесовской оптимизации устойчивой к (контекстному) распределению

- Изучить современные методы устойчивой байесковской оптимизацией
- Изучить популярные примеры численных экспериментов оптимизации черных ящиков
- Реализовать изученный материал

В рамках проекта предлагается добавить новые и улучшить существующие методы оптимизации черных ящиков. В особенности методов байесовской оптимизации устойчивой к распределению

Методы оптимизации, линейная алгебра, машинное обучение, Python (Numpy, PyTorch)

Бакалавриат (3+)

Магистратура

Али Сараа

thraaali@hse.ru

Изучение методов анализа сигналов от двигателей и разработка моделей для автоматического обнаружения неисправностей.

1. Обзор существующих методов и алгоритмов обнаружения неисправностей по сигналам двигателя.
2. Изучение структуры и особенностей доступных данных.
3.Реализация базовых моделей предсказания неисправностей.
4. Оценка чувствительности алгоритмов к изменениям параметров двигателя.
5. Анализ влияния частоты считывания данных на качество диагностики.
6.Формирование рекомендаций по оптимизации процесса мониторинга и диагностике состояния двигателя.

Глубинное обучение, PyTorch, ML; желательно — обработка сигналов и временные ряды

Бакалавриат (3+)

Магистратура

Лазарев Михаил Владимирович
mvlazarev@hse.ru

КАN :Разработать и применить алгоритм на основе КАN (на графе)
для оптических свойств, можно попробовать другие экзотические нейросетевые методы двумерного материала
Тут можно попробовать различные модели ВД для графов для оценки свойств кристаллов или молекул.

Все участники проекта будут работать в команде, но решать разные задачи. Участники смогут укрепить свои навыки в машинном обучении, разработке ПО и работе с открытым кодом. Научиться решать прикладные задачи в области физики.

python, DL, pytorch

Бакалавриат (3+)

Магистратура

Лазарев Михаил Владимирович
mvlazarev@hse.ru

LLNs и Transformers: примение к задаче нахождения уравнения
или формулы для описания данных

Главной задачей является нахождения описания данных с учётом заданных ограничений. Оценить работоспособность на открытых датасетах. Так и на датасетах подразумевающих учёт физических законов.

Участники смогут укрепить свои навыки в машинном обучении, и NLP. Практика подойтет тем, кто хочет определиться, подойдет ли для ВКР открытая исследовательская тема.

python, DL,
основы NLP,
основы LLM

Бакалавриат (3+)

Магистратура

Лазарев Михаил Владимирович
mvlazarev@hse.ru

LLNs для предсказания структуры кристала по заданным свойствам,
или же пути его синтезировать (тут есть где разгуляться по формулировке задачи)

Дообучить LLM (типа LAMA 3.1) а большом корпусе кристаллов представленных в текстовом формате. Главной целью будет генерация кристалов с заданными оптическими и электронными свойствами.

Участники смогут укрепить свои навыки в машинном обучении, и анализе данных и LLM. Практика подойтет тем, кто хочет определиться, подойдет ли для ВКР открытая исследовательская тема.

python, DL,
основы NLP,
основы LLM

Бакалавриат (3+)

Магистратура

Лазарев Михаил Владимирович
mvlazarev@hse.ru

Определение свойств материалов и молекул, ускорение физических расчётов с помощью DFT.

Предполагается использование новых GNN моделей для задачи определения свойств вещества.

Все участники проекта будут работать в команде, но решать разные задачи. Участники смогут укрепить свои навыки в машинном обучении, разработке ПО и работе с открытым кодом. Научиться применять методы ИИ для работы с физическими объектами

python, DL, GNNs,
основы LLM

Бакалавриат (3+)

Магистратура

Лазарев Михаил Владимирович
mvlazarev@hse.ru

Современные методы компьютерного зрения в медицине.
Задача построения 3D изображения по проекциям

В проекте активно будут использоваться метода компьютерного зрения.
Требуется попробовать несколько подходов генерации 3д объекта по его проекциям.

Все участники проекта будут работать в команде, но решать разные задачи. Участники смогут укрепить свои навыки в машинном обучении, разработке ПО и работе с открытым кодом. Погрузиться в работу с реальными данными полученными опытными докторами. Изучить область задач 3д компьютерного зрения и применить новые мемтоды на практике.

python, DL,
основы CV

Бакалавриат (3+)

Магистратура

Лазарев Михаил Владимирович
mvlazarev@hse.ru

Разработка голосового ассистента для сбора информации пациента

Основой в этом проекте будет применение speech2text и text2speech моделей на реальных данных. Работа будет включать улучшение базовой LLM модели для ведения диалога.

Все участники проекта будут работать в команде. Участники смогут укрепить свои навыки в машинном обучении, разработке ПО и работе с открытым кодом. Исследовать различные модели text2speach и speach2text, а также подходы для клонирование голоса. Итогом будет проводиться реальное тестирование алгоритмов на пациентах клиник.

python, DL,
основы CV

Бакалавриат (3+)

Магистратура

Новиков Иван Сергеевич

isnovikov@hse.ru

Изучение машинно-обучаемого потенциала межатомного взаимодействия
(далее МОПа), основ построения баз данных для его обучения, а также влияния
явного учета дисперсионных поправок на точность и предсказательную способность потенциала при исследовании многослойных материалов.

1. Фитинг МОПов для исследования многослойных материалов.
2. Исследование влияния явного учета дисперсионного
взаимодействия в потенциале на точность обучения
и предсказательную способность потенциала.

4. Исследовать влияние явного включения дисперсионных поправок в потенциал на точность и предсказательную способность потенциала.
3. Обучить МОПы для многослойных материалов с явным учетом и без явного учета дисперсионных взаимодействий.
2. Научиться работать с пакетом квантово-механических вычислений для расчета базы данных.
1. Научиться работать с МОПами, реализованными в коде MLIP-4 (https://gitlab.com/ashapeev/mlip-4).

Python, основы Linux,
основы машинного обучения
(задача регрессии).

Бакалавриат (3+)

Магистратура

Новиков Иван Сергеевич

isnovikov@hse.ru

Изучение машинно-обучаемых потенциалов межатомного взаимодействия (далее МОПов) и их применимости для исследования многокомпонентных сплавов. Изучение переносимости МОПов, обученных при одних концентрациях сплавов, на исследование других концентраций.

1. Фитинг МОПов для исследования многокомпонентных сплавов.
2. Сравнение точности, предсказательной способности и переносимости различных МОПов.

4. В случае плохой переносимости потенциалов на другие составы, дообучить потенциалы и рассчитать радиальные функции распределения, сравнить результаты на дообученных потенциалах.
3. Рассчитать радиальную функцию распределения (гистограмму попарных расстояний между разными типами атомов) с помощью обученных МОПов (MTP и DeePMD) как для состава, на котором проходило обучение потенциалов, так и для составов, которых не было в базе данных. Сравнить полученные радиальные функции распределения и переносимость потенциалов на другие составы.
содержании каждой из компонент Al, Cu и Ni.
2. Обучить МОПы (MTP, реализованный в MLIP-4 и DeePMD, реализованный в DeepMD-kit) для исследования многокомпонентного сплава Al-Cu-Ni при равном
1. Научиться работать с МОПами, реализованными в кодах MLIP-4 (https://gitlab.com/ashapeev/mlip-4) и DeepMD-kit (https://github.com/deepmodeling/deepmd-kit).

Python, основы Linux,
основы машинного обучения
(задача регрессии).

Бакалавриат (3+)

Магистратура

_______________________________________

По вопросам прохождения практики писать на ntalaikova@hse.ru

Проекты прошлых лет:

Проекты 2024

Название проекта и контактное лицо	Описание проекта Цель, задачи	Пререквизиты	Уровень студентов (курс)	Количество мест
Гущин Михаил Иванович mhushchyn@hse.ru	Цель практики заключается в развитии и улучшении новой открытой библиотеки probaforms https://github.com/HSE-LAMBDA/probaforms. Probaforms - это библиотека условных генеративных моделей машинного обучения таких как GAN, нормализационные потоки, вариационные автокодировшики, диффузионные модели и другие. Библиотека предназначена для генерации синтетических табличных данных, решения задач вероятностной регрессии и прогноза неопределенностей прогнозов. Участники смогут решить одну или несколько задач из списка: 1) Реализовать одну или несколько условных генеративных моделей (GAN, NF, VAE, Diffusion etc.); 2) Сравнить разныем методы из библиотеки на примерах; 3) Подготовить примеры использования для решения реальных задач; 4) Разработать новые методы интеративной визуализации;	python, ML, DL	Бакалавриат (3+) Магистратура	5
Гущин Михаил Иванович mhushchyn@hse.ru	Цель практики заключается в развитии и улучшении открытой библиотеки roerich https://github.com/HSE-LAMBDA/roerich. Библиотека содержит методы для обнаружения изменений во входном потоке данных и детектирования точек разладки во временных рядах. Библиотека преднахначена для решения задач мониторинга входных данных моделей машинного обучения и обнаружению сбоев систем по показаниям сенсоров. Участники смогут решить одну или несколько задач из списка: 1) Реализовать одну или несколько моделей генерации табличных данных (TabDDPN, Tabular GAN etc.); 2) Сравнить разныем методы из библиотеки на примерах; 3) Подготовить примеры использования для решения реальных задач; 4) Разработать новые методы интеративной визуализации;	python, ML	Бакалавриат (3+) Магистратура	5
Гущин Михаил Иванович mhushchyn@hse.ru	Развитие открытой библиотеки FULU (https://github.com/hse-cs/fulu) для аппроксимации временных рядов потока излучения астрономических явлений (т.н. кривых блеска). Конкретные задачи: 1) Генерация сайта документации библиотеки FULU с помощью SPHINX (https://www.sphinx-doc.org/en/master/index.html) и https://readthedocs.org/ 2) Добавление подсчёта метрик всех имплементированных моделей для заданной кривой блеска - автоматический выбор лучшей модели. 3) Добавление методов подсчета периода во временном ряду с помощью периодограмм (например, multidimensional lomb scargle). 4) Визуализация периодограмм и их пиков.	python, pytorch, ML, DL	Бакалавриат (3+) Магистратура	2
Ратников Федор Дмитриевич fratnikov@hse.ru	Целью практики является реализация подхода для определения равномерности покрытия пространства объектов генеративными моделями Участникам практики предстоит решать следующие задачи: 1) Обучить несколько генеративных моделей с использованием различных подходов 2) Разработать метрику определения похожести генерируемых объектов 3) С использованием метрики определить степень кластеризации генерируемых объектов вокруг опорных объектов тренировочной выборки.	python, pytorch, ML, DL	Бакалавриат (3+) Магистратура	2
Ратников Федор Дмитриевич fratnikov@hse.ru	Проблема: в физике высоких энергий симуляция многих процессов происходит на основе методов Монте Карло. Фреймворки, использующие данные подходы, требуют большого времени для генерации событий. Диффузионные модели в последнее время показывают высокое качество генерации, поэтому предлагается применить их для генерации объектов HEP. Предлагаемое содержание работы: Реализовать полный пайплайн обучения диффузионной модели для генерации отклика калориметра ECAL. Выбрать способы оценки качества генерации. Исследовать способы ускорения инференса диффузионных моделей. Сравнить результаты генерации с ранее опубликованными подходами. Реализовать полный пайплайн обучения диффузионной модели для генерации отклика калориметра ECAL. Выбрать способы оценки качества генерации. Исследовать способы ускорения инференса диффузионных моделей. Сравнить результаты генерации с ранее опубликованными	Deep Learning, Generative Models, PyTorch, Diffusion Models.	Бакалавриат (3+)	2
Лазарев Михаил Владимирович mvlazarev@hse.ru	КАN :Разработать и применить алгоритм на основе КАN (на графе) для оптических свойств, можно попробовать другие экзотические нейросетевые методы двумерного материала Тут можно попробовать различные модели ВД для графов для оценки свойств кристаллов или молекул.	pytorch, DL	Бакалавриат (3+) Магистратура	2
Лазарев Михаил Владимирович mvlazarev@hse.ru	LLNs и Transformers: Прикрутить их к задаче нахождения уравнения или формулы для описания данных. Главной задачей является нахождения описания данных с учётом заданных ограничений. Оценить работоспособность на открытых датасетах.	pytorch, DL	Бакалавриат (3+) Магистратура	2
Лазарев Михаил Владимирович mvlazarev@hse.ru	LLNs для предсказания структуры кристала по заданным свойствам, или же пути его синтезировать (тут есть где разгуляться по формулировке задачи). Дообучить LLM (типа LAMA 3.1) а большом корпусе кристаллов представленных в текстовом формате. Главной целью будет генерация кристалов с заданными оптическими и электронными свойствами.	pytorch, DL	Бакалавриат (3+) Магистратура	2
Лазарев Михаил Владимирович mvlazarev@hse.ru	Механизмы внимания для нахождения функционалов для DFT (теория функционала плотности) (может показаться сложно, но очень перспективно). Применить подход основанный на модели с механизмами внимания для построения форныли функционала. Сравнение полученных результатов с существующими подходами	pytorch, DL	Бакалавриат (3+) Магистратура	2
Лазарев Михаил Владимирович mvlazarev@hse.ru	Анализ медицинских данных, предективная аналитика и 3d реконструкция объектов. (есть видеоряды объекта (он подвижный) с разных ракурсов, задача построить его 3д модельку). Обучить модель сегментации сосудов сердца. Предложить алгоритм выбора кадров для последующей 3д реконструкции. По выбранному набору кадров построить 3д реконструкцию сосудов.	pytorch, DL	Бакалавриат (3+) Магистратура	2
Лазарев Михаил Владимирович mvlazarev@hse.ru	Собрать генеративные модели для кристаллов и молекул в единую библиотеку. + датасеты для их обучения ( больше инженерная задача, но весьма и весьма полезная) Изучить набор доступных моделей и датасетов, а также методов представления данных. собрать лучшие модели в единую библиотеку с соответствующими методами обработки данных.	pytorch, DL	Бакалавриат (3+) Магистратура	2
Лазарев Михаил Владимирович mvlazarev@hse.ru	Машинно обучаемы потенциалы для атомистического моделирования. Обучить модель на движении дефектов в кристалле. Проверить как влияет представление кристалла на обучаемый потенциал и конечную точность модели. Применить метод MLIP на дефектах в кристалле, для нахождания энергии взаимодействия атомов и изучить процесс дифузии атомов по кристаллической решётке. Сравнить полученные результаты с обычными методами молекулятной динамики и предыдущими результатами.	pytorch, DL	Бакалавриат (3+) Магистратура	2

Проекты 2023

Название проекта и контактное лицо	Описание проекта Цель, задачи	Пререквизиты	Уровень студентов (курс)	Количество мест
Трофимова Екатерина Алексеевна etrofimova@hse.ru	Предиктивная аналитика на реальных индустриальных установках позволяет снизить время ремонта оборудования и увеличить эффективность производства. Применение методов машинного обучения в реальных задачах при этом затрудненно повышеным требованием к робастности алгоритмов и сложностями с их тренировкой из-за способа сбора данных. В этой летней практике предполагается улучшить и дополнить существующие алгоритмы, работая с реальными данными, собранными с индустриальных механизмов. 1. На имеющихся данных реализовать базовое решение. 2. Проверить изменение качества базового решения в зависимости от частоты считывания данных. 3. Проверить возможность построения оптимального расписания считывания данных при непериодическом считывании. 4. Поиск оптимального решения в зависимости от использованного датчика (вибрация, электрический, звуковой).	python, ML, DL	Бакалавриат (3+) Магистратура	5
Гущин Михаил Иванович mhushchyn@hse.ru	Цель практики заключается в развитии и улучшении открытой библиотеки roerich https://github.com/HSE-LAMBDA/roerich. Библиотека содержит методы для обнаружения изменений во входном потоке данных и детектирования точек разладки во временных рядах. Библиотека преднахначена для решения задач мониторинга входных данных моделей машинного обучения и обнаружению сбоев систем по показаниям сенсоров. Участники смогут решить одну или несколько задач из списка: 1) Реализовать новые методы обнаружения сдвигов в данных; 2) Сравнить методы из библиотеки с существующими аналогами; 3) Подготовить примеры использования для решения реальных задач; 4) Написать статью в блоге по анализу данных (хабр, towards data science и др.); 5) Разработать новые методы интеративной визуализации;	python, ML	Бакалавриат (3+) Магистратура	5
Гущин Михаил Иванович mhushchyn@hse.ru	Цель практики заключается в развитии и улучшении новой открытой библиотеки probaforms https://github.com/HSE-LAMBDA/probaforms. Probaforms - это библиотека условных генеративных моделей машинного обучения таких как GAN, нормализационные потоки, вариационные автокодировшики, диффузионные модели и другие. Библиотека предназначена для генерации синтетических табличных данных, решения задач вероятностной регрессии и прогноза неопределенностей прогнозов. Участники смогут решить одну или несколько задач из списка: 1) Реализовать одну или несколько условных генеративных моделей (GAN, NF, VAE, Diffusion etc.); 2) Сравнить разныем методы из библиотеки на примерах; 3) Подготовить примеры использования для решения реальных задач; 4) Написать статью в блоге по анализу данных (хабр, towards data science и др.); 5) Разработать новые методы интеративной визуализации;	python, pytorch, ML, DL	Бакалавриат (3+) Магистратура	5
Гущин Михаил Иванович mhushchyn@hse.ru	Целью практики является разработка надежных моделей машинного обучения для задачи моделирования производительности систем хранения данных. Задача заключается в предсказании производительности реальной системы по параметрам подаваемой внешней нагрузки и конфигурации самой системы. Задача решается алгоритммами регрессии и генеративными моделями машинного обучения. Участникам практики предстоит решать следующие задачи: 1) Разработать один или несколько известных алгоритмов определения неопределенностей прогнозов моделей машинного обучения; 2) Применить эти алгоритмы к задаче моделирования производительности системы; 3) Провести анализ полученных результатов.	python, pytorch, ML, DL	Бакалавриат (3+) Магистратура	5
Ратников Федор Дмитриевич fratnikov@hse.ru	Целью практики является реализация подхода для определения равномерности покрытия пространства объектов генеративными моделями Участникам практики предстоит решать следующие задачи: 1) Обучить несколько генеративных моделей с использованием различных подходов 2) Разработать метрику определения похожести генерируемых объектов 3) С использованием метрики определить степень кластеризации генерируемых объектов вокруг опорных объектов тренировочной выборки.	python, pytorch, ML, DL	Бакалавриат (3+) Магистратура	3
Лазарев Михаил Владимирович mvlazarev@hse.ru	Целью практики является использования методов генерации символьных выражений (уравнений) для описания свойств или эволюции системы Участникам практики предстоит решать следующие задачи: 1. Нахождение символьной зависимости, определяющее свойство системы 2. Нахождение диференциального уравнения описыващее эволюцию замкнутой системы	python, pytorch, ML, DL	Бакалавриат (3+) Магистратура	2
Лазарев Михаил Владимирович mvlazarev@hse.ru	Целью практики является создание алгоритма предсказание оптических свойств полупроводниковых наноструктур Участникам практики предстоит решать следующие задачи: 1) Создать датасет наноструктур 2) Разработать алгоритм машинного обуения для прогнозирования спектральных свойств наноструктуры	python, pytorch, ML, DL , matlab	Бакалавриат (3+) Магистратура	2
Лазарев Михаил Владимирович mvlazarev@hse.ru	Целью практики является построение модели дифузии дефектов в двухмерном материале Участникам практики предстоит решать следующие задачи: 1) Разработать физическую модель дифузии используя результаты алгоритмов символьной реграссии 2) Исследовать зависимость конечной конфигурации дефектов в материале в зависимости от начальных условий	python, pytorch, ML, DL	Бакалавриат (3+) Магистратура	2
Лазарев Михаил Владимирович mvlazarev@hse.ru	Целью практики является нахождение конфигурации дефектов с заданными свойствами Участникам практики предстоит решать следующие задачи: 1) Обучить несколько генеративных моделей с использованием различных подходов. 2) Использовать подход символьной регрессии для полученя конфигурации с заданными свойствами.	python, pytorch, ML, DL	Бакалавриат (3+) Магистратура	2
Лазарев Михаил Владимирович mvlazarev@hse.ru	Целью практики является построение достоверных моделей моделирования деформационного поведения композиционных материалов с помощью нейросетевых моделей Участникам практики предстоит решать следующие задачи: 1) Построение ML модели для определения и предсказания деформационных свойств композитов	python, pytorch, ML, DL	Бакалавриат (3+) Магистратура	2
Мохненко Сергей Николаевич smohnenko@hse.ru	Целью практики попробовать найти преселекции в данных Монте-Карло субдетектора RICH LCHb Попробовать не сильного глубокими деревьями классифицировать семплы, калибровочный от монте-карло. Возможно деревья смогут захватить преселекции, которые не видно, но которые вредят качествую моделирования.	ML, scikit-learn	Бакалавриат (3+) Магистратура	1
Al-Maeeni A. R al-maeeni@hse.ru	Develop an optimization method to find defects combiniations based on the required physical attributes such as energy, formation energy, band gap, homo, and lumo. The materials of intereset are two-dimensional transition metal dichalcogenides (TMDCs), atomically thin TMDCs usually contain various defects, which enrich the lattice structure and give rise to many intriguing properties. Engineered point defects in two-dimensional (2D) materials offer an attractive platform for solid-state devices that exploit tailored optoelectronic, quantum emission, and resistive properties. - Develop/Improve invertable SO(3) equivariant descriptors - Develop/Improve optimization/search methods to find the optimal defect configuration in the defects space	ML, DL, Bayesian methods, Group Theory, Pytorch, JAX	Бакалавриат (3+) Магистратура	3

Проекты 2022

Название проекта и контактное лицо	Описание проекта Цель, задачи	Пререквизиты	Уровень студентов (курс)	Количество мест
Решение обратной задачи магнитной спектроскопии Активных Областей Солнца методами глубокого обучения Деркач Денис Александрович dderkach@hse.ru	Восстановление параметров атмосферы Солнца по наблюдаемым спектро-поляриметрическим данным. В настоящее время в Крымской астрофизической обсерватории (КрАО) ведутся работы по созданию нового солнечного спектрополяриметра на базе спектрографа Башенного солнечного телескопа (БСТ-1), новый инструмент должен давать возможность проводить спектрополяриметрические наблюдения участков солнечной поверхности с пространственным разрешением порядка 1 угловой секунды и с перекрытием спектра в оптическом диапазоне в полосе 15-20 ангстрем. Такие данные позволят определять параметры солнечной атмосферы (в т.ч. внешнее магнитное поле и продольную доплеровскую скорость плазмы) на разных высотах, которые определяются выбранными для наблюдений спектральными линиями.	python, ML, DL	Бакалавриат (3+) Магистратура	3
Использование методов анализа временных рядов для юстировки детекторов Деркач Денис Александрович dderkach@hse.ru	Детекторы Большого адронного коллайдера состоят из нескольких частей, служащих для измерения физических величин. Для получения идеального качества собираемых данных эти части должны быть точно выстроены друг относительно друга. С течением времени эти части начинают смещаться друг относительно друга, что требует дополнительной юстировки, происходящей онлайн во время сбора данных. В этом проекте будет предложено исследовать возможность автоматического поиска оптимальной конфигурации компонент детектора с помощью анализа временных рядов и поиска точек разладки.	python, ML, DL	Бакалавриат (3+) Магистратура	3
Optimal parametrization choice for the weather forecast model Устюжанин Андрей Евгеньевич austyuzhanin@hse.ru	Optimizing expensive-to-evaluate black-box functions over combinatorial structures is a ubiquitous task in machine learning, engineering, and the natural sciences. We look at various approaches to solving this problem: a) Turning a discrete optimization problem into a continuous one with VAE; b) Bayesian Optimization with Random Forest and Tree-structured Parzen Estimator surrogates. The algorithm should successfully resolve the challenge of Optimal parametrization choice for the WRF model.	python, ML, DL	Бакалавриат (3+) Магистратура	3
NL2ML Entity Extractor Трофимова Екатерина Алексеевна etrofimova@hse.ru	Реализация пайплайнов анализа данных с использованием различных моделей машинного обучения (ML) обычно сводится к построению комбинации повторяющихся типовых паттернов. Это несложно показать на наборе однообразных ноутбуков сервиса Kaggle.com. Тем не менее построение таких пайплайнов является ключевым навыком для специалистов различных предметных областей, не связанных напрямую с анализом данных, но опирающихся на такие компетенции в некоторых задачах. Примером могут быть биологи, химики, физики или представители гуманитарных наук. Проект NL2ML Entity Extractor нацелен на автоматический поиск необходимых для алгоритмов ML паттернов, таких как целевая переменная, в текстовом описании задачи. Получение информации о таких паттернах является одной ключевых задач перед дальнейшим синтезом ML пайплайнов.	python, ML, DL	Бакалавриат (3+) Магистратура	3
Создание базы данных для обучения нейросети Лазарев Михаил Владимирович mvlazarev@hse.ru	1. Создать базу низкоразмерных наноструктур для решения прямой задачи о нахождении оптических свойств данной структуры; 2. Предложить способы решения и получить предварительные результаты, по предсказанию свойств наноструктуры	Знание программирование Matlab, Python, Pytorch и основные архитектуры нейросетей. Знание и понимание квантовой механики будет большим плюсом.	Бакалавриат (3+) Магистратура	3
Прогнозирование вспышек на Солнце по данным радиотелескопа Деркач Денис Александрович dderkach@hse.ru	РАТАН-600 проводит регулярные многоволновые наблюдения Солнца на микроволнах в диапазоне 3-18 ГГц в интенсивности и поляризации. Запланировано добавление диапазона 1-3 ГГц. Данные доступны по крайней мере с марта 1997 г. по настоящее время, то есть включает в себя практически весь 23-й и 24-й циклы Солнечной активности. Активно ведутся наблюдения за текущим 25-м циклом Солнечной активности. В этом проекте предлагается использовать полученные данные для построения нейросетевой модели предсказания вспышек на Солнце.	python, ML, DL	Бакалавриат (3+) Магистратура	3

Проекты 2021

Название проекта и контактное лицо	Описание проекта Цель, задачи	Пререквизиты	Уровень студентов (курс)	Количество мест
Прогнозирование временных рядов Гущин Михаил Иванович mhushchyn@hse.ru	Прогнозирование временных рядов генеративными нейросетевыми моделями	Знание машинного обучения, нейронных сетей, pytorch. Знание методов анализа временных рядов будет большим плюсом.	Бакалавриат (3+) Магистратура	3
Сегментация видео и текстов Гущин Михаил Иванович mhushchyn@hse.ru	В проекте предлагается реализовать демонстрации по сегментации видео и текстов методами обнаружения точек разладки. Данные демонстрации могут быть использованы для автоматического резюмирования видео и текстов.	python, ML, pytoch	Бакалавриат (3+) Магистратура	3
Optimization and control of a biochemecal process Устюжанин Андрей Евгеньевич austyuzhanin@hse.ru	Penicillin fermentation monitoring and control has been carried for the last three decades. However the biopharmaceutical sector is lagging behind other sectors in their adoption of advanced process control (APC). The ability to test and validate a novel control strategy on a simulation subsequent to implementation on a real process has the potential to revolutionise control theory and applications of advanced controllers throughout the biopharmaceutical sector. In the future era of Industry 4.0, which envisions a highly intelligent data-driven manufacturing environment incorporating a multitude of advanced on-line process analytics, development and adoption of APC methods is a must. This project is aimed at development of control prototyping methods for production of a simple penicillin substance in a simulated environment.	ML, DL	Бакалавриат (3+) Магистратура	3
Rheologic structure reconstruction by solving inverse computational problem with surrogate based inference Устюжанин Андрей Евгеньевич austyuzhanin@hse.ru	We consider the problem of restoring the rheological structure of a continuous medium (e.g. human brain tissues), which has two phases, different in their physical properties. Within the framework of the theory of inverse problems in mathematical physics, the problem under consideration can be classified as a coefficient inverse problem on the distribution function of rheological parameters of the medium. Possible solution would be a hybrid numerical method which reduces the original problem to the problem of determining whether a node of a regular grid belongs to one or another phase of the medium. This formulation is a special case of one of the problems of machine learning - supervised learning and allows you to construct a numerical solution by optimizing a differentiable error functional, the form of which is selected depending on a specific setting	ML, DL	Бакалавриат (3+) Магистратура	3
NL2ML Устюжанин Андрей Евгеньевич austyuzhanin@hse.ru	Задача предлагаемого проекта состоит в составлении корпуса NL2ML — описаний функциональных блоков, и соответствующих им фрагментов на языке Python. Такой корпус может быть использован для построения графа-знаний возможных строительных блоков пайплайнов, разработки DSL для высокоуровневого описания пайплайнов, разработки алгоритмов AutoML для их автоматической генерации.	Python, ML, DL	Бакалавриат (3+) Магистратура	3
Решение обратной задачи магнитной спектроскопии Активных Областей Солнца методами глубокого обучения Деркач Денис Александрович dderkach@hse.ru	Восстановление параметров атмосферы Солнца по наблюдаемым спектро-поляриметрическим данным. В настоящее время в Крымской астрофизической обсерватории (КрАО) ведутся работы по созданию нового солнечного спектрополяриметра на базе спектрографа Башенного солнечного телескопа (БСТ-1), новый инструмент должен давать возможность проводить спектрополяриметрические наблюдения участков солнечной поверхности с пространственным разрешением порядка 1 угловой секунды и с перекрытием спектра в оптическом диапазоне в полосе 15-20 ангстрем. Такие данные позволят определять параметры солнечной атмосферы (в т.ч. внешнее магнитное поле и продольную доплеровскую скорость плазмы) на разных высотах, которые определяются выбранными для наблюдений спектральными линиями.	Python, ML, DL	Бакалавриат (3+) Магистратура	3

Проекты 2020

Название проекта
и контактное лицо

Описание проекта
Цель, задачи

Пререквизиты

Уровень студентов
(курс)

Количество мест

Competition X-ray tomography

Маевский Артем Сергеевич

amaevskij@hse.ru

Автоматизировать определение положения оси вращения в томографии

1) Изучить существующие подходы определения положения оси вращения в томографии
2) Оптимизировать существующее решение на основе нейронной сети по синограммам
2а*) Предложить и реализовать подход к определению положения оси на основе классических методов машинного обучения.
2б*) Предложить и реализовать подход к определению положения оси на основе методов глубокого обучения.
3) Провести эксперименты на реальных данных и сравнить качество указанных методов.

python, ML, torch/tf

Бакалавриат (4+)

Магистратура

1-3

Уточнение каталога масс галактических скоплений

Зароднюк Алена Владимировна

azarodnyuk@hse.ru

Уточнение каталога масс галактических скоплений

1) задача кластеризации галактик по галактическим скоплениям;
2) задача регрессии для оценки масс галактических скоплений

Знание машинного обучения, нейронных сетей, pytorch, keras

Бакалавриат (3+)

Магистратура

2-3

Прогнозирование временных рядов

Гущин Михаил Иванович

mhushchyn@hse.ru

Прогнозирование временных рядов

Применение нескольких современных методов прогнозирования временных рядов и сравнение их точности.

Знание машинного обучения, нейронных сетей, pytorch. Знание методов анализа временных рядов будет большим плюсом.

Бакалавриат (4+)

Магистратура

1-2

Поиск аномалий во временных рядах

Гущин Михаил Иванович

mhushchyn@hse.ru

Поиск аномалий во временных рядах

Применение современных методов детектирования и устранения аномалий во временны рядах.

Знание машинного обучения. Знание методов анализа временных рядов будет большим плюсом.

Бакалавриат (4+)

Магистратура

1-2

Систематика в GAN

Ратников Федор Дмитриевич

fratnikov@hse.ru

Систематика в GAN

1) реализовать метод оценки погрешности
2) реализовать цепочку обучения генеративной модели
3) провести серию экспериментов и получить выводы

Глубокое обучение

Бакалавриат (4+)

Магистратура

1-3

CaloGAN

Ратников Федор Дмитриевич

fratnikov@hse.ru

Построение объединенной модели VAE и GAN

1) подбор архитектурные вариационного автоэнкодера
2) оптимизация модели VAE+GAN
3) анализ и подбор функции потерь

Глубокое обучение

Бакалавриат (3+)

Магистратура

Визуализации

Устюжанин Андрей Евгеньевич

austyuzhanin@hse.ru

Визуализации работы GAN, Isolation Forest, алгоритма 1+\epsilon

1) создать интерактивную демонстрацию работы GAN, 2) создать интерактивную демонстрацию работы Isolation Forest, 3) создать интерактивную демонстрацию алгоритма 1+\epsilon

посмотреть https://distill.pub/

Бакалавриат (2+)

1-3

Adversarial Augmentation

Борисяк Максим Александрович

mborisyak@hse.ru

Adversarial Augmentation

1) изучение текущего состояния литературы;
2) реализация предложенного алгоритма;
3) сравнение качества алгоритма с текущим state-of-the-art.

torch/tf, GANs

Бакалавриат (5+)

Магистратура

Adversarial Normalization

Борисяк Максим Александрович

mborisyak@hse.ru

Adversarial Normalization

1) изучение текущего состояния литературы;
2) реализация предложенного алгоритма;
3) сравнение качества алгоритма с текущим state-of-the-art

torch/tf, GANs

Бакалавриат (5+)

Магистратура

Обзор подходов feature importance для нейронных сетей

Рыжиков Артем Сергеевич

aryzhikov@hse.ru

Исследование методов определения feature importance для полносвязных сетей и применить их к задаче классификации частиц (PID)

1) исследовать существующие подходы определения feature importance в нейросетях
2) подумать над сравнением различных подходов и выбрать лучше
3) применить существующие подходы к обученным моделям

torch

Бакалавриат (3+)

Магистратура

RICH generators: дифференцируемые деревья, GAN-VAE, skip-connections

Казеев Никита Александрович

nikita.kazeev@cern.ch

RICH generators: дифференцируемые деревья, GAN-VAE, skip-connections

Построить быструю точную генеративную модель для задачи мделирования отклика детектора, https://www.popmech.ru/science/news-468032-sozdana-neyroset-uskoryayushchaya-poisk-novyh-chastic-na-lhc/

Deep learning

Бакалавриат (5+)

Магистратура

Сети vs деревья

Казеев Никита Александрович

nikita.kazeev@cern.ch

Сравнить качество работы нейросетей и градиентного бустинга

Предрасположенность к программированию и скриптам, не исследованиям

Бакалавриат (3+)

Магистратура

Probabilistic process mining

Карпов Максим Евгеньевич

mekarpov@hse.ru

Probabilistic process mining

1) Изучить текущее состояние state-of-the-art вероятностных подходов в process mining
2.1) Предложить подход, основанный на методе максимального правдоподобия, для построения процессных моделей
2.2) Предложить подход построения байесовской нейросети для построения процессных моделей
2.3) Предложить подход, основанный на алгоритме имитации отжига, для построения процеснных моделей
3) Провести эксперименты на реальных данных (журналы событий/логи) и сравнить качество с существующими бенчмарками

Машинное обучение, глубинное обучение, знание Python, Pytorch, обработка текстов, регулярные выражения

Желательно, но не обязательно: процесс майнинг, анализ логов

Бакалавриат (3+)

Магистратура

1-3

NL2ML

Хатбуллина Лейля Равилевна

leila.xr@gmail.com

Работа над NL2ML корпусом. Улучшение существующих моделей и сбор данных для других вершин графа.

1) улучшение классификации по тэгам
2) нахождение синонимов с использованием ast
3) сбор и обработка данных
4) создание прототипа корпуса

Python, ML

Бакалавриат (2+)

Магистратура

1-3

BigSister

Хатбуллина Лейля Равилевна

leila.xr@gmail.com

BigSister: система отслеживания прогресса и для мотивации студентов

1) прототип рекомендательной системы
2) сделать статистику активности
3) доделать фронт

Java/Scala, software engineering

Бакалавриат (1+)

Магистратура

1-3

RICH distillation

Артемьев Максим Радикович

mrartemev.me@gmail.com

RICH distillation

1) Научить глубокий ган
2) научить студентов разными способами
3) Сформулировать трейдоф между качеством и скоростью. Самое главное : в проекте бай дизайн мало физики, но много ганов.

DL, Python, опыт работы с ганами/потоками, Желательно: опыт работы с табличными данными, Очень важно: высокая степень автономности)

Бакалавриат (3+)

Магистратура

RICH NF

Артемьев Максим Радикович

mrartemev.me@gmail.com

RICH NF: работа с глубокими потоками в продолжение и развитие уже имеющихся результатов

1) Научить глубокие потоки (5 штук)
2) Научить conditional и взвешеные версии потоков
3) Посчитать метрики
В проекте не очень много физики, очень много потоков.

Бакалавриат (3+)

Магистратура

Проекты 2018

Название проекта и контактное лицо	Описание проекта	Знание Программ	Уровень студентов	Количество мест
Разработка алгоритма сжатия данных о треках частиц эксперимента LHCb Устюжанин Андрей Евгеньевич ( austyuzhanin@hse.ru )	С 2022 года БАК начнет работать в режиме бо́льшей светимости, это будет означать что необходимо обработать гораздо больше данных, чем обрабатывается сейчас. Одно из узких мест обработки - объемы передаваемой информации о траекториях частиц, зарегистрированных экспериментом. В рамках данного проекта предлагается разработать алгоритм сжатия этой информации нейроморфными методами. Проект ведется совместно с коллегами из MIT. Более подробное описание доступно в слайдах Константина Вейсера	Python.Neural Nets (Autoencoders)	Магистратура	1-2
Поиск стратегии управления квантовым компьютером Устюжанин Андрей Евгеньевич ( austyuzhanin@hse.ru )	Управление базовыми компонентами квантовых компьютеров - резонаторами - требует учета большого количества факторов, которые сложно оценить исходя из теоретических или численных моделей. В рамках данного проекта предлагается развить подход обучения с подкреплением для повышения точности управления. Проект выполняется совместно с МФТИ.	PythonМетоды Reinforcement Learning	Магистратура	1-2
Поиск двойных гамма-звезд Устюжанин Андрей Евгеньевич ( austyuzhanin@hse.ru )	Двойные звезды, излучающие в гамма-диапазоне - довольно редки. Тем не менее такие звезды представляют большой интерес для астрономического сообщества. В рамках данного проекта предлагается проанализировать информацию из различных звездных каталогов для сопоставления сигнатур различных небесных объектов и составления списка кандидатов на роль двойных звезд. Проект выполняется совместно с коллегами из Dublin City University и Institut fur Astronomie und Astrophysik Tubingen.	PythonScikit-learn	БакалавриатилиМагистратура	1-2
Классификация сверхновых звёзд по данным Open Supernova Catalog. Деркач Денис Александрович ( dderkach@hse.ru )	Классификация звёзд на данный момент осуществляется с помощью анализа кривых блеска, набранных в нескольких цветовых каналах. Кривая блеска — это набор наблюдений свернутых спектров в разные моменты времени. Обычным путём является построение физически-мотивированных спектров. Однако в будущем количество информации, набираемое астрофизическими экспериментами, будет превышать возможности ручного анализа. Задачей на практику является построение рекурентной сети, которая будет автоматически разделять звёздные спектры на разные классы.	Python Scikit-learn RNN.	Магистратура	1-2
Построение моделей идентификации заряженных частиц на Большом адронном коллайдере. Деркач Денис Александрович ( dderkach@hse.ru )	Детектор LHCb состоит из нескольких подчастей, каждая из которых обладает определённым откликом на пролетающую частицу. Нейронные сети уже несколько лет работают для комбинацией данных, записанных субдетекторами. Недостатком текущих моделей является тренировка моделей на симулированных событий. Именно сейчас полученные данные позволяют тренировать модель на реальных данных. Итогом работы должна стать нейронная сеть, натренированная на настоящих данных Большого адронного коллайдера, которая может быть использована в дальнейших анализах.	Python Scikit-learn RNN.	Магистратура	1
Блокчейн для планировки распределённых вычислений. Баранов Александр ( a.baranov@cern.ch )	Grid вычисления — это когда множество независимых компьютерных кластеров работают над общим пулом задач. Grid-вычисления, например, используются для обработки данных Большого Адронного Коллайдера. Мы хотим попробовать применить блокчейн-технологии для планирования(scheduling) вычислений в grid. Для этого предполагается использовать блокчейн-аукцион, в который пользователи grid отправляют вычислительные задачи, а исполнители задач торгуются за минимальную цену на исполнение задачи. В рамках стажировки вам предстоит сделать прототип планировщика grid-задач основанном на блокчейн-аукционе. Мы предполагаем, что основой аукциона послужит смарт-контракт для Ethereum, хотя и рассматриваем возможность использовать альтернативные технологии. https://ru.wikipedia.org/wiki/Грид https://ru.wikipedia.org/wiki/Blockchain https://ru.wikipedia.org/wiki/Ethereum	Go, Python	Бакалавриат, магистратура	2-3
Разработка системы распределённых вычислений для эксперимента SHiP Баранов Александр ( a.baranov@cern.ch )	Наша группа разрабатывает систему распределённых вычислений, которой пользуются физики в CERN. Благодаря вычислениям на этой системе наша группа смогла сэкономить CERN более 1 миллиона долларов — http://www.forbes.ru/tehnologii/358829-poymat-temnuyu-materiyu-kak-rossiyskie-uchenye-sekonomili-cern-bolee-1-mln Мы ищем летнего стажёра для работы над этой системой. Конкретно мы хотим: Добавить в неё алгоримты планировки(scheduling) задач Улучшить работу с Kubernetes-кластерами В рамках стажировки вы получите опыт промышленной backend-разработки на стыке распределённых систем и машинного обучения.	Go, Python, gRPC	Бакалавриат, магистратура	1-2
Оптимизация устройства калориметра LHCb Устюжанин Андрей Евгеньевич ( austyuzhanin@hse.ru )	Преамбула: разработка и изготовление экспериментальных образцов компонентов детекторных устройств, предназначенных для использования в составе модернизируемой детекторной установки LHCb - очень ответственный этап. Для улучшения понимания характеристик изготавливаемых подсистем детектора используются вспомогательные шаги: - разработка систем физической симуляции работы детектора в различных режимах (на основе GEANT, Delphes)- алгоритмы распознавания типичных откликов детектора на известные физические явления. точность работы таких алгоритмов может быть использована как качество работы детектора- алгоритмы сложной последовательной оптимизации многопараметрических функций (включающих параметры как детектора так и алгоритмов распознавания) Задачи практики: научиться запускать модель1 калориметра в Delphes научиться запускать модель2 калориметра в GEANT научиться считать метрики (energy resolution) научиться менять геометрию детектора собрать docker для запуска модели с заданными параметрами и оценки метрик запустить подбор оптимальных параметров локально сохранение параметров запуска на вычислительном кластере обучение модели оптимизации по результатам предыдущих запусков непрерывный процесс оптимизации / вычислений модель1 работает гораздо быстрее чем модель2. научиться использовать точки пространства гиперпараметров модели1 для выбора следующих точек для оценки модели2	Python, C++, GEANT	Магистратура	1-2