Научно-учебная лаборатория методов анализа больших данных LAMBDA

Публикации

• Книга

  Buzaev F., Mullakhmetov R., Bogachev R. et al.

  Proceedings of the 4th Workshop on NLP for Music and Audio (NLP4MusA 2026)

  Association for Computational Linguistics, 2026.

• Статья

  Ibrahim A., Derkach D., Kaledin M. et al.

  RL-ABC: Reinforcement learning for accelerator beamline control

  Мы представляем RLABC (Reinforcement Learning for Accelerator Beamline Control) — фреймворк с открытым исходным кодом на языке Python, который автоматически преобразует стандартные конфигурации пучковых линий, используемые в Elegant, в среды для обучения с подкреплением. RLABC интегрируется с широко используемым программным комплексом моделирования динамики пучка Elegant посредством интерфейсов на основе SDDS, что позволяет исследователям применять современные алгоритмы обучения с подкреплением для оптимизации пучковых линий с минимальными затратами на разработку специализированных компонентов, связанных с RL.

  Валидация на тестовой пучковой линии, созданной на основе инжекционного комплекса ВЭПП-5 и включающей 37 управляющих параметров, 11 квадруполей и 4 диполя, показала, что разработанный фреймворк успешно обеспечивает применение методов обучения с подкреплением для оптимизации параметров пучковой линии. Агент на основе алгоритма Deep Deterministic Policy Gradient (DDPG) достиг коэффициента прохождения частиц 70%.

  Полная версия фреймворка, включая конфигурационные файлы и примеры в формате Jupyter Notebook, доступна как программное обеспечение с открытым исходным кодом с целью упрощения его использования и дальнейшего развития исследований в данной области.

  Computer Physics Communications. 2026. Vol. 329.

• Глава в книге

  Trofimova E., Shamina Z., Selifanova M. et al.

  ML²B: Benchmarking LLMs on Cross-Lingual ML Pipeline Generation

  In bk.: Proceedings of the Generative Code Intelligence Workshop (GeCoIn 2026), co-located with the 35th International Joint Conference on Artificial Intelligence (IJCAI-ECAI 2026). Vol. 4238. CEUR-WS.org, 2026.

• Препринт

  Shipilov F., Barnyakov A., Ivanov A. et al.

  ML-based Fast Simulation of FARICH Responses

  arxiv.org. Physics. Cornell University, 2026