Семинар НУГ

Регулярный научный семинар НУГ «Uncertainty, mistakes, and errors of machine learning algorithms» проводится раз в 2-3 недели онлайн. Для получния ссылки для доступа, пишите Наталье Талайковой

Приглашаем всех заинтересованных студентов, аспирантов, преподавателей и научных сотрудников принять участие в семинаре в качестве слушателей или докладчиков. Подписаться на рассылку о предстоящих докладах семинара можно по ссылке.

Погрешности в обратной задаче

Докладчики: Л.А. Мистрюкова и А.Л. Хижик
Дата: 08.07.2022
Язык: русский
Место проведения: Zoom
Аннотация: Обсуждение оценки неопределенностей в обратной задаче реконструкции солнечного телескопа БСТ-1. Обсуждение решений обратной задачи реконструкции сигнала солнечного телескопа БСТ-1. Обсуждение дипломных работ.

Погрешности в генеративных моделях

Докладчик: М.Коннова
Дата: 23.05.2022
Язык: русский
Место проведения: Zoom
Аннотация: Разработка методов оценки неопределенности генеративных моделей, применяемых для симуляции детектора LHCb". Обсуждение дипломной работы.

Catalyst property prediction with machine learning (OpenCatalyst 2nd place)

Speaker:Ruslan Lukin, Researcher (AI for New Materials Laboratory at Innopolis university)
Where and When: Zoom, Friday, May 13, 12:00 Moscow (GMT+3)
Abstract: The Open Catalyst Project’s aim is to use AI to model and discover new catalysts for use in renewable energy storage and generation. A common approach in discovering high performance catalysts is using molecular simulations, where simpler surrogate descriptors are generated to correlate with experimental measurements of catalyst activity and selectivity. The task for the challenge was to design a machine learning model to predict the outcome of catalyst simulations. Team ‘Innopolis AI’ placed 2nd with an energy MAE of 0.6180 eV based on a graph neural network approach for catalyst design (CatGNNs). Their model consisted of convolutional and message passing layers with physically-informed node and edge attributes for atomistic systems. The authors experimented with three base GNN architectures – EdgeUpdateNet, OFMNet and a variant of DimeNet++

Нейросетевой подход восстановления параметров модели атмосферы милна-эддингтона в задаче инверсии спектрополяриметрических данных.

Докладчики: Л. А. Мистрюкова, А. И. Хижик
Дата: 04.04.2022
Язык: русский
Место проведения: MS Teams
Аннтоация:Доклад посвящён определению параметров солнечной атмосферы на основе спектрополяриметрических данных, а именно профилей параметров Стокса. Реализация этой задачи необходима для обработки экспериментальных данных нового современного спектрополяриметра, который сейчас создается на базе телескопа БСТ-1 Крымской астрофизической обсерватории. Из-за вычислительных ограничений и неопределенности в выборе начального приближения было принятно решение использовать нейросетевой подход для восстановления параметров. Для решения было предложено несколько архитектур и получено достаточно высокое качество восстановления параметров, достигаемое на модельных данных. С учётом дальнейшего использования восстановленных параметров для построения теоретических моделей, с разной чувствительностью к начальным данным, важным условием использования методов является наличие способа оценки неопределённости восстановленных параметров. Кроме того, в том случае, когда происходит перенос решения с модельных данных на реальные, скорее всего, будет наблюдаться сдвиг в решении, и оценка неопределенности нужна для определения степени доверия к нему. В связи с этим, адекватная оценка неопределенности решения является настолько же важной задачей, как и получения самого решения.

Байесовская и частоная интерпретации вероятности

Докладчик: Деркач Денис Александрович, PhD
Дата: 11.03.2022
Язык: русский
Место проведения: Zoom
Аннтоация:Теория вероятности сама по себе является математической абстракцией. Есть два основных подхода, связывающих её с реальным миром. В Байесовском подходе вероятность есть субъективная мера уверенности. В частотном - доля исодов, при стремлении к бескнечности количества повторений одного и того же эксперимента. В своём докладе Денис расскажет про то, как эти интерпретации используются в разных разделах науки.

Generative models uncertainty estimation

Докладчики: Константин Чимпоеш, Агата Шишигина
Дата: 22.02.2022, 18:30
Место проведения: MS Teams
Аннотация: In recent years fully-parametric fast simulation methods based on generative models have been proposed for a variety of high-energy physics detectors. By their nature, the quality of data-driven models degrades in the regions of the phase space where the data are sparse. Since machine-learning models are hard to analyze from the physical principles, the commonly used testing procedures are performed in a data-driven way and can’t be reliably used in such regions. In our talk we propose three methods to estimate the uncertainty of generative models inside and outside of the training phase space region, along with data-driven calibration techniques. Test of the proposed methods on the LHCb RICH fast simulation is also presented.