Фотоника, 3D-печать и Искусственный интеллект в МГУ

Провел экскурсию по ангару, поделился основной информацией о центре и своей работе Федор Иванов, студент 4 курса физфака.

Федор, расскажите, в чем заключается суть работы Центра.

Центр аддитивных технологий направлен на практическую реализацию науки. Здесь развивается большое количество стартапов и технологических инноваций. Наша задача – взять какое-то научное явление или открытие и применить его на практике, перенести результаты науки в промышленность и жизнь нашего общества.

С каких факультетов к вам приходят студенты?

Центр базируется на физическом, химическом, механико-математическом факультетах и факультете наук о материалах. Объективно, все эти факультеты как-то связаны. Направления могут быть близкими. Во многих задачах требуются различные навыки. Ребята, которые у нас работают, обладают большим количеством компетенций. Например, человек, окончивший химфак, может спокойно программировать. То есть все основано на том, что наша деятельность близка к естественным наукам и это междисциплинарная история.

В чем состоит интерес к 3D-печати?

Это возможность заниматься прототипированием, то есть создавать маленькие прототипы больших конструкций. К примеру, какая-то компания что-то придумала и хочет посмотреть, как это будет выглядит со стороны. Разумеется, она не будет делать какую-то большую турбину, а сделает маленький прототип. И так можно сказать о любой сфере, где что-то нужно делать точечно под человека.

1 of 4

Как стать частью вашей команды?

Приходить к нам могут и студенты первых курсов, и аспиранты, и сотрудники. Сначала проводится собеседование, после успешного прохождения которого выбирается направление – чем именно хочется заниматься. У нас работает система шефов. Затем соискатель попадает к человеку старше на год или два, который становится его микро-шефом: вводит в курс дела, поддерживает, помогает выполнять задачи.

У нас есть правило: в ангаре все общаются на ты, даже с ребятами старше. Это помогает, ведь таким образом, кроме формальных отношений, есть поддержка. У нас много людей, у каждого есть своя зона ответственности, но благодаря такой системе строится команда нашей очень дружной и душевной лаборатории.

1 of 3

Федор, расскажите про Ваше направление.

Я занимаюсь нейроморфными вычислениями.

Вам известно, что изначально на любом компьютере можно считать, совершать какие-то операции. Однако известные крутые алгоритмы, нейронные сети, чат GPT, система распознавания требуют огромного количества энергетических ресурсов. Это большая проблема. Чтобы обучить какую-то модель, нужны миллионы долларов. При этом сама архитектура, начиная с 1950-х годов, не менялась.

Мы хотим придумать и реализовать архитектуру, основанную на новых элементах, которые будут работать по принципам человеческого мозга — это искусственные нейронные сети 3 поколения. Это привнесет энергоэффективность, дополнительные свойства — память, забывание. Важно подчеркнуть, что я говорю не о суперкомпьютере. Мы берем биологические возможности организма и пытаемся переложить их на современные возможности техники. Важно: мы не пытаемся повторить мозг, лишь берем какие-то основные принципы.

Установку для выполнения случайных проекций подробно описал Егор Кимличенко, студент 3 курса физфака:

Мы тоже занимаемся нейроморфными вычислениями, но более простыми вещами, реализуем специфичные конкретные ситуации. Одна из них — умножение на случайную матрицу. Обучение нейронных сетей — это умножение данных, которые мы можем представить в виде вектора на матрице. Можно считать такие таблицы числами, которые описывают, как разные нейроны связаны друг с другом.

1 of 3

Это наша установка для выполнения случайных проекций. Вся конструкция на оптическом столе во включенном состоянии находится на воздушной подушке.

Основные компоненты: лазер, который непрерывно светит; система линз; матрица — экологичная; кусок белого фарфора. Когда отраженный или закодированный луч проходит через фарфор, мы получаем результат — умножение на какую-то случайную матрицу, которая описывает прохождения света через этот фарфор. То есть мы знаем, что прохождение света через среду можно описать с помощью матрицы и что такие же матрицы нужны в нейронных сетях. Именно благодаря этому появилась идея все это объединить и попытаться таким образом обучать нейронные сети. Конечно, нам предстоит еще бороться с шумами. В итоге мы получаем картинку, которую можно считать. С помощью интерпретации результата умножения вектора на матрицу можно обучать нейросети. Все обучение нейросетей — это операция. Все ограничено только частотой матрицы и камеры.

О разработке нового прибора нам рассказал Роман Середенко, студент 4 курса физфака:

Я работаю над проектом по созданию газового разделителя, совместно с коллегами с мехмата. Методами 3D-печати мы создаем газовый разделитель, работающий по функциям насоса Кнудсена — это насос, работающий за счет температурных эффектов. Он хорош тем, что может принимать максимально миниатюрные размеры, насос без движущих частей – следовательно, износостойкий и долговечный, но при этом достаточно эффективный. В настоящий момент у нас готова экспериментальная установка, тестированием которой мы прямо сейчас занимаемся. Это насос, который при пропускании через него смеси газов сможет разделять эти газы. К примеру, из воздуха выделять азот или кислород. Эта установка точно будет актуальна на азотных станциях и предприятиях, где требуется повышенная пожаробезопасность. Насос компактный, может быть размером с монету, но при этом очень эффективный. Также может применяться в микрохирургии, микробиологии, биохимии.

Узнать больше можно на сайте центра.