Пленарное заседание

Нейроинформатика - 2023



Понедельник, 23 октября                    10:15 – 13:15
Актовый зал

Председатель: ДУНИН-БАРКОВСКИЙ Виталий Львович, д.ф.-м.н.

1. ГОРБАНЬ А. Н.
University of Leicester, Great Britain
Топологические грамматики и динамическая кластеризация в анализе больших данных с приложениями в биоинформатике и медицинской информатике



2. КАРАНДАШЕВ Я. М.
Федеральный научный центр Научно-исследовательский институт системных исследований РАН, Москва
Нейросетевой подход к решению задач газовой динамики с химическими превращениями



3. ДЕМИН В. А.
Национальный исследовательский центр «Курчатовский институт», Москва
Нейроморфная архитектура вычислений: от компонент до принципов



Понедельник, 23 октября                    14:00 – 16:00
Актовый зал

Председатель: МАЛЬСАГОВ Магомед Юсупович, к.ф.-м.н.

4. БУРЦЕВ М. С.
Московский физико-технический институт (государственный университет)
Возможности и ограничения больших языковых моделей



5. САМСОНОВИЧ А. В.
Национальный исследовательский ядерный университет «МИФИ», Москва
Социально-эмоциональный искусственный интеллект на основе когнитивных архитектур и больших языковых моделей



Понедельник, 23 октября                    16:30 – 18:30
Актовый зал

Председатель: МАЛЬСАГОВ Магомед Юсупович, к.ф.-м.н.

6. ВИЗИЛЬТЕР Ю. В.
Государственный научно-исследовательский институт авиационных систем, Москва
ИИ для робототехники и управления: от слабого ИИ к общему универсальному интеллекту



7. ЮДИН Д. А.
Московский физико-технический институт (государственный университет)
Нейросетевые методы построения мультимодальных карт и их применение



Вторник, 24 октября                    10:00 – 12:00
НЛК 2 этаж, Конференц-зал

Председатель: ЮДИН Дмитрий Александрович, к.т.н.

8. АСЕЕВА И. С.
Институт системного анализа РАН, Москва
Интегральные нейронные сети

Мы предлагаем новое семейство глубоких нейронных сетей, где вместо традиционного представления слоев в виде N-мерных тензоров, мы используем непрерывное представление слоев вдоль размерностей фильтров и каналов. Назывем такие сети интегральными нейронными сетями (ИНС). В частности, веса ИНС представляются как непрерывные функции, определенные на N-мерных гиперкубах, и дискретные преобразования входов в слои заменяются непрерывными операциями интеграции, соответственно. Для применения на конечных устройствах такие непрерывные слои могут быть преобразованы в традиционное тензорное представление с помощью численных интегральных квадратур. Такое представление позволяет дискретизировать сеть до произвольного размера с различными интервалами дискретизации для интегральных ядер. Этот подход может быть применен для прунинга модели непосредственно на конечном устройстве, неся при этом небольшую потерю производительности при больших значения структурного прунинга без необходимости перетренировывать модель. Чтобы оценить практическую пользу предложенного нами подхода, мы провели эксперименты с использованием различных нейросетевых архитектур по нескольким задачам. Наши результаты показывают, что предлагаемые ИНС достигают той же производительности, что и их обычные дискретные аналоги, при сохранении примерно одинаковой производительности (потеря точности 2% для ResNet18 на Imagenet) при больших значениях прунинга (до 30%) без дообучения, по сравнению с 65% потерей точности обычных методов прунинга при тех же условиях.

9. ОСЕЛЕДЕЦ И. В.
Сколковский институт науки и технологий
Математика и машинное обучение



Четверг, 26 октября                    14:00 – 16:00
НЛК 2 этаж, Конференц-зал

Председатель: ДУНИН-БАРКОВСКИЙ Виталий Львович, д.ф.-м.н.

10. СВАРНИК О. Е.
Институт психологии РАН, Москва
Нейронные закономерности научения и воспроизведения памяти у животных



11. АНОХИН К. В.
Институт перспективных исследований мозга МГУ им. М.В. Ломоносова
Когнитом: алгоритмическая теория высшей организации мозга

В последние десятилетия наука о мозге достигла впечатляющих успехов, но его высшие функции все еще продолжают смущать и интриговать нейроученых. Гиперсетевая теория мозга предпринимает попытку закрытия этого пробела. Она утверждает, что мозг на своем высшем уровне является не нейронной сетью, а нейронной гиперсетью - когнитом. Эта особая организация нервной сети с уникальным для нее причинно-действенным потенциалом возникает благодаря алгоритму рекурсивного размножения нейронных когнитивных групп при оптимизации организмом результатов собственного существования. В докладе будут описаны три пути, ведущих к когнитому, и рассмотрены принципиальные следствия гиперсетевой теории.

Четверг, 26 октября                    18:00 – 20:00
НЛК 2 этаж, Конференц-зал

Председатель: ВВЕДЕНСКИЙ Виктор Львович, к.ф.-м.н.

12. УШАКОВ В. Л.
Институт перспективных исследований мозга МГУ им. М.В. Ломоносова
Динамика нейрокогнитивных систем



13. ЛЕБЕДЕВ М. А.
Национальный исследовательский университет «Высшая школа экономики», Москва
Нейроинтерфейсы для реабилитации

За последние 20 лет бурного развития нейроинтерфейсы достигли, хоть и не сногшибательного, но реального прогресса, хотя пока полностью не оправдали первоначально завышенных ожиданий. Среди практических применений — нейроинтерфейсы для реабилитации больных с болезнями и травмами мозга. В лекции будут освещены подходы к реабилитации после инсульта, реабилитации обоняния и лечению фантомных болей у пациентов с ампутацией.

Пятница, 27 октября                    10:00 – 11:00
НЛК 2 этаж, Конференц-зал

Председатель: УШАКОВ Вадим Леонидович, к.б.н.

14. БРЕЖЕСТОВСКИЙ П. Д.
Казанский Государственный Медицинский Университет
Оптофармакологическая модуляция и оптосенсорный анализ активности нервных клеток



Российская нейросетевая ассоциация Российская академия наук Министерство образования и науки Российской Федерации МФТИ НИЯУ МИФИ НИИСИ РАН МАИ Институт перспективных исследований мозга МГУ
AIRI iLabs Приоритет 2030