🧬 Сегодня совместную лабораторию BIMAI-Lab Центра ИИ Сколтеха и Университета Шарджи посетила делегация представителей региональных органов здравоохранения.

Во время визита со-руководитель лаборатории с российской стороны старший преподаватель Максим Шараев представил разработки в области интерпретируемого и генеративного ИИ для медицины — от нейровизуализации и диагностики эпилепсии до анализа гистопатологических данных. Среди ключевых направлений лаборатории — создание алгоритмов, способных выявлять малые патологии на МРТ-снимках, моделировать омиксные данные и применять диффузионные модели для генерации патологий в «здоровых» данных.

💡 Отдельный интерес вызвал проект по автоматизации УЗИ-диагностики, представленный Дмитрием Самофаловым, старшим аналитиком лаборатории. Разрабатываемая технология использует набор ИИ-модулей компьютерного зрения для распознавания органов плода, оценки качества снимков и предзаполнения протоколов исследования.

Проект направлен на повышение точности и стандартизацию пренатальной диагностики, что соответствует приоритетам цифровой трансформации здравоохранения в России. И, судя по заинтересованности участников встречи, первым регионам, где подобные технологии будут внедрены, действительно может повезти — ведь они смогут задать новый стандарт качества медицинских исследований.

🎙 Александр Коротин, кандидат физико-математических наук, руководитель исследовательской группы по генеративному искусственному интеллекту Центра ИИ Сколтеха, выступил в Самаре на площадке Самарского университета им. С. П. Королёва в рамках «Королёвских чтений» с лекцией «О современных трендах в генеративном ИИ и некоторых его применениях в задачах обработки изображений».

🔹 Александр объяснил, чем дискриминативный ИИ, который распознаёт образы и классифицирует данные, отличается от генеративного, создающего новые изображения, тексты и даже видео. Он показал, как развитие нейросетей за последние десять лет привело к трём ключевым подходам:
— GAN — состязательные сети, позволяющие быстро генерировать однотипные изображения;
— диффузионные модели — ставшие стандартом качества в синтезе изображений и видео;
— авторегрессионные модели, где каждое новое изображение создаётся «по шагам» — как текст, но в пространстве пикселей.

🔹 Далее спикер перешёл к практическим задачам, где генеративный ИИ уже работает: сверхразрешение (Real-ESRGAN), восстановление JPEG, inpainting — дорисовка фрагментов, а также перенос стиля и генерация изображений по эскизам. Александр подчеркнул, что такие модели требуют разного типа данных — парных или непарных — и именно это задаёт сложность обучения в реальных условиях.

🔹 Особое внимание Александр уделил разработкам своей исследовательской группы в Сколтехе. Среди них — Neural Optimal Transport (ICLR), который решает задачу перевода изображений между доменами с опорой на теорию оптимального транспорта; Adversarial Schrödinger Bridge Matching (ICLR 2024), который ускоряет методы на основе диффузионных мостов до ×25 раз при сопоставимом качестве; и IBMD (ICML 2025) — новый метод дистилляции мостов Шрёдингера, который позволяет обрабатывать изображения до 100 раз быстрее без заметной потери качества.

🔹 Александр обозначил ключевые тренды и вызовы генеративного ИИ: появление мультимодальных моделей, объединяющих текст, изображение и видео; развитие генеративного проектирования — от архитектуры до машиностроения; и переход к локальным компактным моделям, которые можно запускать прямо на устройствах без подключения к облаку.

🧠 «Генеративный ИИ сегодня перестаёт быть «демо-технологией», - подчеркнул Александр. - Он становится инженерным инструментом для медицины, промышленности и космоса, где важны не только визуальные эффекты, но и скорость, надёжность и математическая строгость решений».

После лекции состоялась сессия вопросов и ответов, где авторы самых интересных вопросов получили подарки от Сбера и проекта «Одержимы наукой».

✨ Михаил Половинкин, аспирант Лаборатории методов ИИ для разработки материалов Центра ИИ Сколтеха, выступил с устным докладом на международной конференции New Trends in Chemistry (Армения).

Он показал, как машинно-обучаемый потенциал MTP помогает рассчитывать свойства технологически важных жидкостей.

Методика применена к:
— сплавам и электролитам для получения чистого кальция;
— расплавам солей для реакторов нового поколения;
— молекулам растворителей — основе электролитов для новых батарей.

Расчёты хорошо сходятся с экспериментом — это позволяет сокращать число натурных испытаний и ускорять разработку новых технологий.