Компьютерное моделирование природных систем (NSS Lab)

Число
публикаций
Общее число
цитирований
Индекс
Хирша
46
170
6
44
186
7
Необходимо авторизоваться.

Организация

  • Университет ИТМО

Области науки

  • Искусственный интеллект
  • Машинное обучение
  • Математическое моделирование

Чем мы занимаемся?

Исследования в лаборатории фокусируются на нескольких основных направлениях. Алгоритмические направления: автоматическое машинное обучение, генеративный дизайн физических объектов, алгоритмы идентификации физических моделей по данным, алгоритмы обучения вероятностных моделей, а также алгоритмы композитного ИИ, которые могут соединять все вышеперечисленное :)

Любимым прикладным направлением нашей лаборатории было и остается моделирование природных процессов. Кроме этого, лаборатория много внимания уделяет разработке открытого кода и созданию современных образовательных курсов в магистратуре. 

Используемые методы

  • Машинное обучение
  • Генеративный дизайн физических объектов
  • AutoML
  • Алгоритмы идентификации физических моделей по данным
  • Композитный ИИ
  • Bayesian networks
Анна Калюжная
Заведующий лабораторией
Хватов Александр Александрович
Александр Хватов
Старший научный сотрудник
Никитин Николай Олегович
Николай Никитин 🥼 🤝
Старший научный сотрудник
Ревин Илья Евгеньевич
Илья Ревин
Научный сотрудник
Деева Ирина Юрьевна
Ирина Деева
Научный сотрудник
Масляев Михаил Александрович
Михаил Масляев
Младший научный сотрудник
Сарафанов Михаил Игоревич
Михаил Сарафанов
Младший научный сотрудник

Направления исследований

Автоматическое машинное обучение

+
Автоматическое машинное обучение
Мы разрабатываем открытый фреймворк автоматического машинного обучения FEDOT (https://github.com/nccr-itmo/FEDOT)

Алгоритмы обучения байесовских сетей

+
Алгоритмы обучения байесовских сетей
Мы разрабатываем открытую библиотеку для структурного и параметрического обучения байесовских сетей BAMT (https://github.com/ITMO-NSS-team/BAMT)

Идентификация ДУЧП по данным

+
Идентификация ДУЧП по данным
Мы разрабатываем фреймворк для восстановления структуры ДУЧП по данным EPDE (https://github.com/ITMO-NSS-team/EPDE)

ИИ для задач нефтяной промышленности

+
ИИ для задач нефтяной промышленности
В последнее время мы решаем много промышленных задач с помощью методов ИИ, в первую очередь в нефтяной отрасли.

ИИ для гидрометеорологических задач

+
ИИ для гидрометеорологических задач
Мы пытаемся объединить наши знания в области гидромет моделирования с возможностями машинного обучения и методов интеллектуальной оптимизации для улучшения качества моделирования природных процессов.

Генеративный дизайн физических объектов

+
Генеративный дизайн физических объектов
Мы разрабатываем библиотеку для генеративного дизайна геометрических объектов, сопряженных с непрерывной средой GEFEST (https://github.com/ITMO-NSS-team/GEFEST).

Другие проекты

+
Другие проекты
У нас еще много интересных небольших студенческих или инициативных проектов. Ознакомиться с зоопарком наших наработок можно тут (https://github.com/ITMO-NSS-team)

Публикации и патенты

Hybrid and automated machine learning approaches for oil fields development: The case study of Volve field, North Sea
Nikitin N.O., Revin I., Hvatov A., Vychuzhanin P., Kalyuzhnaya A.V.
Q1 Computers and Geosciences 2022 цитирований: 0
Single Red Blood Cell Hydrodynamic Traps via the Generative Design
Grigorev G.V., Nikitin N.O., Hvatov A., Kalyuzhnaya A.V., Lebedev A.V., Wang X., Qian X., Maksimov G.V., Lin L.
Q2 Micromachines 2022 цитирований: 0
Open Access
Open access
Automated evolutionary approach for the design of composite machine learning pipelines
Nikitin N.O., Vychuzhanin P., Sarafanov M., Polonskaia I.S., Revin I., Barabanova I.V., Maximov G., Kalyuzhnaya A.V., Boukhanovsky A.
Q1 Future Generation Computer Systems 2022 цитирований: 4
A Multimodal Approach to Synthetic Personal Data Generation with Mixed Modelling: Bayesian Networks, GAN’s and Classification Models
Deeva I., Mossyayev A., Kalyuzhnaya A.V.
Q4 Lecture Notes of the Institute for Computer Sciences, Social-Informatics and Telecommunications Engineering 2022 цитирований: 0
Open Access
Open access
A method of generative model design based on irregular data in application to heat transfer problems
Bykov N., Hvatov A., Kalyuzhnaya A., Boukhanovsky A.
Q4 Journal of Physics: Conference Series 2021 цитирований: 0
Open Access
Open access
Generative design of microfluidic channel geometry using evolutionary approach
Nikitin N.O., Hvatov A., Polonskaia I.S., Kalyuzhnaya A.V., Grigorev G.V., Wang X., Qian X.
GECCO 2021 Companion - Proceedings of the 2021 Genetic and Evolutionary Computation Conference Companion 2021 цитирований: 1
Partial differential equations discovery with EPDE framework: Application for real and synthetic data [Formula presented]
Maslyaev M., Hvatov A., Kalyuzhnaya A.V.
Q1 Journal of Computational Science 2021 цитирований: 2
MIxBN: Library for learning Bayesian networks from mixed data
Bubnova A.V., Deeva I., Kalyuzhnaya A.V.
Q2 Procedia Computer Science 2021 цитирований: 1
Open Access
Open access
Towards generative design of computationally efficient mathematical models with evolutionary learning
Kalyuzhnaya A.V., Nikitin N.O., Hvatov A., Maslyaev M., Yachmenkov M., Boukhanovsky A.
Q2 Entropy 2021 цитирований: 6
Open Access
Open access
Multi-Objective Evolutionary Design of Composite Data-Driven Models
Polonskaia I.S., Nikitin N.O., Revin I., Vychuzhanin P., Kalyuzhnaya A.V.
2021 IEEE Congress on Evolutionary Computation, CEC 2021 - Proceedings 2021 цитирований: 1
Oil and Gas Reservoirs Parameters Analysis Using Mixed Learning of Bayesian Networks
Deeva I., Bubnova A., Andriushchenko P., Voskresenskiy A., Bukhanov N., Nikitin N.O., Kalyuzhnaya A.V.
Q3 Lecture Notes in Computer Science 2021 цитирований: 0
Open Access
Open access
A machine learning approach for remote sensing data gap-filling with open-source implementation: An example regarding land surface temperature, surface albedo and ndvi
Sarafanov M., Kazakov E., Nikitin N.O., Kalyuzhnaya A.V.
Q1 Remote Sensing 2020 цитирований: 14
Open Access
Open access
Bayesian Networks-based personal data synthesis
Deeva I., Andriushchenko P.D., Kalyuzhnaya A.V., Boukhanovsky A.V.
ACM International Conference Proceeding Series 2020 цитирований: 1
Automatic evolutionary learning of composite models with knowledge enrichment
Kalyuzhnaya A.V., Nikitin N.O., Vychuzhanin P., Hvatov A., Boukhanovsky A.
GECCO 2020 Companion - Proceedings of the 2020 Genetic and Evolutionary Computation Conference Companion 2020 цитирований: 6
Data-driven partial differential equations discovery approach for the noised multi-dimensional data
Maslyaev M., Hvatov A., Kalyuzhnaya A.
Q3 Lecture Notes in Computer Science 2020 цитирований: 1
Open Access
Open access

Партнёры

Местонахождение лаборатории

Санкт-Петербург, Кронверкский просп., 49
Необходимо авторизоваться.