Category: Наука

Источник: Новосибирский государственный университет –

Важный отказ от ответственности находится в нижней части этой статьи.

Кандидат физико-математических наук, заместитель директора Математического центра в Академгородке, и.о. заведующего кафедрой информатики и ИКТ СУНЦ НГУ Сергей Оспичев рассказал о том, как искусственный интеллект эволюционировал от фантазий людей прошлого о мыслящих машинах до современных больших языковых моделей. О самых первых разработках, удачах и поражениях, успехах и запретах, достижениях и провалах на этом пути, узнали слушатели его лекции «Искусственный интеллект: происхождение и эволюция», прошедшей в рамках «Недели Дарвина» — научно-популярного марафона, который традиционно проводит Новосибирском государственном университете в феврале. В этом году мероприятие впервые было организовано на площадке нового кампуса НГУ. 

От голема к «Rent a Human»

Свою лекцию Сергей Оспичев начал с цитаты из фильма «Бегущий по лезвию», которая, на его взгляд, очень хорошо описывает ИИ: «Я не думаю, я вычисляю, но разница эта уже становится неочевидной». Он привел определение ИИ, данное китайской исследовательницей Чжун, Ю. С. (Zhong, Y. X.) еще в 2006 году в ее статье «Когнитивный подход и исследования в области искусственного интеллекта» (A cognitive approach and AI research): «Искусственный интеллект —…отрасль современной науки и техники, направленная, с одной стороны, на исследование секретов человеческого разума и максимально возможное наделение машин преимуществами человеческого разума, а с другой, чтобы машины могли выполнять функции настолько разумно, насколько они способны…».

Сергей Оспичев привел пример самого раннего искусственного интеллекта, существующего, впрочем, лишь как фантазия о «неживом», но могучем помощнике человека. Им стал глиняный великан, оживленный с помощью каббалистических ритуалов. Его активировали и деактивировали с помощью магического слова, написанного на свитке и помещенного в пасть истукана. Получив приказ, он самостоятельно принимал решение, каким способом его выполнить. Он действовал по заданной программе и являлся своеобразной машиной, работающей по инструкции. Тогда, в XVII веке, человек отдавал приказы пусть примитивному и вымышленному искусственному интеллекту, но с недавнего времени положение начало меняться.

— В сети появился портал «Rent a Human», где нейросети сами могут выбрать человека для выполнения различных действий, которые они не способны производить самостоятельно: например, провести фотосъемку каких-либо объектов, осуществить доставку товаров или получение посылки, провести эмоциональную оценку каких-либо явлений или событий. Пока данная платформа носит экспериментальный характер, но намечается тенденция: теперь ИИ начинает управлять людьми. Хорошо это или нет — пока неизвестно, но таков теперь тот мир, в котором мы живем, — сказал Сергей Оспичев.

Первые предки

Эволюцию ИИ Сергей Оспичев предложил рассматривать с начала XX века. Он рассказал о взлетах и падениях на этом непростом пути, а также разобрал важные вехи этого процесса.

Первым на этот путь ступил немецкий исследователь, один из самых известных математиков прошлого века Давид Гилберт (1862-1943 гг.). Символами того времени стали телеграф и железные дороги, а преобладающим настроением — оптимизм и вера в науку. Ученый предложил сформировать единый формальный язык математики, в основе которого была заложена простая арифметика. Этот язык должен был предполагать алгоритмическую разрешимость всей науки. Почему это было так необходимо? С возникновением телеграфа мир изменился. Наука моментально стала международной, а научные знания — мгновенными. У ученых разных стран появилась возможность активно общаться друг с другом, обмениваться новостями, устраивать международные конференции, конгрессы, форумы и симпозиумы. Поэтому у математиков и назрела необходимость в едином формальном языке, понятным всем ученым.

Арифмометр — настольная механическая машина, предназначенная для точного выполнения четырех арифметических действий: сложения, вычитания, умножения и деления.

— В начале прошлого века многие верили, что наука поможет разрешить все проблемы и с помощью хорошего арифмометра можно будет сделать любые вычисления и добиться высоких достижений в математике, физике и других науках. Давид Гилберт не был исключением и предложил формализовать математику. Однако на сцену выходит австрийский логик, математик и философ математики Курт Гедель (1906-1978 гг.) со своей теоремой о неполноте, согласно которой любая алгоритмически разрешимая теория, расширяющая арифметику, неполна. Он утверждал, что нельзя формализовать математику, основываясь на арифметике и используя алгоритмические методы. «Искусственный» математик не сможет заменить живой интеллект. Для нас, ученых, с одной стороны, это очень печально, потому что нам никогда не увидеть автоматического математика, а с другой — великолепно, потому что у нас всегда останется работа, — пояснил Сергей Оспичев.

Машина Тьюринга — абстрактная вычислительная машина, математическая модель вычислений, предложенная выдающимся британским математиком Аланом Тьюрингом (1912–1954) в 1936 году для формализации понятия алгоритма. Считается фундаментом теории вычислимости и используется для формального определения того, какие задачи можно решить с помощью алгоритмов.

Важным открытием этого периода зарождения ИИ стала машина Тьюринга. Этот ученый перевел дискуссии об алгоритмах из философии в инженерию. Во время II Мировой войны идея абстрактной машины Тьюринга была объединена с идеей взлома немецкой шифровальной машины «Энигма», которая активно использовалась тогда для передачи секретных сообщений. В итоге Алан Тьюринг разработал дешифровальную машину «Бомба», благодаря которой вошел в историю как взломщик «Энигмы» и основоположник ИИ.

— Машина Тьюринга стала предком современных компьютеров, но при этом ее создатель сформулировал теорему Entscheidungsproblem (проблема разрешимости), доказав, что не все вычисления можно сделать с помощью компьютеров — существуют алгоритмы, которые нельзя написать ни на одном языке программирования. Из этого вытекает сложная проблема: с одной стороны, применяется инженерный подход: создаются сложные арифмометры и вычислительные машины, а с другой стороны — ученые заведомо знают, что все проблемы с помощью этих средств не решить. Мне нравится называть это термином «шизофрения вычислимости», — сказал Сергей Оспичев.

На старте

Термин «искусственный интеллект» появился в 1956 году на Дартмутском семинаре. Именно его принято считать стартом развития ИИ. Здесь же сложилась удивительная для нашего времени ситуация: по результатам семинара не было опубликовано ни одной статьи, но многие его участники стали общепризнанными «отцами-основателями» ИИ. Важные события на фоне: Холодная война и старт космической гонки. В ученом мире витают разговоры о том, что вычислительных мощностей не хватит на запуск спутников в космос.

Человечество уже изобрело компьютеры и уверенно пользуется ими. Эра микросхем еще не наступила. «Умные машины» пока слабы и имеют гигантские размеры — один из самых быстрых компьютеров занимает 280 квадратных метров и весит 25 тонн. Он годится лишь для простых арифметических вычислений. Необходимо переходить на новый способ вычисления, ускорить и оптимизировать их. На Дартмутском семинаре американский математик Джон Маккарти (1927 —гг. ) предлагает термин «искусственный интеллект». Позже он изобретет язык программирования Лисп, станет основоположником функционального программирования и лауреатом премии Тьюринга за огромный вклад в область исследований искусственного интеллекта.

Под запретом

Еще одним важнейшим звеном эволюции ИИ с стало изобретение американского ученого в области психологии и нейрофизиологии Фрэнка Розенблатта (1928-1971 гг.) из Корнеллского университета (США). Он разработал и собрал первый числовой компьютер Марк1, который позволял распознавать некоторые буквы английского алфавита, написанные от руки. Важно, что компьютер всему этому обучился самостоятельно. Марк1 стал первой нейронной сетью, собранной в железе. И, конечно, изобретение имело ошеломительный успех, и возникло убеждение: нужно изучать перцептроны и создавать все более сложные нейронные сети.

Перцептрон Розенблатта (1957–1960 гг.) — одна из первых моделей искусственных нейронных сетей, имитирующая процесс восприятия мозга. Он состоит из сенсорных (S), ассоциативных (A) и реагирующих (R) элементов, работая как линейный бинарный классификатор с пороговой функцией активации. Основа — обучение с коррекцией весов.

Однако эйфория продолжалась недолго — через несколько лет вышла в свет книга ученого в области ИИ из Массачусетского технологического института Марвина Мински (1927 —2016 гг) и математика Сеймура Пейперта (1928—2016 гг.) «Перцептроны». В ней авторы утверждали, что «…Увеличение размера перцептрона не приводит к улучшению способности решения сложных задач». Таким образом, вероятно, Марвин Мински пытался привлечь внимание (а равно и финансирование) к своим разработкам, но результат получился неожиданным: интерес к нейросетям угас, финансирование на разработки перестало выделяться, сам термин ИИ попал под запрет, а Марвин Мински получил прозвище «Убийца нейросетей». Так из-за соперничества двух организаций развитие ИИ остановилось на десятки лет.

Слишком сложно!

Сергей Оспичев удивил аудиторию, когда сказал, что первые многослойные нейронные сети появились в 70-х годах прошлого века. Поскольку нейронные сети были под негласным запретом и даже упоминать их не рекомендовалось, не то, чтобы вести разработки в данном направлении, работала экспертная система на логических правилах.

— Отмечается растущая популярность логических языков программирования. И это не удивительно: раз уж, как писал в своей книге Марвин Мински, мы не можем обучить систему, потому что это не работает, то должны сами прописывать все правила. Появляются первые очень сложные экспертные системы. Одна из них — MYCIN — медицинская экспертная система, созданная в начале в Стэнфорде и предназначенная для диагностики инфекционных заболеваний (менингит, сепсис) и рекомендации антибиотиков. Она использовала базу правил (около 600,) и обратный вывод, демонстрируя точность на уровне экспертов-врачей и даже выше. Правда, выше всего на 2,6 %, но все же. Для сравнения — она предлагала приемлемую терапию в 65% случаев, а врачи — в 62,5% случаев. Эта система спровоцировала первые вопросы этики ИИ, но так и не нашла применения из-за сложности ввода данных, ведь пациенту приходилось отвечать примерно на 200 вопросов, чтобы система приняла решение о назначении терапии. В лучшем случае ввод данных занимал полчаса и больше, — рассказал Сергей Оспичев.

Поколение V

80-е годы прошлого века ознаменовались технологическим бумом в Японии и появлением микропроцессоров. Япония захватывает рынок вычислительной техники. Поток данных растет, вычислительных мощностей для их обработки становится недостаточно.

Появление микропроцессоров меняет мир компьютеров — они становятся меньше по размеру и мощнее. Теперь их вес составляет не 28 тонн, а 5 кг. Правда, стоимость их высока и далеко не каждый желающий может позволить себе персональный компьютер в домашних условиях, но это был большой шаг вперед. 

Стремясь сохранить технологическое лидерство, в 1982 году правительство Японии инициирует гигантскую государственную программу, рассчитанную на 11 лет с финансированием в 50 миллиардов иен (500 млн долларов). Позднее к этой гонке начали присоединяться другие страны. Ожидался прорыв в прикладном ИИ, однако ставки были сделаны на технологии, которые устарели еще на старте: на суперкомпьютеры, аппаратно способные к распределенным вычислениям. Термин «ИИ» по-прежнему под запретом: вместо него в научных статьях используются такие выражения, как «обработка данных», «автоматическое исследование изображений», «автоматический подход к обработке формул» и т.д. Начался расцвет императивных языков, а логические стали сдавать позиции.

Темно-синяя оттепель

В 90-х годах персональные компьютеры распространились повсеместно, всемирная паутина растет экспоненциально. Возникает уверенность: машина умнее человека! Подтверждение этому появилось в 1997 году и было растиражировано на весь мир. Сенсация: суперкомпьютер IBM Deep Blue впервые обыграл чемпиона мира Гарри Каспарова в матче из 6 классических партий со счетом 3½–2½. Это историческое событие стало первой победой искусственного интеллекта над действующим чемпионом, ознаменовав новую эру в шахматах и развитии технологий ИИ.

— Конечно, для компаний, которые занимались ИИ, это было очень важно — это событие было для них прекрасной возможностью выйти из тени и развивать ИИ в открытую: публиковать статьи о своих научных разработках в журналах, открывать кафедры в университетах, внедрять свои разработки и претендовать на финансирование. Правда, высказывались версии, что это выигрыш стал результатом ошибки в коде, вследствие которой компьютером был сделан нестандартный ход, определивший исход этой игры. Но, с другой стороны, Deep Blue открыл для социума ИИ, и люди поняли, что можно заниматься ИИ, это что-то большое, важное, которое изменит нашу жизнь. По современным меркам Deep Blue был очень слабым компьютером, и искусственного интеллекта там было очень мало, и присутствовало там еще не мышление, а исчисление, но это точно стало одним из важнейших шагов в ИИ современного времени, — поделился Сергей Оспичев.

Видеокарты — вторая жизнь

Развитие многослойным нейросетям дали разработки, которые изначально не предназначались для серьезных задач, — игровые видеокарты. Именно благодаря им удалось преодолеть недостаточность мощности компьютеров того времени для необходимых вычислений.

— Рынок был перенасыщен видеокартами — их выпускали гораздо больше, чем требовалось геймерам того времени, и стоили они гораздо дороже, чем геймеры того времени могли себе позволить. К тому же, эти видеокарты были гораздо круче, чем игры того времени. Тогда была разработана технология, позволяющая использовать их для вычислений. Такие видеокарты компания Nvidia, производящая их, стала бесплатно передавать в различные университеты, чтобы ученые пробовали их использовать в решении своих задач. В 2012 году достались они и разработчикам сверточной нейросети AlexNet Илье Суцкеверу, Джеффри Хинтону и Алексу Крижевскому. Объединив две видеокарты и получив 6 Гигабайт видеопамяти, они смогли выиграть в одном из важных соревнований по обработке изображения. При создании своей нейронной сети они и обошли классические алгоритмы машинного обучения, разработанные еще 5-7 лет назад, и продемонстрировали преимущество GPU — специализированного электронного чипа для параллельной обработки данных, рендеринга графики и ускорения сложных вычислений. Им удалось запустить цепную реакцию, которая привела к сегодняшней популярности глубокого обучения. Нейросети были реабилитированы, — рассказал Сергей Оспичев.

Три всадника ИИ

В наше время развитие нейросетей продвигают три всадника ИИ: arXiv — крупнейший бесплатный открытый архив (репозиторий) электронных препринтов научных статей, трансформеры и чатбот на основе Генеративного Предобученного Трансформера (GPT).

АrXiv представляет собой базу препринтов, содержащую 2,5 миллиона статей, более 30000 загрузок в месяц, 200 статей по ИИ в день.

— Наука в области машинного обучения развивается очень быстро, а решения о публикации статей в научных журналах принимаются на протяжении довольно продолжительного времени — год или два. За два года в машинном обучении статья уже исчезнет из мира машинного обучения — потеряет актуальность и новизну. На этом же ресурсе можно выложить свою статью сразу, чтобы коллеги смогли, не дожидаясь официальной публикации, ознакомиться с ней, обсудить, начать использовать и делиться рекомендациями. Здесь же статьи появляются мгновенно, поэтому АrXiv — это один из главных реакторов машинного обучения нашего времени, — пояснил Сергей Оспичев.

Вторым «всадником ИИ» являются трансформеры — это следующее поколение нейронных сетей, своеобразный мостик между AlexNet и современными GPT-системами. Они обеспечивают глубокое обучение для обработки текстов. Рядом с ним следует и «третий всадник» — ChatGPT — чат-бот на основе генеративного предобученного трансформера, уже имеющий миллиарды запросов в год. GPT позволяет нам быстро и качественно обрабатывать тексты, переводить их с одного языка на другой, искать данные, формировать их них предложения и т.д. Он появился в 2020 году, а затем были разработаны его «наследники», которые сейчас являются постоянными помощниками человека.  

Вот это поворот!

И все же, каким бы большим ни был соблазн воспользоваться ИИ, целиком и полностью доверять ему нельзя. Что бы он ни делал, должно быть проверено на достоверность интеллектом естественным. Так, Сергей Оспичев по окончании лекции признался, что несколько цитат, открывающих его выступление, были сгенерированы нейросетью ИИ. Не было приведенной фразы в фильме «Бегущий по лезвию». И фото китайской исследовательницы, высказавшей свое видение ИИ в научной статье, процитированной в данной лекции, тоже  было сгенерировано нейросетью DeepSeek.

Примите к сведению; Эта информация является необработанным контентом, полученным непосредственно от источника информации. Она представляет собой точный отчет о том, что утверждает источник, и не обязательно отражает позицию MIL-OSI или ее клиентов.

Источник: Новосибирский государственный университет –

Важный отказ от ответственности находится в нижней части этой статьи.

Материал подготовил: Елена Панфило, пресс-служба НГУ

Примите к сведению; Эта информация является необработанным контентом, полученным непосредственно от источника информации. Она представляет собой точный отчет о том, что утверждает источник, и не обязательно отражает позицию MIL-OSI или ее клиентов.

Источник: Новосибирский государственный университет –

Важный отказ от ответственности находится в нижней части этой статьи.

В Новосибирском государственном университете запущен сервис по автоматическому созданию аудиоверсий книг из оцифрованной части фонда Научной библиотеки университета. Проект основан на разработках Исследовательского центра искусственного интеллекта (Центра ИИ) НГУ и проходит этап апробации. После успешного выполнения пилотного проекта технологию планируется предложить другим библиотекам.

На данном этапе речь идет о переводе в аудиоформат книг университетского издательства и материалов, размещенных в электронной библиотеке, с разрешения правообладателей —всего около семи тысяч наименований.

Озвучивание выполняет нейросеть: текст извлекается из PDF, проходит предварительную обработку, после чего формируется звуковая версия.
— В перспективе мы планируем перевести в аудиоформат все книги, представленные в электронной библиотеке НГУ. Сейчас это около 7 тысяч изданий, — рассказал ведущий научный сотрудник Центра искусственного интеллекта НГУ, кандидат физико-математических наук Евгений Павловский.
По его словам, сервис не предполагает полной замены традиционного чтения, а создается как альтернативная форма доступа к тексту.

— Мы не делаем художественную озвучку, полностью повторяющую оригинал. Это дополнительный способ работы с книгой. Для массового использования важно, что решение не является ресурсоемким: на одну книгу уходит примерно полчаса процессорного времени, причем речь о 16-ядерном процессоре, даже без видеокарты, — пояснил он.

Сервис создан на базе фреймворка «Каппа», разработанного в Центре ИИ НГУ. Он предназначен для управления датасетами и моделями искусственного интеллекта, их тестирования и оценки перед внедрением в рабочие процессы. Фреймворк позволяет проверять корректность работы моделей и снижать риск ошибок или так называемых «галлюцинаций» ИИ. В новом проекте «Каппа» используется для подготовки обучающих данных для озвучки и сбора обратной связи о качестве результата.

В пилотном режиме уже озвучены первые сто книг, сейчас команда ожидает обратную связь от библиотеки и пользователей. Вот один из примеров работы сервиса.
В НГУ подчеркивают, что проект рассматривается как технологическая апробация. После отработки самой технологии и механизмов взаимодействия с библиотекой, сервис может быть предложен другим университетам и публичным библиотекам через партнерскую платформу или в каких-то иных форматах.
По оценке разработчиков, с точки зрения вычислительных ресурсов само озвучивание всего фонда возможно в течение месяца, однако на организационную подготовку и верификацию результатов озвучки может потребоваться до года.

Примите к сведению; Эта информация является необработанным контентом, полученным непосредственно от источника информации. Она представляет собой точный отчет о том, что утверждает источник, и не обязательно отражает позицию MIL-OSI или ее клиентов.

Источник: Новосибирский государственный университет –

Важный отказ от ответственности находится в нижней части этой статьи.

Ученые Института медицины и медицинских технологий (ИММТ) НГУ разрабатывают метод комплексной диагностики состояния нейромышечного аппарата, что в дальнейшем поможет в профилактике и коррекции возрастной мышечной недостаточности (саркопении). Работа ведется в рамках проекта «Комплексная модуляция резервов нейропластичности в коррекции саркопении», который является частью стратегического технологического проекта «Центр интеграции биомедицины и фармации», поддерживаемого программой «Приоритет-2030».

Термин «саркопения» происходит от греческих слов sarcos (мясо, плоть) и penia (недостаток). Это прогрессирующая и системная потеря мышечной массы, силы и функции. На сегодняшний день установлено, что это не просто атрофия мышц, связанная с возрастом и являющаяся следствием старения, а клинически подтвержденное состояние, которое может быть диагностировано и поддается лечению. Саркопения может быть обусловлена не только старением организма, но и другими факторами, среди которых образ жизни и работы, питание, острые и хронические заболевания.

В основе проекта, реализуемого учеными НГУ, лежит разработка и научное обоснование нейроцентрической модели профилактики и коррекции саркопении, базирующейся на комплексной модуляции резервов нейропластичности центральной нервной системы, то есть механизмах влияния на способность нервной системы менять структуру и функции в ответ на новый опыт, обучение и изменения в окружающей среде.

НГУ с предложенной нейроцентрической моделью является пионером не только в России, но и на постсоветском пространстве. Большая часть научных коллективов в нашей стране и мире продолжает разрабатывать стратегии, направленные непосредственно на мышечную ткань и ее метаболизм. Превалирующая модель рассматривает саркопению преимущественно как локальную проблему мышечной ткани, фокусируясь на изучении митохондриальной дисфункции, клеточного старения, хронического воспаления и инсулинорезистентности.

Роль нервной системы в рамках доминирующей модели признается как один из факторов патогенеза, например, снижение количества двигательных нейронов и ухудшение нервно-мышечной передачи с возрастом. Однако вынесение резервов нейропластичности в центр исследовательского внимания и терапевтического воздействия является принципиально новым подходом, что и составляет его главную научную новизну и потенциальное преимущество.

— Уникальность предлагаемого в НГУ подхода заключается в том, что саркопению мы рассматриваем не только как дегенеративный процесс в мышечной ткани, вызванный какими-либо заболеваниями, состояниями или возрастом, но и как результат дисфункции центральных механизмов нейромышечного контроля. С этой точки зрения наиболее перспективным является исследование нейропластичности, поскольку она лежит в основе восстановления и поддержания двигательных функций. Когда мы целенаправленно корректируем пластичность нервной системы, например, с помощью методов когнитивно-двигательного тренинга, нейростимуляции или каких-то фармакологических вмешательств, это может стать ключевым элементом в разработке эффективных стратегий противодействия саркопении, — пояснила Дарья Подчиненова, к.м.н., заместитель директора ИММТ НГУ по научной работе.

В 2025 году в результате первого этапа проекта была сформирована и запатентована уникальная, первая в Сибири структурированная база ключевых клинических и параклинических маркеров саркопенического синдрома и композиционного состава тела населения (соотношения разных компонентов организма — жировой, безжировой масс, мышц, воды и т.д.), а также база нейровизуализационных карт (изображений головного мозга, полученных различными визуализирующими методами). Уникальность собранной базы определяется принципиальным расширением диагностического поля исследования. База данных не ограничивается стандартными показателями саркопении (мышечная масса, сила сжатия кисти, скорость ходьбы), а разработана с целью комплексного изучения саркопенического синдрома как системного процесса. Интегрированы данные функциональной диагностики, биохимии и клеточной иммунологии в рамках единой платформы. База данных предназначена для формирования основы для персонализированного подхода к диагностике и ведению саркопении. Суммарно в ней представлены данные почти 3000 пациентов.

На основе собранной информации ученые НГУ сформировали комплексный диагностический алгоритм оценки нейромышечного аппарата и основные методические рекомендации для диагностики и по применению методов модуляции нейропластичности в программах профилактики и коррекции саркопении для внедрения в учреждениях здравоохранения и геронтологических центрах.

Также параллельно разрабатываются необходимые потенциальные элементы диагностического комплекса — ключевые нейромаркеры (BDNF, галанин, бета-амилоид, тау- протеин, миокины: метеорино-подобный белок, ирисин, миостатин, FGF-21, метболиты ИФР-1, инсулин), нейровизуализационные маркеры и предикторы, такие как объем серого вещества в моторных зонах, толщина прецентральной извилины, свидетельствующие о снижении нейропластичности и ассоциированные с риском развития и прогрессирования саркопении.

— Благодаря подобным проектам в НГУ развивается новое стратегическое направление в рамках парадигмы персонализированной («7П») медицины. На базе Медицинского центра НГУ запущена система лонгитюдинального наблюдения, то есть сбор данных у одних и тех же пациентов на протяжении длительного периода времени, сформированы уникальные базы данных. В работе участвуют студенты, ординаторы и молодые ученые Института медицины и медицинских технологий НГУ, — рассказала Мария Матвеева, д.м.н., доцент кафедры клинического моделирования здоровья и персонализированной медицины ИММТ НГУ, руководитель проекта.

В целом проект рассчитан на пять лет, и к 2030 году планируется разработать метод комплексной диагностической оценки состояния нейромышечного аппарата, включая протоколы МРТ, панели биомаркеров и подходы к модуляции нейропластичности в комплексных программах профилактики и коррекции саркопении, которые планируется апробировать на базе партнёрских клинических центров — с ними уже заключены соглашения о сотрудничестве, — чтобы выявить конкретные, наиболее эффективные методы модуляции нейропластичности.

Активное долголетие является одной из приоритетных задач для отечественного здравоохранения, поэтому выявление и своевременная коррекция причин, которые могут ограничивать возрастную, физическую активность, уменьшать продолжительность и снижать качество жизни, является очень важным. Кроме того, разрабатываемые методические рекомендации по диагностике и модуляции нейропластичности помогут снизить затраты на реабилитацию за счет ранней профилактики саркопении и ассоциированных заболеваний.

Примите к сведению; Эта информация является необработанным контентом, полученным непосредственно от источника информации. Она представляет собой точный отчет о том, что утверждает источник, и не обязательно отражает позицию MIL-OSI или ее клиентов.

Источник: Новосибирский государственный университет –

Важный отказ от ответственности находится в нижней части этой статьи.

Темой одной из лекций научно-популярного марафона «Неделя Дарвина» в НГУ, который впервые проходил на площадке нового кампуса, стала «Эволюция идеала: от Елены Прекрасной до наших дней». Экспертом выступил преподаватель Центра непрерывного образования Гуманитарного института НГУ Сергей Васильев.

Несмотря на субботний день и солнечную погоду, аудитория была заполнена — интерес к гуманитарной повестке в рамках научного марафона оказался не меньшим, чем к естественнонаучным темам.

В начале лекции Сергей Васильев обозначил рамки разговора:

— Мы поговорим только об идеале в западной литературной традиции. Мир многообразен, в восточных культурах представления были иными, но сегодня мы сосредоточимся именно на западной части. И будем говорить о том, как идеал воплощается в литературных текстах, не затрагивая живопись и скульптуру. Даже с этими ограничениями тема остаётся необъятной — это будет лишь краткое введение в тему.

Отправной точкой стал античный мир и образ Елены Прекрасной в «Илиаде» Гомера. Однако, как подчеркнул лектор, для древних греков Елена не была идеалом женщины в нравственном смысле:

— Она считалась прекрасной эстетически, но идеал женщины для древнего грека включал верность супругу, материнство, преданность. В этом смысле ближе к идеалу была Пенелопа из «Одиссеи», которая десять лет ждёт возвращения мужа, обманывая женихов, распуская по ночам сотканный днём саван.

Через античность лектор перешёл к Средневековью и феномену куртуазной любви, когда идеал женской красоты становится недостижимым.

— Идеал — это то, к чему мы стремимся, но чего никогда полностью не достигаем. Куртуазная любовь — это восхищение недоступной дамой, возвышение её до статуса почти недосягаемого совершенства, — пояснил Сергей Васильев.

Отдельный блок лекции был посвящён XIX веку — времени, когда представления об идеале становятся противоречивыми. Сергей Васильев противопоставил культуру декаданса и викторианскую традицию:

— Декаданс — это ощущение упадка эпохи. Для него характерно восхищение тем, что раньше считалось эстетически непривлекательным. Безобразное начинает становиться прекрасным именно потому, что оно безобразно. Вспомним Бодлера, его стихотворение «Падаль», где разлагающийся труп описывается как эстетический объект.

Викторианская культура, напротив, стремилась эстетизировать реальность, несмотря на социальные противоречия индустриальной эпохи.

— Викторианцы видят сложный, нередко жестокий мир, но стараются находить и воспевать красоту — даже в трагических образах. Это попытка удержать идеал в мире, который стремительно меняется, — отметил Сергей Васильев.

Первая мировая война, по словам лектора, стала культурным переломом:

— С культурной точки зрения XX век начинается в 1914 году. Трагедия войны разрушает представление о едином, утопически прекрасном идеале.

В эпоху модернизма говорить об одном идеале уже невозможно:

— У модернистов разные практики, разные эстетики, разные представления о прекрасном. Символисты воспевают недостижимый образ «вечной женственности». Акмеисты обращаются к конкретному, земному человеку. Футуристов больше интересуют машины и урбанистический мир, чем традиционный женский образ.

В советской литературе 1930-х годов формируется канон социалистического реализма — с чётко заданным образом женщины-труженицы, коммунистки, матери.

После Второй мировой войны наступает эпоха постмодернизма, где, по словам лектора, сам разговор об идеале становится ироничным:

— Постмодернизм утверждает, что всё уже было. Мы имеем дело с культурной игрой, с цитатами и пародиями. Можно обратиться к классическому образу — но для того, чтобы его переосмыслить или даже высмеять.

В финале лекции Сергей Васильев отметил, что ситуация с современным женским идеалом остаётся открытой:

— Кажется, эпоха постмодернизма подходит к концу, но при этом всё никак не может закончиться. Есть ли сегодня единый идеал? Пожалуй, нет. С идеалом в западной культуре было «покончено» в начале XX века, и с тех пор мы живём в мире множества версий и интерпретаций.

Данная лекция Недели Дарвина стала не только историко-литературным обзором, но и поводом задуматься о том, как культурные эпохи формируют представление о прекрасном и почему идеал всегда говорит больше о времени, чем о самом объекте восхищения.

После выступления слушатели задали лектору вопросы — самые интересные из них были отмечены подарками от университета.

Примите к сведению; Эта информация является необработанным контентом, полученным непосредственно от источника информации. Она представляет собой точный отчет о том, что утверждает источник, и не обязательно отражает позицию MIL-OSI или ее клиентов.

Источник: Новосибирский государственный университет –

Важный отказ от ответственности находится в нижней части этой статьи.

Лекция Владимира Сурдина, прочитанная им в рамках научно-популярного марафона «Неделя Дарвина» в Новосибирском государственном университете, вызвала огромный интерес — 500 человек расположились в конференц-зале, а еще более 500 смотрели трансляцию доклада в трех поточных аудиториях нового кампуса НГУ.

Владимир Сурдин — известный астроном, в чьем багаже более ста научных работ, десятки учебных пособий, и одновременно — просветитель, автор огромного числа научно-популярных книг и видеороликов, лауреат премии РАН, Беляевской премии и ряда других наград. Абсолютное большинство его работ так или иначе связаны с космосом, не стала исключением и «дарвиновская лекция», посвященная эволюции космической отрасли, которая еще совсем недавно, казалось, надолго застыла на месте, но теперь она вернулась к активному развитию.

Свое выступление Владимир Сурдин начал с замечания о том, что предугадывать пути развития технического прогресса — дело крайне сложное. Глядя на роскошные лимузины 1960-70-х годов, кто мог предположить, что через полвека огромную популярность наберут «малютки», в которые кроме водителя войдет разве что его портфель или рюкзак, зато они очень экономны и парковаться на городских улицах проще.

Или взять воздушные перевозки: в 1930-х казалось, что будущее за дирижаблями, но их довольно быстро и уверенно вытеснили самолеты, а сегодня мы наблюдаем рассвет беспилотных коптеров, которые совсем не похожи на привычную нам авиацию.

— Такие неожиданные повороты — обычное дело для эволюции технологий. И космонавтика тут совсем не исключение, — подчеркнул Владимир Сурдин.

Вплоть до конца 1980-х годов казалось, что магистральным путем развития ближней космонавтики будут орбитальные станции. В 1987 году журнал Spaceflight опубликовал прогноз, что к 2000 году на орбите будет одновременно находиться около полусотни человек, подавляющее большинство из которых составят советские космонавты. В реальности, в первые десятилетия нашего века это число обычно было в десять раз меньшим и причина тут не в распаде СССР, а в компьютеризации и автоматизации многих рабочих процессов, которые сняли потребность в больших экипажах.

В те же 1980-е годы второй магистральной технологией считались многоразовые «шаттлы», способные отправлять в космос как экипажи тех самых станций, так и тонны полезного груза. Но и тут сказалось развитие электроники: современные спутники намного легче, популярные кубсаты и вовсе весят граммы, а не тонны, и для их вывода на орбиту не нужны такие мощные ракеты. В результате, на многие годы программа американских «челноков» была заморожена, а советский «Буран» и вовсе стал жертвой экономического кризиса, успев сделать только один испытательный полет.

Если заглянуть немного дальше околоземной орбиты, то очевидно, что самой популярной целью является Луна, самый близкий к нам крупный космический объект. На нее неоднократно высаживались и люди, и управляемые космические аппараты.

— Можно сказать, что видимое полушарие Луны нам известно достаточно широко. Но не глубоко, причем в буквальном смысле — глубже, чем на полтора метра мы Луну не бурили, — подчеркнул Владимир Сурдин.

Обратную сторону Луна человечество на протяжении десятилетий только фотографировало, да и то не очень часто. А первыми туда высадились китайцы. Причем это был весьма неожиданный результат. В 2013 году Китаю удалось впервые отправить свой луноход на видимую сторону, где он проехал всего 100 метров, а спустя всего шесть лет, в 2019 году, их аппарат «Чанъэ-4» успешно приземлился уже на обратной стороне спутника нашей планеты, и там новая версия лунохода проработала несколько лет. По мнению Владимира Сурдина, в последние годы китайская космонавтика переживает расцвет, темпы развития отрасли сопоставимы с советской в ее лучшие годы.

Он также напомнил, что во время работы американской программы «Аполлон», когда на поверхность Луны высадилось несколько экспедиций, они привезли с собой на Землю около 400 кг лунного грунта.

— И тогда было принято дальновидное решение — половину образцов раздали на изучение передовым научным лабораториям мира. А половину заморозили. Прошло полвека, методы исследований заметно продвинулись, открылись новые возможности, но новых экспедиций за лунным грунтом не было. Тут и пригодились те запасы, их разморозили, вновь передали ученым — и в последние годы появилась целая волна интересных открытий, связанных с лунным грунтом, — отметил ученый.

Сейчас человечество ставит перед собой новую цель — создать на поверхности Луны пилотируемую базу, такие проекты есть у целого ряда стран, включая и нашу. Но для ее достижения надо решить целый пул сложнейших задач. И касаются они не только строительства и обеспечения жизнедеятельности самой базы. Космонавтов и грузы надо сначала туда доставить, а эра больших ракет, как говорилось ранее, прошла. И сегодня их надо заново разрабатывать.

Причем, если с постройкой тяжелых ракет-носителей инженеры в ряде стран уже более или менее справились, то спускаемые модули, которые доставят экипаж с окололунной орбиты на поверхность и станут им домом на несколько недель, у всех стран-участниц новой «лунной гонки» есть пока только в проекте.

Параллельно сосредотачивают усилия на разработке и строительстве окололунной орбитальной базы. В ней видят не только промежуточное звено для колонизации самого спутника, но и удобный полигон для отработки различных ситуаций и нюансов, которые могут возникнуть в более дальних экспедициях, прежде всего, к тому же Марсу. До 2022 года Россия тоже участвовала в этом проекте, нашей зоной ответственности были стыковочные узлы станции, через которые к ней должны были присоединяться корабли снабжения. После того как сотрудничество с нами было разорвано, эту задачу возложили на инженеров из ОАЭ. Насколько успешно арабская техническая школа с ней справится — покажет время. 

Как уже говорилось, есть свой отдельный проект пилотируемой экспедиции на Луну и у Роскомоса. Но, как отметил Сурдин, если в орбитальной космонавтике нам пока удается сохранять хорошие позиции, то в более дальних областях — отставание растет. 

— Мы долгое время не реализовывали проекты, связанные с запуском кораблей дальше земной орбиты, многие специалисты, которые ранее участвовали в подобных проектах, ушли на пенсию, их сменила молодежь, у которой пока просто нет такого опыта. К чему это может приводить, мы видели на примере аварии с «Луна-25». По сути, мы сейчас заново должны учиться на своих ошибках, восстанавливать компетенции, а это неизбежно потребует времени, — напомнил ученый.

С этим связаны постоянные переносы сроков выполнения запланированных этапов «лунной программы» Роскосмоса.

В таких условиях, считает он, возможно, нам не стоило бы ввязываться в эту гонку столь прямолинейно. Вместо того чтобы распылять средства на глобальный проект обитаемой базы, лучше сосредоточиться на каком-то узком направлении и получить там результаты, которые обеспечат нашей космонавтике достойные позиции в процессе изучения и освоения естественного спутника нашей планеты. 

Как вариант — заняться изучением лунных пещер. Есть весьма популярная среди специалистов точка зрения, что лунную базу лучше разместить не на поверхности, а под ней. Прежде всего, из-за высокого уровня космической радиации (на поверхности Луны она примерно в 200–300 раз выше, чем на Земле). Тем более, недавно такие пещеры были открыты, но известны лишь входы, а изучением пещер никто не занимался. Это интересная задача для российской космонавтики, у которой есть богатый опыт создания беспилотных исследовательских аппаратов, прежде всего, луноходов.

А наша космическая отрасль уже доказывала ранее, что не стоит сбрасывать ее со счетов даже в самых сложных обстоятельствах. Как напомнил Сурдин, кто бы мог поверить в 1950-х годах, что Советский Союз, который только начал восстанавливаться после жесточайшей военной разрухи, станет первой страной, которая запустит в космос сначала свой спутник, а потом и человека. И это тоже был яркий пример неожиданных поворотов в эволюции технического прогресса.

Примите к сведению; Эта информация является необработанным контентом, полученным непосредственно от источника информации. Она представляет собой точный отчет о том, что утверждает источник, и не обязательно отражает позицию MIL-OSI или ее клиентов.

Источник: Новосибирский государственный университет –

Важный отказ от ответственности находится в нижней части этой статьи.

Материал подготовил: Михаил Маслов, ведущий инженер обсерватории «Вега» НГУ

Примите к сведению; Эта информация является необработанным контентом, полученным непосредственно от источника информации. Она представляет собой точный отчет о том, что утверждает источник, и не обязательно отражает позицию MIL-OSI или ее клиентов.

Источник: Новосибирский государственный университет –

Важный отказ от ответственности находится в нижней части этой статьи.

Новый многошаговый подход для компенсации нелинейных искажений в линиях волоконно-оптической связи на основе метода цифрового обратного распространения сигнала, в котором применяется усложненная модель нелинейных эффектов с использованием теории возмущений, создан учеными Новосибирского государственного университета. Работа над данным подходом проводилась в рамках комплекса исследований, направленных на преодоление влияния нелинейных физических эффектов и случайных шумов на оптические сенсоры и волоконно-оптические линии связи. В этом масштабном проекте ученые НГУ в сотрудничестве с коллегами из Ульяновского государственного университета объединили фотонику и машинное обучение, что позволило разрабатывать новые методы анализа, оптимизации и управления нелинейными процессами, опираясь как на высокую скорость обработки сигнала в оптических системах, так и на способность машинного обучения находить и использовать скрытую информацию. Проект «Машинное обучение для прикладных задач нелинейной фотоники», руководителем которого является экс-ректор НГУ, Академик РАН, доктор физико-математических наук Михаил Федорук, в прошлом году получил грантовую поддержку Российского научного фонда благодаря победе в междисциплинарном конкурсе в категории «Проведение фундаментальных научных исследований и поисковых научных исследований по поручениям (указаниям) Президента Российской Федерации».

Союз математиков и физиков

— Особое внимание в настоящее время уделяется развитию «умных» лазеров, которые могли бы адаптироваться к внешним условиям и динамически управлять параметрами в реальном времени. Такие системы обеспечивают более точное и надежное функционирование оптических волоконных систем в сложных условиях, что открывает новые возможности для их применения в телекоммуникациях, промышленной автоматизации, сенсорике, медицине и системах безопасности.  Проект актуален в свете современных вызовов, стоящих перед телекоммуникационной и лазерной отраслями. Оптические линии связи являются основой цифровой инфраструктуры и поддерживают все области, связанные с цифровыми технологиями. Увеличение объемов передаваемых данных требует разработки новых технологий, что приводит к необходимости учитывать нелинейные и шумовые эффекты. Функционирование многих волоконных лазерных систем также связано с нелинейными эффектами, такими как эффект Керра, комбинационное и Бриллюэновское рассеяние. С одной стороны, эти эффекты могут быть полезны, например, для синхронизации мод в импульсных лазерах, но с другой — они могут привести к проявлениям неустойчивости и дестабилизировать систему. В управлении этой нелинейностью ключевую роль могут сыграть методы машинного обучения, в частности, новые нейросетевые алгоритмы различной архитектуры, — сказал Михаил Федорук.

Проект направлен на решение научной проблемы, связанной со сложностью анализа, моделирования и управления нелинейными и случайными процессами в фотонике, представляющей собой одну из важных областей современной науки и включенной в перечень «сквозных» технологий Платформы НТИ. Использование методов машинного обучения для исследования нелинейных эффектов и их проявления при наличии случайных процессов открывает новые возможности для повышения производительности фотонных систем и создания новых решений.

— Проект «Машинное обучение для прикладных задач нелинейной фотоники» — междисциплинарный. Он был запущен по инициативе НГУ и объединил усилия двух научных групп —прикладных математиков и лазерных физиков. Первая группа относится к НГУ, основные исполнители проекта – Олег Сидельников, Анастасия Беднякова, Алексей Редюк – окончили ММФ НГУ и под моим руководством защищали дипломные работы, а потом кандидатские диссертации. Вторая группа представляет Ульяновский государственный университет. Ее возглавляет признанный эксперт в области нелинейной волоконной оптики, волоконных лазеров и сенсоров, кандидат физико-математических наук Андрей Фотиади. Обе группы занимаются моделированием по двум основным направлениям. Первое связано с методами машинного обучения в лазерах и нелинейных фотонных системах, а второе — с методами машинного обучения и нелинейных технологий в оптических линиях связи, — сказал Михаил Федорук.

Междисциплинарный подход

Универсальных методов анализа нелинейных систем до сих пор не существует, но решение многих прикладных задач в этой области требует новых подходов, поэтому значимость исследования становится все более актуальной. Для улучшения характеристик существующих систем и создания новых инженерных концепций требуется понимание и правильная трактовка нелинейных эффектов и их взаимодействия со случайным шумом. Использование методов машинного обучения для исследования нелинейных эффектов и их проявления при наличии случайных процессов открывает новые возможности для повышения производительности фотонных систем и создания новых решений.

— Алгоритмы машинного обучения могут адаптироваться к изменяющимся условиям и эффективно обрабатывать большие объемы данных, извлекая скрытые зависимости и позволяя улучшать характеристики систем в режиме реального времени. Такой междисциплинарный подход, объединяющий фотонику и машинное обучение, позволяет разрабатывать новые методы анализа, оптимизации и управления нелинейными процессами, опираясь как на высокую скорость обработки сигнала в оптических системах, так и на способность машинного обучения находить и использовать скрытую информацию, — пояснил Михаил Федорук.

«Умная» фотоника

Команда проекта объединяет компетенции двух научных коллективов, необходимые для успешной реализации проекта, а именно разработки алгоритмов машинного обучения и создания с их использованием устройств «умной» фотоники. В рамках этой коллаборации группа лазерных физиков, обладающая экспертизой в разработке современных нелинейных и микроволновых фотонных устройств, займется созданием функциональных устройств и инструментов для их контроля. Данные устройства станут объектами для тестирования новых оригинальных математических алгоритмов, разрабатываемых группой прикладных математиков НГУ с опытом в моделировании физических систем и применения методов машинного обучения для их оптимизации и управления. Синергия этих двух направлений позволит не только развить новый математический аппарат машинного обучения, но и создать новые устройства фотоники для применений в реальном секторе экономики, отличающиеся от существующих аналогов качественно новыми потребительскими характеристиками.

Вклад в работу партнера проекта будет заключаться в проведении предварительных экспериментов по тестированию лазеров с целью передачи команде НГУ результатов, необходимых для разработки и тестирования алгоритмов машинного обучения, разработки и внедрении в конфигурацию лазеров дополнительных средств электронного контроля режима их функционирования, необходимых для совместной работы фотонных устройств с обученными алгоритмами.

Машинное обучение

Группа НГУ под руководством Михаила Федорука в рамках проекта выполнит широкий круг теоретических и численных исследований, которые будут разделены на два основных научных направления: «Методы машинного обучения в лазерах и нелинейных фотонных системах» и «Методы машинного обучения и нелинейные технологии в оптических линиях связи».

В рамках первого направления будут разработаны нейросетевые алгоритмы на основе архитектур рекуррентных нейронных сетей, архитектур «трансформер» и алгоритмов обучения с подкреплением для реализации оптоэлектронной обратной связи в волоконных лазерных системах. Для стабилизации генерации излучения и управления его важнейшими частотно-временными и спектральными характеристиками планируется внедрение оптоэлектронной обратной связи на основе алгоритмов машинного обучения в конфигурации волоконных лазеров. Далее предусмотрен анализ лазерного излучения с применением нелинейного преобразования Фурье (NFT). Второе направление включает в себя разработку схемы компенсации дисперсионных и нелинейных эффектов, основанную на глубоких сверточных нейронных сетях. Далее последует объединение подходов, основанных на методе цифрового обратного распространения сигнала и алгоритмов обработки сигналов, основанных на теории возмущений для компенсации нелинейных искажений.

Нейросетевые алгоритмы

В первый год выполнения проекта ученые добились важных результатов по обоим основным его направлениям. В разработке методов машинного обучения в лазерах и нелинейных фотонных системах они провели комплекс теоретических и численно-экспериментальных исследований, направленных на создание нейросетевых алгоритмов управления одночастотным волоконным лазером с внешним кольцевым резонатором. Разработали и реализовали модели на основе архитектур нейронных сетей с длинной кратковременной памятью (LSTM) и «трансформер» (Transformer), позволяющие по сигналу фотодетектора предсказывать управляющее напряжение термооптического фазосдвигателя, имитируя поведение классического ПИД-регулятора.

— Мы продолжили изучение новых возможностей применения NFT для анализа оптических полей в диссипативных средах. Рассмотрено уравнение Хауса-Гинзбурга-Ландау (УХГЛ) в качестве важного примера, используемого для моделирования лазерных резонаторов. В результате была исследована зависимость типа режима генерации от параметров УХГЛ – энергии насыщения и мощности насыщения. Были определены области значений параметров, в которых солитоны УХГЛ близки к солитонам нелинейного уравнения Шредингера, а также показано, что в этом случае динамика поля, подчиняющегося УХГЛ, может быть описана с высокой точностью с использованием только дискретного спектра. В случае одноимпульсных режимов были детально описаны этапы генерации односолитонного решения из шума и показана связь смены этих этапов с качественными изменениями параметров дискретного спектра, — пояснил Михаил Федорук.

Нейронная сеть

Не менее эффективными были исследования, проведенные в рамках направления «Методы машинного обучения и нелинейные технологии в оптических линиях связи». Была разработана глубокая комплекснозначная сверточная нейронная сеть, предназначенная для моделирования распространения оптических сигналов в волоконной линии связи со спектральным уплотнением каналов.

— Архитектура данной сети имитирует метод расщепления по физическим процессам и основана на связанных нелинейных уравнениях Шредингера. Также нами были проведены исследования влияния на точность моделирования основных параметров нейросетевой модели, включая ширину сверточных и нелинейных фильтров, а также число слоев на пролёт волокна. Разработан и протестирован эффективный подход к обучению сети, основанный на предварительной оптимизации сверточных фильтров для компенсации хроматической дисперсии. Полученные результаты демонстрируют высокую точность моделирования распространения сигналов на больших длинах линии связи и подтверждают возможность применения предложенной архитектуры в задачах анализа и оптимизации волоконно-оптических систем со спектральным уплотнением каналов, — пояснил Михаил Федорук.

Перспективы

Ученый подчеркнул, что применение полученных результатов на практике позволит повысить эффективность волоконно-оптических линий связи, что составляет основу для развития инфраструктуры высокоскоростной передачи данных, стратегически важной для связанности территории Российской Федерации. Непрерывное внедрение новых телекоммуникационных и лазерных технологий, в том числе с применением предложенных в проекте методов машинного обучения, способствует развитию таких стратегических направлений, как переход к передовым цифровым, интеллектуальным производственным технологиям, создание систем обработки больших объемов данных, машинного обучения и искусственного интеллекта. Результаты проекта могут найти практическое применение в нескольких стратегически важных секторах реальной экономики. Решение проблемы передачи растущего объема информации напрямую влияет на развитие новых государственных цифровых услуг и сервисов, на развитие науки и новых технологий, а также на многие другие области промышленности, бизнеса и повседневной жизни.

Примите к сведению; Эта информация является необработанным контентом, полученным непосредственно от источника информации. Она представляет собой точный отчет о том, что утверждает источник, и не обязательно отражает позицию MIL-OSI или ее клиентов.

Источник: Новосибирский государственный университет –

Важный отказ от ответственности находится в нижней части этой статьи.

Материал подготовил: Елена Панфило, пресс-служба НГУ

Примите к сведению; Эта информация является необработанным контентом, полученным непосредственно от источника информации. Она представляет собой точный отчет о том, что утверждает источник, и не обязательно отражает позицию MIL-OSI или ее клиентов.

Источник: Новосибирский государственный университет –

Важный отказ от ответственности находится в нижней части этой статьи.

В Новосибирском государственном университете на первой конференции-семинаре «Физические проблемы технологии рентгеновской литографии» ученые представили проектное видение создания отечественного опытного рентгеновского литографа «Орел-7». Уникальную установку мирового уровня предлагается создать как элемент инфраструктуры Центра коллективного пользования «Сибирский кольцевой источник фотонов» (СКИФ) и использовать для преодоления принципиальных технологических ограничений передовой микроэлектроники.

Проект разрабатывается группой ученых Центра искусственного интеллекта НГУ, Института физики полупроводников СО РАН и Института вычислительной математики и математической геофизики СО РАН. Он предполагает создание специализированной рентгеновской станции на базе СКИФ – источника синхротронного излучения высокой интенсивности, необходимого для работы литографического оборудования нового типа.

Литография является ключевой технологией производства микросхем: именно она задает топологию и размеры элементов на полупроводниковых пластинах. Современные решения основаны на использовании излучения с длиной волны 13,5 нанометра (EUV-литография). Однако дальнейшее повышение разрешающей способности возможно либо за счет принципиально новых подходов, либо при переходе в более коротковолновую область — в том числе в рентгеновский диапазон.

Рентгеновская литография позволяет формировать сверхминиатюрные структуры благодаря использованию рентгеновского излучения на длинах волн от 1 до 100 ангстрем. Главным ее преимуществом является возможность создания рисунков без необходимости преодоления дифракционного предела, — это позволяет получать более высокое разрешение при сохранении производительности. Кроме того, технология может быть намного дешевле, чем сложные операции EUV-литографии на 13,5 нм, которые позволяют получать структуры с периодом 7 нм за счет экстремального повышения яркости (мощности) излучения и множественных операций со спейсерами, когда вместо одной операции «засветки»-удаления резиста используется до 4 последовательных нанесений резистов и спейсеров в каждом цикле (SAQP).

Развитие микроэлектроники в ближайшие годы связано с переходом к ангстремным технологиям, где элементы создаются практически на атомарном уровне. По словам участников конференции, для качественного скачка необходимы прорывные решения и объединение усилий научных центров.

— Мы видим, что Россия сегодня отстает от мировых лидеров в области микроэлектроники. Чтобы преодолеть это отставание, нужны проекты, основанные на принципиально новых идеях. Такие задачи невозможно решить силами одного института — требуется широкая кооперация. Именно о формировании такого консорциума и шла речь на конференции, – отметил директор Центра искусственного интеллекта НГУ Александр Люлько.

По его словам, компетенции Центра ИИ НГУ в области создания цифровых двойников промышленного оборудования могут ускорить разработку литографа. Параллельно участники проекта намерены задействовать научный потенциал институтов СО РАН в области физики полупроводников и математического моделирования.

Ожидается, что реализация проекта позволит отечественной промышленности перескочить технологический предел в 28 нанометров и значительно продвинуться в направлении создания суверенной технологии производства массовых российских процессоров топ-уровня.

— Совместная работа должна привести к созданию оборудования, которое позволит российской микроэлектронике выйти далеко за предел 28 нанометров. Это критически важный рубеж для третьего перехода в микроэлектронике (первый переход — от видимого к глубокому ультрафиолетовому излучению, второй — к экстремальному ультрафиолетовому излучению), — подчеркнул один из авторов проекта, научный сотрудник Центра искусственного интеллекта НГУ и заведующий лабораторией Института физики полупроводников СО РАН Дмитрий Щеглов.

Предполагается, что опытный образец литографа будет создан на базе СКИФ, где можно будет детально изучить физику процессов и отработать технологические параметры. Аналогичное оборудование планируется параллельно разворачивать на синхротроне в Зеленограде уже для целей отладки промышленного использования.

Пока проект находится на начальной стадии. По итогам конференции участники сформировали научно-техническое видение целесообразности создания станции, обозначили ключевые проблемы и технологические барьеры, а также наметили основы будущего консорциума. Проект уже вызвал интерес не только у научных центров Москвы, Новосибирска и других городов страны, но и в микроэлектронном центре Минска.

Примите к сведению; Эта информация является необработанным контентом, полученным непосредственно от источника информации. Она представляет собой точный отчет о том, что утверждает источник, и не обязательно отражает позицию MIL-OSI или ее клиентов.