В Сколтехе завершился хакатон на тему «Применение методов ИИ для решения задач устойчивого развития», который прошёл в рамках курса «Байесовские методы машинного обучения» магистратуры «Наука о данных». Участие в хакатоне приняли 38 студентов, работающих над индивидуальными исследовательскими проектами под руководством инженеров-исследователей Центра искусственного интеллекта Сколтеха — Александра Колесова, Сергея Холькина и Григория Шутова.

Награждение победителей провёл профессор Евгений Бурнаев, директор Центра искусственного интеллекта Сколтеха. Евгений поздравил участников, вручил победителям фирменные худи с логотипами Сколтеха и Центра ИИ, а также рассказал о перспективах дальнейшего развития технологий искусственного интеллекта.

Ключевые проекты хакатона

Михаил Луканов
Адаптировал алгоритм непрерывных нормализующих потоков в парадигме Flow Matching с использованием эквивариантной нейронной сети. Ему удалось получить структуры небольших органических молекул с приемлемыми геометрическими характеристиками.
«Было очень интересно объединить знания химии и навыки, полученные на курсе, для решения такой сложной задачи. Всё, что создаётся сегодня на передовом крае науки, требует междисциплинарного подхода, поэтому важно выходить за рамки своей специализации и пробовать что-то новое!» — рассказал Михаил.

Рамиль Хафизов
Разработал метод, который улучшает качество генерации изображений при ограниченном количестве шагов «расшумления». Его подход демонстрирует хорошие результаты уже на 1, 2, 4 и 16 шагах, тогда как традиционные диффузионные модели требуют более 100 итераций.

Александр Зайцев и Василий Какурин
Сравнили два метода — Image-to-Image Schrödinger Bridge (I2ISB) и Diffusion Schrödinger Bridge Matching (DSBM) — для оценки их эффективности при восстановлении повреждённых изображений.
«Современные диффузионные модели требуют значительных вычислительных ресурсов, что ограничивает их использование на устройствах с ограниченными возможностями, таких как смартфоны», — отметили авторы.

Анна Борисюк, Арсений Иванов и Владислав Громадский
Предложили ускорение деноизинга моделей Flow Matching с использованием подхода Shortcut.
«Мы реализовали Shortcut Flow Matching и сравнили её с обычной моделью Flow Matching, чтобы оценить улучшения в скорости инференса и качестве сгенерированных изображений», — отметил Арсений.

Александр Шаршавин и Эльфат Сабитов
Разработали метод обработки латентного кода для детерминистического диффузионного процесса с помощью Denoising Diffusion Implicit Model.
«Мы успешно подобрали операцию, которая позволяет с минимальными потерями сохранить стиль объекта», — рассказал Александр.

Тимур Набиев и Егор Мирошниченко
Применили технологию Discrete Flow Matching для увеличения разрешения изображений. Метод показал хорошие результаты при увеличении разрешения чёрно-белых снимков с 32×32 до 64×64 пикселей.

Ярослав Абрамов, Екатерина Филимошина и Марина Шешукова
Адаптировали подход Diffusion Rejection Sampling (DiffRS) для диффузионной выборки по значимости, что позволило значительно уменьшить вычислительные затраты.

Айсель Мирзоева и Светлана Лукина
Исследовали использование нейронного оптимального транспорта с применением Truncated Diffusion Model, улучшенной вариационным автокодировщиком (VAE).
«Мы визуализировали транспортную карту и сгенерированные образцы. Результаты подтвердили эффективность усечённой диффузионной модели, улучшенной VAE», — подчеркнула Светлана.

Поздравляем всех участников и желаем успехов в дальнейших исследованиях!