Научный руководитель по профилю математика и искусственный интеллект
Трофимов Александр Геннадьевич - Кандидат технических наук, доцент каф. Кибернетика ИИКС НИЯУ МИФИ.
Научный руководитель Лаборатории нейросетевых технологий ИИКС НИЯУ МИФИ.
Член редколлегии журнала "Нейрокомпьютеры: разработка и применение".
Член Программного и Организационного комитетов Международной научно-технической конференции "Нейроинформатика".
Университет: Национальный исследовательский ядерный университет “МИФИ”.
Уровень владения английским языком: свободно.
Направление подготовки, на которое будет приниматься аспирант: Прикладная математика и информатика, программная инженерия.
Код направления подготовки, на которое будет приниматься аспирант: 1.2.1 Искусственный интеллект и машинное обучение
Перечень исследовательских проектов потенциального научного руководителя (участие/руководство):
РФФИ 15-29-01344, 2015-2017, участие.
Исследование и моделирование волновой интеграции крупномасштабных нейросетей мозга: подходы к выявлению когнитивных состояний внимания у человека.
РНФ 14-28-00234, 2015–2017, участие.
В поисках «Я»: междисциплинарное исследование порождения произвольного действия.
Перечень возможных тем для исследования:
- Разработка интеллектуальной системы геопривязки изображений.
- Исследование уязвимостей существующих типов графической капчи как элемента киберзащиты. Разработка системы автоматического распознавания капчи и генерации устойчивых к взлому типов капчи.
- Исследование успешности начинающих фирм на основе анализа открытой текстовой информации, в том числе, в социальных сетях.
- Разработка системы предиктивной аналитики для раннего обнаружения неполадок на электростанциях.
- Разработка методов обнаружения состязательных атак на модели машинного обучения и методов защиты от них.
Область исследования научного руководителя:
Машинное обучение и нейронные сети.
Более детальное описание научных интересов:
- Обработка изображений и компьютерное зрение.
- Анализ текстов на естественном языке.
- Предиктивная аналитика.
- Безопасность моделей машинного обучения.
Отличительные особенности данной программы:
Возможность использования вычислительного модуля «Тензор» НИЯУ МИФИ с графическими ускорителями (1280 тензорных ядер GPU, 10240 ядер CUDA).
Требования, предъявляемые к аспиранту:
Знание математического анализа, линейной алгебры, теории вероятностей и математической статистики.
Навыки программирования на языке Python и в среде MATLAB.
Знание библиотек научного программирования языка Python, в том числе scikit-learn.
Общее количество публикаций в журналах, индексируемых Web of Science или Scopus (9 публикаций):
-
Stochastic Multimodal Transformer with Uncertainty Quantification for Robust Network Intrusion Detection // Studies in Computational Intelligence, 2026 Vol. 1241 SCI pp. 428-447 doi
- журнал ВАК Исследование успешности студентов инженерных специальностей (направлений) в профессионально значимых видах деятельности в зависимости от опыта участия в олимпиадах и проектно-исследовательских конкурсах в период обучения в школе // Известия Российского государственного педагогического университета им. А.И. Герцена, 2025г. Вып. 216 Стр. 142-156 doi
- журнал ВАК Исследование академических достижений студентов инженерных специальностей (направлений), имеющих успешный опыт проектно-исследовательской деятельности в период обучения в школе // Мир психологии, 2025г. Вып. 2 (121) Стр. 245-264 doi
-
Wasserstein GAN-Based Adapter for Deep Neural Networks Merging // Studies in Computational Intelligence, 2025 Vol. 1179 SCI, Q4 pp. 160-170 doi
-
Research of COVID-19 infection waves using mathematical models at different levels // BIO Web of Conferences, 2024 Vol. 141 doi
-
Improved Robust Adversarial Model against Evasion Attacks on Intrusion Detection Systems // Optical Memory and Neural Networks (Information Optics), 2024 Vol. 33, No. Suppl 3 pp. S414-S423 doi
-
Russian Language Speech Generation from Facial Video Recordings Using Variational Autoencoder // Studies in Computational Intelligence, 2023 Vol. 1120, Q4 pp. 489-498 doi
-
On the Similarities Between Denoising Diffusion Models and Autoencoders // Studies in Computational Intelligence, 2023 Vol. 1064 SCI, Q4 pp. 566-574 doi
- Cross-Modal Transfer Learning for Image and Sound // Studies in Computational Intelligence, 2022 Vol. 1008 SCI, Q4 pp. 238-245 doi
2767
