Мы уже рассказывали об исследовании Learning of Population Dynamics: Inverse Optimization Meets JKO Scheme, представленном на ICLR 2026

Мы уже рассказывали об исследовании Learning of Population Dynamics: Inverse Optimization Meets JKO Scheme ( https://t.me/AI_point_of_view/1954) , представленном на ICLR 2026. Теперь о работе написали российские СМИ: ТАСС , «Компьютерра» , ComNews и CNews.

Исследователи Сколтеха, Института AIRI и МФТИ предложили метод iJKOnet, который помогает восстанавливать динамику сложных систем по разрозненным наблюдениям. Это особенно важно в задачах, где невозможно проследить путь каждого отдельного объекта во времени, а доступна лишь серия «снимков» системы в разные моменты.

Один из показательных примеров — одноклеточная биология. Когда ученые измеряют состояние клетки, сама процедура часто разрушает объект исследования. Поэтому вместо непрерывной истории изменения одной и той же клетки у исследователей есть только данные о состоянии популяции клеток в разные моменты времени. Похожие ограничения возникают в метеорологии, эпидемиологии, физике и других областях, где наблюдения неизбежно остаются фрагментарными.

Метод iJKOnet позволяет не просто заполнить пропуски в данных, а восстановить внутреннюю логику процесса. В его основе лежит сочетание математической схемы Jordan–Kinderlehrer–Otto и обратной оптимизации: модель учится находить такой энергетический ландшафт, при котором наблюдаемые переходы между состояниями выглядят наиболее вероятными. Одна нейросеть определяет оптимальный способ перемещения частиц или объектов, другая формирует энергетический ландшафт, объясняющий эти переходы.

Важное преимущество подхода — возможность обучать систему целиком, без предварительного расчета всех промежуточных стадий. Кроме того, iJKOnet не требует жестких ограничений на архитектуру нейросетей, что делает метод более гибким для задач с данными высокой размерности и сложными нелинейными зависимостями.

В экспериментах исследователи проверили метод на синтетических задачах и данных одноклеточного анализа эмбриональных телец. Из обучающей выборки специально удаляли целые временные отрезки, после чего модель должна была восстановить пропущенные стадии. В пространстве размерности 5 iJKOnet показал лучшие результаты среди существующих методов по метрике Вассерштейна, а в пространстве размерности 100 достиг уровня ведущих современных алгоритмов и при этом оказался проще в обучении.

«iJKOnet потенциально может быть полезен в разных областях, где важно описывать динамику систем без возможности отслеживать каждый объект отдельно. Среди таких направлений - метеорология, например моделирование движения воздушных фронтов, и эпидемиология, где нужно описывать распространение вирусов по регионам. Мы планируем развивать метод в двух направлениях: улучшать его масштабируемость для пространств с размерностью значительно выше 100 и расширять теоретическую основу на случаи, когда энергия системы меняется со временем», - отметил Александр Коротин, доцент Сколтеха, руководитель исследовательской группы по генеративному ИИ Центра искусственного интеллекта Сколтеха, руководитель группы Института AIRI.

Читайте подробнее в материалах:

ТАСС - https://tass.ru/nauka/27495165

«Компьютерра» - https://www.computerra.ru/346090/rossijskie-uchenye-sozdali-ii-kotoryj-dostraivaet-nedostayushhie-dannye/?

ComNews - https://www.comnews.ru/content/245438/2026-05-22/2026-w21/1010/rossiyskie-uchenye-razrabotali-metod-obucheniya-ii-dlya-vosstanovleniya-propuschennykh-stadiy-dinamiki-slozhnykh-sistem?

CNews - https://ai.cnews.ru/news/line/2026-05-22_v_rossii_razrabotali_novyj?

Телеграм: t.me/ainewsline

Источник: ai.cnews.ru

Комментарии: