Лаборатория №Ц-3 Алгоритмы сетевых вычислений
Волошинов Владимир Владимирович
Ведущий научный сотрудник, кандидат физико-математических наук, заведующий лабораторией.
Список публикаций
Список публикаций
Штат лаборатории Ц-3 составляет 6 человек, но в нашей работе участвуют сотрудники других лабораторий Центра распределенных вычислений ИППИ (ЦРВ). Принимаем участие в работе семинара ЦРВ, который проходит по четвергам (идет рассылка по почте). Сотрудничаем с коллегами из Курчатовского института, благодаря чему имеем доступ к их суперкомпьютерам. Наши разработки применяются коллегами из других научных организаций России: Институт геохимии и аналитической химии имени В. И. Вернадского (ГЕОХИ) РАН, Институт Леса КарНЦ РАН, Вычислительный Центр РАН.
Направления исследований
- Развитие теории, численных методов и программного инструментария оптимизационного моделирования. Это важное направление современной математики, посвященное поиску наилучших значений некоторой целевой функции при наличии различных ограничений, находит применение в различных областях от выяснения свойств математических структур (например, в задачах "упаковки") до сугубо прикладных задач типа планирования перевозок различными видами транспорта. В своей работе наша группа предпочитает пользоваться готовыми пакетами численных методов (солверами), организуя совместную координированную работу большого числа таких солверов, развернутых в распределенной вычислительной инфраструктуре. Если будет возможность и ресурс, то имеются планы по исследованию возможностей применения методов обучения с подкреплением (Reinforcement Learning) для ускорения классических алгоритмов в реальном времени решения трудоемких задач дискретной и глобальной оптимизации.
- Развитие технологии сбалансированной идентификации, т.н. SvF-технологии (Simplicity vs Fitting) Она является инструментом построения структурных математических моделей по экспериментальным данным, https://github.com/distcomp/SvF. В отличие от регрессионных методов или «машинного обучения черного ящика», SvF-технология автоматизирует оценку качества различных структурных моделей, описывающих объект как набор математических утверждений: системы уравнений (в т.ч. интегро-дифференциальных), неравенства и т.п. Модели могут содержать неизвестные числовые параметры и функциональные зависимости, определяемые в результате вычислений. Уже более 10 лет SvF успешно используется в биологии, популяционной динамике, биологии растений, физике плазмы, метеорологии, экологии и др., см. список публикаций https://github.com/distcomp/SvF/blob/main/svf-reference.md
Студентам
Спрос на студентов:
Магистратура: 1 – 2 студента
Бакалавриат: 1 – 2 студента
Навыки студентов:
Базовые знания по теории и численным методам решения задач оптимизации, речь идет как о задачах математического программирования (линейного, квадратичного, с нелинейными гладкими функциями общего вида) с непрерывными переменными, так и задачах с частично-целочисленными переменными.
Желательно знакомство с хотя бы одним пакетом численных методов оптимизации (например, с открытым кодом Ipopt, SCIP, CBC, HiGHS и др., или коммерческих CPLEX, Gurobi, Xpress, ArhiPlex, OptVerse и т.п.).
Базовые знания по классическим методам анализа данных (регрессии, статистические методы анализа, идеи регуляризации) и представление о постановке обратных задач в физике.
Базовые навыки программирования (желательно на Python), знакомство с ОС Линукс.Также приветствуются базовые знания по машинному обучению.
Магистратура: 1 – 2 студента
Бакалавриат: 1 – 2 студента
Навыки студентов:
Базовые знания по теории и численным методам решения задач оптимизации, речь идет как о задачах математического программирования (линейного, квадратичного, с нелинейными гладкими функциями общего вида) с непрерывными переменными, так и задачах с частично-целочисленными переменными.
Желательно знакомство с хотя бы одним пакетом численных методов оптимизации (например, с открытым кодом Ipopt, SCIP, CBC, HiGHS и др., или коммерческих CPLEX, Gurobi, Xpress, ArhiPlex, OptVerse и т.п.).
Базовые знания по классическим методам анализа данных (регрессии, статистические методы анализа, идеи регуляризации) и представление о постановке обратных задач в физике.
Базовые навыки программирования (желательно на Python), знакомство с ОС Линукс.Также приветствуются базовые знания по машинному обучению.
Волошинов Владимир Владимирович
E-mail: vladimir.voloshinov@gmail.com
Контакт для связи