Вход для сотрудников

Расписание семинаров

Сегодня,

16.30 ч., модуль ИМ СО РАН; Yandex Telemost

Денис Иванович Михайлапов (инженер-исследователь ИМ СО РАН)
Применение Фурье-нейронных операторов (FNO) для прогнозирования стационарного течения в пористых средах.

Аннотация

Прогнозирование стационарного течения жидкости в пористых средах (таких как песчаник) классическими методами вычислительной гидродинамики (CFD) сопряжено с высокими вычислительными затратами. В частности, решение уравнений Навье-Стокса-Бринкмана с помощью метода конечных элементов (FEniCS) занимает около 212 секунд на одну топологию, что делает его непригодным для многократных циклов оптимизации или статистического анализа.

В докладе рассматривается современный альтернативный подход — Фурье-нейронные операторы (Fourier Neural Operator, FNO). В отличие от классических сверточных сетей (U-Net), FNO параметризует оператор решения в частотной области, что обеспечивает свойство mesh-invariance (независимость от разрешения сетки). Это критически важно при работе с КТ-срезами песчаника, имеющими разный масштаб.

На основе методологии статьи Wang et al. (2026) будут продемонстрированы ключевые преимущества FNO: высокая точность (R2=0.998 для канала скорости) и ускорение вычислений до 1000 раз по сравнению с классическим решателем. Отдельное внимание будет уделено нашему собственному эксперименту, в котором исследуются границы применимости метода. В частности, будет показано, что на малых выборках данных классическая U-Net может выигрывать по точности, однако при дообучении (fine-tuning) на новом разрешении FNO демонстрирует лучшую адаптивность, равномерно улучшая все каналы, в то время как U-Net склонен к переобучению. Также будут разобраны архитектурные особенности FNO и роль физически-информированного лосса (Physics-Informed Loss).

Анонсы

18.10 ч., ауд. 344, ИМ

М. Э. Иванов
Пространства вложений и конфигурационные пространства.

АннотацияОдним из подходов к изучению пространств гладких вложений является исчисление Гудвилли–Вейсса. В докладе мы обсудим построение башни Тейлора для пространств вложений и связь с инвариантами узлов.
11.00 ч., ауд. 305, ИМ

Ю. В. Вяткин (Институт искусственного интеллекта МГУ им. М. В. Ломоносова, Москва)
Поиск знаний в латентных пространствах языковых моделей.

АннотацияСовременные большие языковые модели не только умеют отвечать на вопросы, но и формируют сложные внутренние представления понятий, фактов и связей между ними. Исследования последних лет показывают, что анализ этих представлений позволяет обнаруживать знания, которые модели не всегда способны выразить словами, а также иногда выявлять неочевидные закономерности в самих данных. В докладе будет рассмотрено, как исследователи изучают скрытые пространства языковых моделей, что уже удалось обнаружить и насколько перспективно использовать такие модели не только для воспроизведения известных знаний, но и для получения новых.
16.30 ч., к. 417, ИМ

М. А. Гречкосеева, А. С. Кондратьев (Екатеринбург), Наньин Ян (Уси, Китай)
О простых числах, не смежных с 2 в графах простых чисел почти простых групп.

18.10 ч., ауд. 4117, НГУ

Гуань Сюэлинь (Новосибирский государственный университет)
Математическое моделирование и анализ различных режимов течений пуазейлевского типа несжимаемой вязкоупругой полимерной жидкости в рамках модели Покровского-Виноградова.

18.10 ч., новый корпус НГУ, ауд. 5218

П. П. Соколов
Вложение градуированной матричной алгебры в элементарно градуированную матричную алгебру.

14.30 ч., Яндекс Телемост

Павел Стишенко
Оптимизация расписаний для параллельных процессоров при случайных и зависимых длительностях работ.

16.20 ч., ауд. 115, ИМ

Bruno Escoffier (LIP6, Sorbonne)
Resource Leveling for Scheduling Problems

16.20 ч., конф.зал, ИМ

Didem Gözüpek (Turkey)
Packing coloring in graphs.

13.00 ч., Zoom

Сахаров Игорь Александрович (Владивосток)
Почти квазиурбаниковы унары.

Семинары ОФ ИМ СО РАН

Семинары ММЦ в Академгородке

Диссертационные советы SciAct1C-Кабинет сотрудника Важнейшие результаты

Новые публикации

Баратова Л. М., Баженов Н. А.
Обучение замкнутых вниз множеств в частичных порядках по различным типам информации
Сириус. Математический журнал. 2026. Т. 2. № 3. С. 11-19.

Жуков Г. А., Ерзин А. И., Плотников Р. В.
Метод ветвей и отсечений для задачи взвешенной 3-раскраски графа
Дискретный анализ и исследование операций. 2026. Т. 33. № 2. С. 46-63.
DOI: 10.33048/daio.2026.33.848

Романов В. Г., Бугуева Т. В.
Обратная задача для волнового уравнения со степенной нелинейностью и потенциалом, зависящим от пространственной и временной переменных
Математические труды. 2026. Т. 29. № 3. С. 226-254.
DOI: 10.25205/1560-750X-2026-29-3-226-254

Hào D. N., Shishlenin M., Van C. B.
Stable Numerical Solution to Multi-dimensional Nonlinear Inverse Heat Conduction Problems via Artificial Neural Networks
Lobachevskii Journal of Mathematics. 2026. V. 47. N 3. P. 1213-1232.
DOI: 10.1134/s1995080225614705

Buchinskiy I., Kotov M., Treier A.
Problems in algebra inspired by tropical cryptography
Asian-European Journal of Mathematics. 2026. 2630001 :1-28.
DOI: 10.1142/s1793557126300010

Редакционная деятельность

Журналы ИМ СО РАН

Сибирский математический журнал
Сайт журнала | СМЖ в Springer | Полные тексты

Дискретный анализ и исследование операций
Сайт журнала | Полные тексты

Сибирский журнал индустриальной математики
Сайт журнала  |  Полные тексты

Journal of Applied and Industrial Mathematics
Сайт журнала

Сибирские электронные математические известия
Сайт журнала

Свежие номера журналов

Сибирский математический журнал
Том 67, 2026 г., номер 5

Дискретный анализ и исследование операций
Том 33, 2026 г., номер 2

Сибирский журнал индустриальной математики
Том 29, 2026 г., номер 3(107)

Сибирские электронные математические известия
Том 23, 2026 г., номер 2

По результатам оценки результативности научных организаций ФГБУН Институту математики им. С. Л. Соболева Сибирского отделения Российской академии наук присвоена 1 категория.

Список публикаций сотрудников ИМ СО РАН за 2014-2022 гг. (по информации Scopus)

Список публикаций сотрудников ИМ СО РАН за 2014-2022 гг. (Web of Science (Core Collection))