Заседания семинаров
П. П. Соколов
Вложение градуированной матричной алгебры в элементарно градуированную матричную алгебру.
Гуань Сюэлинь (Новосибирский государственный университет)
Математическое моделирование и анализ различных режимов течений пуазейлевского типа несжимаемой вязкоупругой полимерной жидкости в рамках модели Покровского-Виноградова.
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).
Т. В. Васильев
Стабильность доминирования для различных классов графов.
Tonguc Unluyurt (Sabanci University)
A review of the sequential testing problem and its extensions.
Zoom
Юдин Иван Николаевич (ИМ СО РАН)
О представлении самоподобных дендритов $P$-ростками (часть 2).
Аннотация
Всякий самоподобный дендрит $K$ с конечной границей $P$ задает ациклический двудольный отмеченный граф, называемый $P$-ростком. Доказывается, что $P$-росток задает $K$ с точностью до изоморфизма. Получен алгоритм восстановления главного дерева такого дендрита по заданному ростку.Сергей Макогон
Local-MIP: Efficient local search for mixed integer programming. Реферат статьи из журнала Artificial Intelligence 348 (2025).
Бирама Сангаре, В. Г. Бардаков
Constructions and automorphisms of quandles
arXiv:2610.18676 (продолжение).

