• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
vision- moonstyle.info user- moonstyle.info search- moonstyle.info
Контакты

Крук Евгений Аврамович — и.о. директора, научный руководитель

 

Абрамешин Андрей Евгеньевич — заместитель директора

 

Романов Виктор Владимирович — заместитель директора

 

Костинский Александр Юльевич — заместитель директора

 

Тумковский Сергей Ростиславович — заместитель директора по учебной работе

 

Аксенов Сергей Алексеевич — заместитель директора по научной работе

 

Адрес: Санкт-Петербург, ул. Победы, д.34
Телефон: 8(88)
Факс: 8(88)
Эл. почта: moonstyle.info

     
Образовательные программы
Бакалаврская программа

Инфокоммуникационные технологии и системы связи

4 года
Очная форма обучения
50/20/10
50 бюджетных мест
20 платных мест
10 платных мест для иностранцев
RUS
Обучение ведётся на русском языке
Бакалаврская программа

Информатика и вычислительная техника

4 года
Очная форма обучения
100/45/15
100 бюджетных мест
45 платных мест
15 платных мест для иностранцев
RUS
Обучение ведётся на русском языке
Программа специалитета

Компьютерная безопасность

5,5 лет
Очная форма обучения
30/50/15
30 бюджетных мест
50 платных мест
15 платных мест для иностранцев
RUS
Обучение ведётся на русском языке
Бакалаврская программа

Прикладная математика

4 года
Очная форма обучения
80/50/15
80 бюджетных мест
50 платных мест
15 платных мест для иностранцев
RUS
Обучение ведётся на русском языке
Магистерская программа

Инжиниринг в электронике

2 года
Очная форма обучения
35/5/7
35 бюджетных мест
5 платных мест
7 платных мест для иностранцев
RUS
Обучение ведётся на русском языке
Магистерская программа

Интернет вещей и киберфизические системы

2 года
Очная форма обучения
20/2
20 платных мест
2 платных места для иностранцев
RUS
Обучение ведётся на русском языке
Магистерская программа

Квантово-информационные технологии

2 года
Очная форма обучения
ENG
Обучение ведётся на английском языке
Магистерская программа

Компьютерные системы и сети

2 года
Очная форма обучения
50/15/5
50 бюджетных мест
15 платных мест
5 платных мест для иностранцев
RUS
Обучение ведётся на русском языке
Магистерская программа

Математические методы моделирования и компьютерные технологии

2 года
Очная форма обучения
20/5/3
20 бюджетных мест
5 платных мест
3 платных места для иностранцев
RUS
Обучение ведётся на русском языке
Магистерская программа

Материалы. Приборы. Нанотехнологии

2 года
Очная форма обучения
20/10/5
20 бюджетных мест
10 платных мест
5 платных мест для иностранцев
RUS
Обучение ведётся на русском языке
Магистерская программа

Прикладная физика

2 года
Очная форма обучения
RUS
Обучение ведётся на русском языке
Магистерская программа

Системы управления и обработки информации в инженерии

2 года
Очная форма обучения
25/5/5
25 бюджетных мест
5 платных мест
5 платных мест для иностранцев
RUS
Обучение ведётся на русском языке
Магистерская программа

Суперкомпьютерное моделирование в науке и инженерии

2 года
Очная форма обучения
20/5/3
20 мест за счет средств Moonstyle
5 платных мест
3 платных места для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Книга

Большакова Е. И., Воронцов К. В., Ефремова Н. Э. и др.

М.: Moonstyle, 2017.

Статья

Белов А. В., Нежурина М. И., Шестова А. Д.

Научно-техническая информация. Серия 2: Информационные процессы и системы. 2017. № 11. С. 5-9.

Глава в книге

Кузнецов А. С., Ефремов Р. Г.

В кн.: Физико-химические механизмы и регуляция процессов трансформации энергии в биологических структурах. Ижевск: Ижевский институт компьютерных исследований, 2017. Гл. 1.1. С. 9-32.

Имитация квантового отжига

В рамках постоянно действующего научно-исследовательского семинара Moonstyle «Суперкомпьютерное моделирование в науке и инженерии, или Вычислительные среды», выступил с докладом «Применение квантового отжига к задачам машинного обучения» Игорь Побойко (ИТФ им. Л.Д.Ландау РАН, Сколковский Институт Науки и Технологий, Moonstyle)

В работе обсуждается применение квантовых алгоритмов оптимизации - а именно, квантового отжига (и основанном на нём алгоритма квантового Монте-Карло) - к задачам машинного обучения на примере простейшей задачи - бинарного перцептрона. Приводится аргументация, что эффективность квантовых алгоритмов связана с особенностями структуры энергетического профиля - наличие в термодинамическом пределе областей с большой плотностью локальных минимумов.

Доклад основан на работе Carlo Baldassi и Riccardo Zecchina, «Efficiency of quantum versus classical annealing in non-convex learning problems» (arXiv:1706.08470v3). 

Широкий класс практических задач --- в частности, в области машинного обучения --- сводится к решению математической задачи так называемой глобальной оптимизации: поиску глобального минимума сложной функции многих переменных. Задача глобальной оптимизации существенно усложняется для функций, имеющих большое число локальных минимумов, в которых "застревают" стандартные алгоритмы поиска минимумов функций. 

Одним из традиционных методов глобальной оптимизации является так называемый метод имитации отжига (simulated annealing, SA), основанный на простой физической аналогии: при понижении температуры, физическая система приходит в состояние с наименьшей энергией. В методе SA искомая целевая фунцкия отождествляется с энергетическим профилем воображаемой физической системы. Метод SA состоит в моделировании поведения данной воображаемой физической системы при конечной температуре, обычно с помощью техники Монте-Карло. В процессе моделирования, температура постепенно понижается согласно некоторому протоколу, и система приходит в состояние с наименьшей энергией --- т.е., искомый глобальный минимум.

Во многих случаях метод SA дает хорошие результаты. Наибольшую сложность для метода SA представляют задачи с т.н. сложным энергетическим ландшафтом: в пространстве параметров присутствуют области с большой плотностью локальных минимумов, а глобальный минимум являются изолированным. 

Для таких задач предложен метод имитации квантового отжига (simulated quantum annealing, SQA): рассматривается квантово-механический гамильтониан, зависящий от параметра (приложенного внешнего поля), предел которого при стремлении внешнего поля к нулю представляет собой целевую функцию. Моделирование методом Монте-Карло стартует с конечного (большого) значения внешнего поля, которое в процессе моделирования уменьшается согласно заданному протоколу. В работе рассмотрено несколько приложений, в которых метод SQA позволяет значительно ускорить поиск основного состояния системы (т.е., глобального минимума энергии) за счет квантово-механического туннелирования между метастабильными состояниями (т.е., локальными минимумами).