Научный дайджест. Выпуск №3丨Обзор достижений научно-исследовательского коллектива Университета МГУ-ППИ в Шеньчжэне

Для демонстрации научных достижений высокого уровня и стимулирования исследовательского энтузиазма среди преподавателей и студентов, Университет МГУ-ППИ в Шеньчжэне запускает специальную ежемесячную рубрику «Научный дайджест» в своем официальном аккаунте. В данной рубрике обозреваются последние научные результаты различных подразделений, что способствует установлению новых академических обменов и взаимному обучению, развитию сотрудничества между университетами, промышленностью и исследовательскими структурами, а также внедрению научно-технических разработок, что в свою очередь способствует устойчивому инновационному развитию научной деятельности университета и достижению новых высот.

В последнее время научно-исследовательский коллектив Университета МГУ-ППИ в Шеньчжэне добилась большого прогресса по ряду направлений, и рада поделиться своими достижениями!

Достижение №1：1Msps 16-битный высокоскоростной, высокоточный и энергоэффективный АЦП последовательного приближения

Отрасль: кластер полупроводников и интегральных схем — проектирование смешанных интегральных схем, чипы аналого-цифровых преобразователей

Описание проекта：

Актуальная проблема：АЦП последовательного приближения требуют всего один компаратор и могут реализовывать многобитное квантование посредством временного мультиплексирования. Его внутренний CDAC не имеет постоянных токовых путей, и вся внутренняя структура АЦП не нуждается в высокоточных аналоговых модулях. В результате АЦП последовательного приближения обладает простой архитектурой, низким энергопотреблением и хорошей масштабируемостью, что позволяет эффективно использовать преимущества технологического прогресса в микроэлектронике. Именно поэтому в последние годы как в научной среде, так и в промышленности наблюдается активное распространение этого типа АЦП.

Зарядовый ЦАП на основе перераспределения заряда (CDAC) является ключевым компонентом АЦП последовательного приближения и определяет такие основные параметры, как тепловой шум, скорость преобразования и нелинейность. Чем больше площадь единичных конденсаторов CDAC, тем меньше тепловой шум, вносимый при выборке входного сигнала; чем лучше согласованы между собой конденсаторы, тем меньше отклонения веса битов от идеальных значений, что повышает линейность преобразования. Однако увеличение площади конденсаторов CDAC, помимо улучшения вышеуказанных характеристик, также приводит к следующим затратам: во-первых, увеличивается общая площадь АЦП последовательного приближения; во-вторых, увеличенная емкость требует больше энергии при зарядке и разрядке, что повышает динамическое энергопотребление; в-третьих, увеличенная емкость замедляет установление выходного напряжения при переключении CDAC, тем самым снижая скорость преобразования АЦП последовательного приближения.

Благодаря проведенному анализу, становится очевидным, что в АЦП последовательного приближения необходимо достигать компромисса между линейностью и скоростью преобразования путём оптимизации размеров конденсаторов CDAC. Основная инженерная сложность в проектировании АЦП последовательного приближения заключается в том, как обеспечить увеличение скорости преобразования без ухудшения линейности.

Решение проблемы：

Для решения проблем при проектировании АЦП последовательного приближения коллектив проекта предложил цифровое решение, основанное на LMS-алгоритме фоновой калибровки, позволяющее в реальном времени корректировать весовые коэффициенты квантования в АЦП последовательного приближения. Это позволяет не только использовать минимально возможную площадь единичных конденсаторов при проектировании, но и в режиме реального времени компенсировать температурные изменения, изменения нагрузки на корпус и другие факторы, вызывающие отклонения параметров. При этом данная система калибровки не требует внешнего сигнала высокой точности или использования эталонного АЦП с улучшенными характеристиками, что делает её высокоэффективным и бюджетным решением.

В данном проекте на аналоговый вход АЦП последовательного приближения вводится псевдослучайный возмущающий кодовый поток. После оцифровки этот результат преобразуется в десятичное значение и из него вычитается соответствующее значение вводимого возмущения. Далее полученная разность подвергается корреляционной обработке с исходным псевдослучайным кодом. Если при обратном преобразовании использованные весовые коэффициенты суммирования точно соответствуют реальным битовым весам АЦП последовательного приближения, то аналоговое возмущение устраняется, а результат корреляции стремится к нулю; в противном случае результат корреляции отличается от нуля и пропорционален ошибке в весовых коэффициентах. Это значение корреляции используется как входной сигнал для алгоритма LMS, на основе которого в реальном времени производится корректировка весов битов АЦП последовательного приближения. Подбирая подходящий шаг итерации, можно точно вычислить отклонения весов, вызванные несогласованностью емкостей, и тем самым компенсировать и устранить нелинейность преобразования.

Анализ конкурентных преимуществ：

Калибровка нелинейности АЦП последовательного приближения может проводиться перед началом работы и в процессе работы. Калибровка перед началом работы требует проведения специальных тестов с использованием специализированных сигналов и оборудования до начала нормальной работы АЦП, а также либо лазерной подстройки чипа, либо хранения коэффициентов в памяти, что увеличивает стоимость тестирования и упаковки. Калибровка в процессе работы не требует дополнительных процедур, не влияет на нормальную работу АЦП, экономична и обладает возможностью компенсации в реальном времени, хотя её реализация более технически сложна.

По методу реализации калибровка может быть аналоговой и цифровой. Аналоговая требует специальных калибровочных цепей и выполняется в определённые моменты времени, что может нарушить нормальный режим работы АЦП и снизить его скорость преобразования. Цифровая калибровка полностью реализуется в цифровом домене, не требует выделенных временных окон, и позволяет осуществлять полноценную калибровку без ущерба для производительности.

Перспективы рыночного применения：

С ростом осведомлённости общества в вопросах здоровья, медицинская диагностика постепенно входит в повседневную жизнь населения. Электронные медицинские устройства, вероятно, станут новым двигателем роста полупроводниковой промышленности после таких направлений, как беспроводная связь, облачные вычисления и Интернет вещей. Тенденцией будущего является миниатюризация и интеллектуализация медицинской техники. В современных медицинских приборах, таких как цифровые рентгеновские аппараты и системы магнитно-резонансной томографии, к АЦП предъявляются крайне высокие требования: высокая точность (более 16 бит), широкий динамический диапазон без паразитных составляющих (SFDR), а также высокая линейность. Для снижения количества смешивающихся каналов необходимо максимально увеличить частоту дискретизации одноканального АЦП, как правило, от нескольких сотен кГц до нескольких МГц. При этом энергопотребление должно оставаться минимальным.

Этим требованиям чаще всего соответствует архитектура SAR АЦП. Крупные зарубежные производители, такие как ADI и TI, уже вывели на рынок серию высокоточных SAR АЦП. Также и в зарубежной академической среде достигнуты определённые научные результаты в области высокопроизводительных АЦП последовательного приближения. В Китае как академические, так и промышленные исследования в этой области стартовали позднее, и по опыту и технической базе пока уступают зарубежным аналогам. Поэтому разработанный в рамках настоящего проекта высокоточный, энергоэффективный АЦП последовательного приближения с функцией цифровой калибровки имеет большой потенциал применения в медицинской электронике, аналоговых входных модулях программируемых логических контроллеров (PLC) с изолированными каналами, контрольно-измерительной аппаратуре, а также в системах мониторинга аккумуляторных батарей.

План коммерциализации：

Предусматривается внедрение технологии путём лицензирования интеллектуальной собственности или единовременного выкупа.

Статус интеллектуальной собственности：

Полностью независимые права интеллектуальной собственности.

Потребности в сотрудничестве：

На первом этапе планируется установить контакты с системными интеграторами и компаниями по проектированию микросхем, заинтересованными в высокоточных АЦП и лицензионном использовании, с последующим заключением договоров на внедрение технологии по модели лицензирования или единовременного выкупа.

О коллективе：

Исследовательская группа под руководством профессора инженерного факультета - Гэ Биньцзе, специализируется на разработке высокопроизводительных АЦП-чипов, включая высокоскоростные, высокоточные и энергоэффективные АЦП последовательного приближения для прикладных сигнальных цепей, а также высокоточные сигма-дельта АЦП.

Достижение №2: Методы, система, терминальное устройство и носитель данных для сегментации изображений на основе параллельной сетевой архитектуры и динамического объединения

Отрасль: кластер высокотехнологичного медицинского оборудования — интеллектуальная медицина на базе ИИ

Описание проекта:

Актуальные проблемы:

Нехватка мульти-модальных данных: В клинической практике часто наблюдается отсутствие отдельных последовательностей МРТ (T1, T1ce, T2, FLAIR) из-за различий в протоколах сканирования, технических сбоев оборудования или слабого взаимодействия с пациентами. Отсутствие части входных данных приводит к резкому снижению точности традиционных моделей глубокого обучения.

Баланс между локальными и глобальными признаками: Свёрточные нейронные сети (CNN) эффективно извлекают локальные текстурные признаки, но слабо справляются с определением зависимостей на больших расстояниях. Напротив, архитектуры типа Transformer хорошо работают в глобальном контексте, но требуют слишком много вычислительных ресурсов при обработке трёхмерных медицинских изображений, что делает их малопригодными для данных с высоким разрешением.

Слабая количественная оценка неопределённости: В большинстве существующих методов используется дивергенция Кульбака — Лейблера для измерения различий между распределениями, однако данный метод не обеспечивает достаточную устойчивость к шуму и отсутствию данных, что может привести к переобучению или недообучению моделей.

Ограниченная обобщающая способность моделей: Существующие решения, как правило, обучаются на фиксированных наборах последовательностей и не способны гибко адаптироваться к произвольным схемам с отсутствующими данными, поскольку в них отсутствует механизм динамической настройки.

Предлагаемое решение:

Параллельная архитектура на базе состояний Mamba: Внедрение высокоэффективной структурированной модели пространств состояний Mamba (SSM) в параллельные каналы архитектуры U-Net. Посредством пространственной свертки с управлением (GSC) реализуется извлечение локальных признаков на разных масштабах, тогда как модули состояния обеспечивают моделирование глобальных зависимостей.

Дистилляция знаний на основе информационных критериев: Использование дивергенции Гёльдера на базе распределения Дирихле для точного измерения расхождений между прогнозируемым м и истинным распределениями. Максимизация взаимной информации между полными и неполными последовательностями позволяет усилить полноту латентных представлений и улучшить качество реконструкции.

Механизм динамического обмена (DS): Динамическая настройка параметров сети и весов объединения в зависимости от доступных последовательностей. Это исключает необходимость обучения отдельной модели для каждого возможного варианта отсутствия данных и обеспечивает универсальное, гибкое решение для работы в условиях отсутствия произвольных данных.

Теоретическое обоснование: Разработаны и доказаны три фундаментальных теоремы, касающиеся устойчивости, надёжности и способности к объединению последовательностей модуля Mamba в условиях отсутствующих данных. Эти теоремы служат математической основой для сходимости и надежности предложенного метода.

Рисунок 1.

Универсальная архитектура сегментации МРТ с неполными последовательностями на основе моделирования в пространстве состояний Mamba и информационно-теоретических критериев.

Предложенный метод обеспечивает устойчивую сегментацию при отсутствии отдельных последовательностей МРТ за счёт комбинирования механизма переноса знаний, усиленного взаимной информацией, и дивергенции Гёльдера, обусловленной распределением Дирихле.

Рисунок 2.

Визуализация результатов сегментации медицинских изображений, полученных с использованием предлагаемого алгоритма.

Анализ конкурентных преимуществ

Вычислительная эффективность:

По сравнению с ресурсоемкими моделями типа Transformer, полностью параллельная архитектура Mamba SSM использует только линейные сверточные операции, что существенно снижает затраты на вычисления и память.

Высокая надёжность:

Благодаря применению методов дистилляции знаний на основе дивергенции Гёльдера и ограничений взаимной информации, модель демонстрирует высокую устойчивость к шумам и отсутствию данных. На датасетах BraTS и CHAOS было достигнуто среднее улучшение показателя DSC примерно на 5%.

Высокая адаптивность:

Однократное обучение обеспечивает универсальность модели для любых комбинаций последовательностей, исключая необходимость многократной донастройки под каждый случай отсутствующих данных, что значительно упрощает развертывание и снижает издержки на обслуживание.

Теоретическая обоснованность:

Сходимость и стабильность ключевых модулей доказаны в форме строгих теорем, что соответствует строгим требованиям в области интерпретируемости и надежности, предъявляемым к системам медицинской визуализации.

Подтверждение за счет открытого кода:

Исходный код опубликован на GitHub, что обеспечивает удобство для повторного использования и вторичной разработки.

Рыночные перспективы применения

Точная диагностика опухолей:

Решение может быть интегрировано в системы планирования нейрохирургических вмешательств и лучевой терапии, обеспечивая высокоточное сегментирование очагов даже при отсутствии отдельных последовательностей.

Сегментация органов брюшной полости:

Решение показало выдающиеся результаты в задачах сегментации печени, почек и селезёнки на мульти-модальных датасетах, таких как CHAOS, что открывает перспективы для автоматизированной маркировки нескольких органов и предоперационной оценки.

Платформа мультимодального слияния:

Может быть масштабирована для объединения данных КТ, ПЭТ и других методов визуализации, платформа может предоставить базовые компоненты для умной медицины, теледиагностики и облачных сервисов анализа изображений с помощью ИИ.

Возможности коммерциализации:

На фоне стремительного роста рынка ИИ в медицинской визуализации, технология обладает конкурентными преимуществами в эффективности алгоритмов, гибкости развертывания и количественной оценки, что открывает возможность для внедрения в промышленность.

План развития

Предусматривается внедрение технологии через создание совместных предприятий или лицензирования. Предлагается позиционировать данную технологию в качестве базового компонента интеллектуальных систем здравоохранения, теледиагностики и облачных платформ медицинского ИИ, с целью внедрения в сферы с высоким спросом, что поспособствует развитию отрасли и охране здоровья населения.

Статус интеллектуальной собственности

Изобретатели: Чэн Жуньцзэ, Ли Чунь и др.

Заявка/патент №: 202510429723.1

Название: Методы, система, терминальное устройство и носитель данных для сегментации изображений на основе параллельной сетевой архитектуры и динамического объединения.

Требования к партнерам

К сотрудничеству приглашаются медицинские учреждения, центры визуализации, коллективы по разработке алгоритмов ИИ, интеграторов ПО и инвестиционные организации для совместного продвижения технологии сегментации МРТ с отсутствующими последовательностями. Обязанности сторон: клинические учреждения предоставляют мультимодальные MRI-данные и отзывы пользователей; коллективы по разработке алгоритмов ИИ и системные интеграторы совместно оптимизируют легкость модели, ускоряют вывод и обеспечивают интеграцию с HIS/PACS; инвесторы поддерживают регистрацию, сертификацию и рыночное продвижение; отраслевые альянсы участвуют в стандартизации; облачные провайдеры обеспечивают эластичные вычисления и безопасность данных.

Совместно мы создадим эффективное и надежное ИИ-решение для медицинской визуализации, приносящее пользу пациентам и медицинским работникам.

Представление коллектива

Коллектив под руководством Ли Чуня работает при Объединенном исследовательском центре прикладной математики Университета МГУ-ППИ в Шеньчжэне. Основные направления — медицинский анализ изображений, компьютерное зрение и генеративные модели глубокого обучения (включая GAN, VAE и диффузионные модели), соблюдая баланс между фундаментальными и практическими исследованиями. В последние годы коллектив возглавлял и участвовал в ряде научных проектов: Национального фонда естественных наук КНР, провинции Гуандун, а также программу поддержки высших учебных заведений Шэньчжэня.

Результаты: около 20 статей были опубликованы в ведущих международных изданиях и на конференциях (IEEE TIP, TMM, JBHI, ICME и др.); был подан ряд заявок и получены несколько патентов в области реконструкции 3D-изображений из разреженных проекций, сегментации с отсутствующими последовательностями, многозадачной обратной визуализации.

Коллектив компетентен в области разработки алгоритмов и нацелен на внедрение передовых технологий ИИ в надежные системы для анализа медицинских изображений для интеллектуального здравоохранения и теледиагностики.

Достижение №3: Методы, системы, терминал и носители информации для реконструкции изображений на основе гибридной сетевой архитектуры

Отрасль: кластер высокотехнологичного медицинского оборудования — искусственный интеллект и компьютерное зрение

Описание проекта

Актуальные проблемы:

Внутренняя сложность обратных задач: В вычислительной физике и науке об изображениях обратные задачи (например, определение положения источника по данным рассеянного поля или восстановление исходного изображения из поврежденного) изначально поставлены некорректно. Это означает, что решение может быть неоднозначным, нестабильным и крайне чувствительным к шуму и разреженности входных данных. Традиционные численные методы демонстрируют резкое снижение точности и эффективности при решении нелинейных задач, задач с множественными источниками или низким качеством данных.

Ограничения существующих методов глубокого обучения: Несмотря на большие успехи глубокого обучения в различных областях, при прямом применении к сложным физическим обратным задачам возникают значительные трудности. Например, стандартные модели ИИ слабо интегрируют физические законы в качестве ограничений, что приводит к физически некорректным результатам. Даже такие мощные операторы, как DeepONet, в процессе обучения могут сталкиваться с проблемами медленной сходимости, высокой вычислительной нагрузки и переобучения на разреженных или зашумленных данных.

Проблема интеграции физических ограничений и подходов, основанных на данных: Одной из ключевых задач остается эффективная интеграция физически обоснованных априорных знаний (например, уравнений Навье — Стокса) с обучением, основанным на данных. Подход сфокусированный исключительно на данных требует большого объема высококачественных данных, тогда как чисто физические модели с трудом применимы к сложным реальным кейсам. Современные методы зачастую недостаточно глубоко сочетают оба подхода, что ограничивает обобщающую способность и устойчивость моделей.

Решение

В рамках данного исследования разработана инновационная гибридная архитектура, сочетающая сеть операторного обучения DeepONet и нейронное тангенциальное ядро (NTK), что позволяет эффективно и устойчиво решать сложные обратные задачи.

Ключевая архитектура — DeepONet: В качестве ядра применяется архитектура DeepONet, способная обучать нелинейные операторы, отображающие входные функциональные пространства в выходные. Ее уникальная структура нейросети - «ветви и ствол», позволяет эффективно декомпозировать различные аспекты входной функции и захватывать сложные зависимости между функциями.

Оптимизация динамики обучения — интеграция нейронного тангенциального ядра

В рамках данного подхода теоретическая модель нейронного тангенциального ядра (NTK) творчески интегрирована в процесс обучения. Нейронное тангенциальное ядро позволяет на теоретическом уровне анализировать и прогнозировать динамику обучения нейронных сетей. За счёт мониторинга и использования спектральных свойств нейронного тангенциального ядра, предлагаемая архитектура обладает следующими особенностями:

·a) Стабилизация обучения: Линеаризация динамики градиентного спуска предотвращает исчезновение или взрыв градиентов, обеспечивая стабильную сходимость модели.

·b) Ускоренная сходимость: Адаптивная настройка скорости обучения с учётом спектральных характеристик нейронного тангенциального ядра позволяет находить оптимальные траектории сходимости.

·c) Улучшенная обобщающая способность: Контроль за сложностью модели позволяет снизить риск переобучения при работе с разреженными или зашумленными данными.

Дизайн гибридной функции потерь

Разработана комплексная функция потерь, тесно интегрирующая данные и физические ограничения:

·Потери решений на основе данных: Обеспечивает соответствие выходных результатов модели фактическим наблюдаемым данным.

·Физические потери данных: Использует уравнения физики (например, уравнения Навье — Стокса) в качестве мягких ограничений, ограничивая решения, нарушающие физические закономерности.

·Потери восприятия: В задачах реконструкции изображений применяется предварительно обученная сеть (например, VGG) для извлечения высокоуровневых семантических признаков, что обеспечивает визуально более естественные и чёткие результаты реконструкции.

Рисунок 1:

Детализированная схема гибридной архитектуры DeepONet-NTK, демонстрирующая полный процесс — от подачи входных данных и извлечения признаков до оптимизации с поддержкой нейронного тангенциального ядра и расчёта комбинированной функции потерь.

Анализ конкурентных преимуществ

·Выдающаяся производительность и высокая точность: Результаты экспериментов показывают, что как в задачах локализации источников, управляемых уравнениями Навье — Стокса, так и в стандартных задачах реконструкции изображений (например, CIFAR-10/100, MNIST). Представленная архитектура существенно превосходит существующие базовые модели (такие как VAE, VQ-VAE, DDPM и др.).

Количественные показатели (например, пиковое отношение сигнал/шум и структурное сходство), а также качественные визуальные результаты демонстрируют превосходную точность архитектуры и способность восстанавливать мелкие детали.

Рисунок 2: Сравнительное изображение из статьи (Рис. 4)

На рисунке 2 показаны результаты сравнения качества реконструкции изображений на нескольких наборах данных. Изображения, сгенерированные предлагаемым методом, значительно превосходят альтернативные подходы по таким критериям, как четкость, сохранение мелких деталей и подавление артефактов.

Повышенная устойчивость и широкое применение

Благодаря интеграции нейронного тангенциального ядра и физических ограничений, модель обладает высокой устойчивостью к шуму и разреженным данным. Она эффективно решает задачи не только в идеальных условиях, но и в реальных сценариях с ограниченным объемом или низким качеством данных, обеспечивая надежные результаты.

Разработанная архитектура демонстрирует высокую универсальность и уже успешно прошла валидацию в двух принципиально разных областях — гидродинамике и компьютерном зрении, что подчеркивает её огромный потенциал как универсального решения для обратных задач.

Рисунок 3: Результаты решения обратной задачи Навье — Стокса.

На изображении показано, что предсказанное моделью положение источника (отмечено красным) практически полностью совпадает с его реальным положением (отмечено синим), что свидетельствует о высокой точности модели в условиях сложных физических полей.

Эффективность и стабильность обучения

Интеграция теории нейронного тангенциального ядра (NTK) позволила преодолеть традиционные проблемы операторных сетей, такие как сложность обучения и медленная сходимость. Нейронное тангенциальное ядро обеспечивает теоретическую основу и возможности оптимизации процесса обучения, благодаря чему модель достигает оптимального состояния быстрее и стабильнее. Это снижает зависимость от вычислительных ресурсов и тонкой настройки параметров, что облегчает инженерную реализацию и внедрение.

Высокая физическая интерпретируемость

В отличие от моделей «чёрных ящиков», данный фреймворк внедряет физические законы в архитектуру модели с помощью функции потерь, основанной на физической информации. В результате выходные данные модели являются не только численно точными, но и физически обоснованными и достоверными. Это особенно важно для таких областей, как медицина, научные исследования и инженерия, где критически важны безопасность и надёжность.

Потенциал практического применения в анализе медицинских изображений

Быстрая реконструкция МРТ/КТ: Высококачественная и быстрая реконструкция медицинских изображений по неполным данным из k-пространства. Данная система позволяет сократить время сканирования, уменьшить артефакты движения и повысить комфорт пациента.

Удаление шума и улучшение качества изображений: Повышение качества изображений, полученных при низкой дозе облучения, за счёт эффективной фильтрации шума без потери диагностически значимой информации.

Локализация функциональных источников сигналов: Более точное определение источников нейронной активности в мозге при использовании магнитоэнцефалографии (MEG) или электроэнцефалографии (EEG).

Потенциал практического применения в промышленности и инженерии

Неразрушающий контроль (NDT): Точная локализация трещин, дефектов и других внутренних повреждений материалов на основе рассеянных ультразвуковых или электромагнитных сигналов. Применимо в авиации, энергетике и контроле трубопроводов.

Вычислительная гидродинамика (CFD): Обратный анализ силовых источников или граничных условий в потоке на основе ограниченных наблюдаемых данных — используется при проектировании летательных аппаратов, метеорологии и других областях для оптимизации расчётов и прогнозов.

Потенциал практического применения в геофизике и мониторинге окружающей среды

Локализация источников землетрясений: Быстрое и точное восстановление местоположения, глубины и магнитуды сейсмической активности по данным наземных станций.

Отслеживание источников загрязнения: Определение местоположения и скорости выброса загрязняющих веществ в атмосфере или водных объектах на основе разреженных данных о концентрации.

Потенциал практического применения в потребительском секторе

Восстановление изображений и видео: Разработка высокоэффективных алгоритмов восстановления старых фотографий, удаления мозаики, повышения разрешения видео и других функций, улучшающих качество цифрового медиа-контента для конечного пользователя.

План развития

Внедрение технологии планируется с помощью лицензирования, создания совместных предприятий или независимого коммерческого внедрения, с целью продвижения данного фреймворка как движка нового поколения — базового алгоритмического ядра. В первую очередь мы ориентируемся на прикладные области с высоким спросом, включая быструю реконструкцию медицинских изображений, промышленный неразрушающий контроль, вычислительную гидродинамику и геофизическую разведку. Для этих сфер мы предлагаем точные, устойчивые и физически обоснованные решения. В долгосрочной перспективе мы стремимся создать универсальную, высокоэффективную облачную платформу для решения обратных задач, которая будет способствовать научным исследованиям и промышленным инновациям, а также решать ключевые задачи «обратного проектирования» и восстановления данных, актуальные для многих отраслей.

Статус интеллектуальной собственности: Фан Юхао, Ли Чун и др.

Заявка/Патент №: 2025104458178

Наименование изобретения: Методы, системы, терминал и носители информации для реконструкции изображений на основе гибридной сетевой архитектуры.

Требования к партнерам

К сотрудничеству приглашаются производители медицинского оборудования, предприятия неразрушающего контроля, геофизические сервисные компании, коллективы разработчиков ИИ-алгоритмов, системные интеграторы программного обеспечения и инвестиционные организации.

Совместно с партнёрами мы стремимся ускорить индустриализацию и масштабное применение гибридного фреймворка для решения обратных задач.

Обязанности сторон: отраслевые партнёры — предоставляют реалистичные и технически сложные задачи обратного анализа и соответствующие датасеты (например, недискретизированные медицинские изображения, сигналы рассеяния в инженерных системах) для проверки и оптимизации моделей; коллективы разработчиков ИИ-алгоритмов и системные интеграторы — приглашаются к совместной работе над упрощением моделей, ускорением их внедрения и интеграции с существующими рабочими процессами; инвестиционные фонды и стратегических партнёров — приглашаются к поддержке разработки технологий, выводу продукта на рынок и масштабированию бизнеса, включая стратегические ресурсы и финансирование.

Наша цель — объединить усилия партнёров для создания кросс-дисциплинарного, надёжного и высокоэффективного решения в области вычислительной физики и интеллектуальной визуализации, которое способно преодолеть критические технологические барьеры и служить интересам высокоточного производства, персонализированной медицины и энергетической безопасности.

Информация о коллективе

Коллектив Ли Чуна работает при Объединенном исследовательском центре прикладной математики Университета МГУ-ППИ в Шеньчжэне. Научная группа специализируется на медицинском анализе изображений, компьютерном зрении и генеративных моделях глубокого обучения (включая GAN, VAE и диффузионные модели), соблюдая баланс между фундаментальными и практическими исследованиями.

В последние годы коллектив возглавлял и участвовал в ряде научных проектов: Национального фонда естественных наук КНР, провинции Гуандун, а также программу поддержки высших учебных заведений Шэньчжэня.

Результаты: около 20 статей были опубликованы в ведущих международных изданиях и на конференциях (IEEE TIP, TMM, JBHI, ICME и др.); был подан ряд заявок и получены несколько патентов в области реконструкции 3D-изображений из разреженных проекций, сегментации с отсутствующими последовательностями, многозадачной обратной визуализации.

Коллектив компетентен в области разработки алгоритмов и нацелен на внедрение передовых технологий ИИ в надежные системы для анализа медицинских изображений для интеллектуального здравоохранения и теледиагностики.

Достижение №4: Внутриклеточная агрегация экзогенных молекул и её применение в биомедицине

Недавно доцент факультета наук о материалах Университета МГУ-ППИ в Шеньчжэне Ван Хаожань опубликовал обзорную статью под названием “Intracellular aggregation of exogenous molecules for biomedical applications” («Внутриклеточная агрегация экзогенных молекул и её биомедицинские приложения») в авторитетном международном научном журнале Chemical Society Reviews (DOI: 10.1039/d5cs00141b).

В статье раскрываются механизмы агрегации экзогенных молекул внутри клеток, что открывает новые перспективы для лечения онкологических заболеваний и разработки высокоточной биомедицинской визуализации. Работа закладывает научную основу для дальнейшего применения этих процессов в терапии и диагностике, особенно в контексте таргетированной доставки препаратов и молекулярного трекинга.

Доцент Ван Хаожань выступил в качестве автора-корреспондента и соавтора. В числе соавторов также значатся академик Тан Бэньчжун (Китайский университет Гонконга, Шэньчжэнь), профессор Сюй Ваньхай (Харбинский медицинский университет) и профессор Чэн Дунбин (Уханьский технологический университет), которые также являются ответственными соавторами статьи.

Подробная информация: https://mp.weixin.qq.com/s/Ay2nxA77hEr1gipz_CtWAQ

Достижение №5: Правовая логика, проблемы и пути совершенствования кредитного управления на платформах электронной коммерции в Китае

Недавно в ведущем российском юридическом журнале «Правоведение» (№ 1, 2025 г.) была опубликована совместная научная статья преподавателя Российско-китайского центра сравнительного правоведения Ян Тяньфана и преподавателя Юридического факультета Университета Внутренней Монголии Го Юя. Работа под заголовком «Правовая логика, проблемы и пути совершенствования кредитного управления на платформах электронной коммерции в Китае» была опубликована пятой по счёту в данном выпуске журнала.

Статья посвящена исследованию правовых механизмов управления доверием и кредитной системой на китайских платформах электронной коммерции. В ней проанализированы существующие нормативные и институциональные проблемы, затрудняющие реализацию эффективного контроля за недобросовестным поведением субъектов электронной торговли. Авторы предлагают комплексный путь правового совершенствования, охватывающий как государственное регулирование, так и самостоятельную регуляцию платформ.

Преподаватель Ян Тяньфан выступил в качестве первого соавтора и автора-корреспондента статьи.

Подробная информация: https://mp.weixin.qq.com/s/DSRfU47zfYCnbqCdy6EjTA

Достижение №6: Управление химическим связыванием в смешанных галогенидных перовскитах на основе FA для создания стабильных и высокоэффективных солнечных элементов

Недавно коллектив прикладной нанофотоники факультета наук о материалах Университета МГУ-ППИ в Шеньчжэне под руководством доцента Лю На добился значительных научных результатов в области перовскитных солнечных элементов.

Соответствующие результаты были опубликованы в ведущих международных научных изданиях в области материаловедения:

·Advanced Energy Materials

·Energy Material Advances

Подробная информация: https://mp.weixin.qq.com/s/VU3k9s5Mrpxj6Xf03CQqDg

Достижение №7: Глобальное понимание посредством локального извлечения для кластеризации и визуализации данных

Недавно профессор Чжан Чжэньюэ с факультета вычислительной математики и кибернетики Университета МГУ-ППИ в Шеньчжэне добился значительного научного прогресса. Его научная статья под названием «Global understanding via local extraction for data clustering and visualization» («Глобальное понимание посредством локального извлечения для кластеризации и визуализации данных»), в которой он выступает первым автором, а университет — первой публикующей организации, была опубликована в ведущем международном академическом журнале Patterns (входит в издательскую группу CELL Press).

Данное исследование направлено на решение задач кластеризации и визуализации сложных неразмеченных данных. В нём предлагается концептуальный фреймворк под названием GULE (Global Understanding via Local Extraction — глобальное понимание через локальное извлечение), которая объединяет: локальное извлечение с классовой согласованностью, глобальное распространение информации, а также самообучение.

Данный подход обеспечивает высокоточную кластеризацию (например, для идентификации типов клеток на основе данных секвенирования РНК) и визуализацию с сохранением топологической структуры. Результаты исследования открывают новые инструменты для таких областей, как биомедицина, и способствуют выявлению скрытых закономерностей в многодисциплинарных наборах данных.