Делегация ЮУрГУ приняла участие в XVI Международной конференции «Новые информационные технологии в исследовании сложных структур» (ICAM 2026), проходившей в Москве на площадке Московского института электроники и математики им. А.Н. Тихонова (МИЭМ НИУ ВШЭ) совместно с Томским государственным университетом. ICAM – авторитетное академическое событие с 30-летней историей, традиционно собирающее ведущие научные группы для обмена результатами исследований в области создания и применения автоматизированных и информационных технологий.
В состав делегации вуза вошли сотрудники кафедры прикладной математики и программирования Владимир Сурин, Альфия Сурина, Александра Кащеева и студент 4 курса Александр Фаизов. Ученые представили серию докладов, посвященных прикладному машинному обучению, интеллектуальному анализу данных и автоматизации обработки информации. Эксперты секций отметили высокую практическую значимость и методическую проработку решений, разработанных в ЮУрГУ.
Центральным результатом участия стало признание работы Альфия Суриной и Владимира Сурина. Доклад Альфии Агдамовны на тему «Гибридный метод проверки документов на соответствие ограничительным реестрам: детерминированный поиск с контекстной верификацией языковой моделью» был удостоен диплома I степени. Предложенный подход объединяет детерминированные алгоритмы сопоставления с возможностями больших языковых моделей (LLM), что обеспечивает высокую точность верификации сущностей с учетом контекста и минимизирует число ложных срабатываний при автоматизированной проверке документации.
Отдельный блок докладов был посвящен исследованию, находящемуся на стыке нелинейных дифференциальных уравнений в частных производных (МКЭ-расчеты) и методов машинного обучения. Доклад был встречен аудиторией с большим интересом.
«Научная новизна подхода состоит в том, что вместо стандартной нейросети мы решаем фундаментальную расчетную проблему: мы обошли расходимость численного метода с помощью гомотопии и научились перебирать дефекты без перестроения расчетной сетки. В ходе дискуссии на конференции коллеги дали ценные рекомендации – в частности, учесть джоулев нагрев токовых каналов и опробовать томографическую схему с измерением не только токов, но и потенциалов», – поясняет Альфия Адгамовна.
В рамках конференции обсуждалась и проблематика диагностики варисторов – ключевых защитных элементов электросетей от скачков напряжения и ударов молний.
Варистор представляет собой керамику из миллиардов спрессованных зерен оксида цинка, структура которой неоднородна: по данным исследований, всего 20% зерен могут пропускать до 90% всего тока. Традиционные методы контроля выявляют проблему слишком поздно: стандартная вольт-амперная характеристика измеряет прибор целиком и не фиксирует зарождающийся внутри тонкий токовый шнур, а микроскопический анализ требует распила изделия и его уничтожения. Разрушающему микроструктурному контролю подвергается лишь 1–5% изделий из партии, тогда как остальные 95–99% проверяются по интегральной ВАХ, скрывающей локальные дефекты.
Разрабатываемый инструмент выполняет роль «цифрового микроскопа»: он восстанавливает распределение внутренних полей и локализует скрытые микродефекты без разрушения изделия, только по внешнему отклику на матрице электродов, что позволит проводить проверку 100% варисторов в партии на этапе входного и выходного заводского контроля.
Методологическую основу работы составляет метод конечных элементов (МКЭ), выбранный как наиболее строгий и универсальный инструмент для описания сред со сложной морфологией: в рамках МКЭ пора или пустота формализуется как расчетная область с диэлектрической проницаемостью и нулевой проводимостью, а нелинейный эффект варистора, возникающий на тонких контактных границах зерен (двойные барьеры Шоттки толщиной в единицы нанометров), описывается специальными интерфейсными элементами с нелинейным законом проводимости. Регулярная решетка 3×3×5 послужила базовым полигоном для отработки численного конвейера; каркас МКЭ позволит без смены решателя перейти к случайным трехмерным полиэдрам Вороного, где пористость задается стохастически (случайным образом).
Для обучения диагностической модели применены физически-информированные нейросети (PINN), в которых уравнения электродинамики зашиты непосредственно в функцию потерь, благодаря чему сеть не может выдать решение, нарушающее фундаментальный закон сохранения заряда, – в отличие от классических нейросетей, работающих по принципу «черного ящика» и склонных к физически абсурдным результатам при малых или зашумленных данных.
Проблему дефицита обучающей выборки решила МКЭ-модель в COMSOL, выступившая автоматизированным генератором синтетических пар – «внутренний дефект – поверхностная асимметрия токов»: аналитическая адресация дефекта через пространственную функцию-селектор по индексу n3 позволила сгенерировать датасет из 2835 сценариев без перестроения конечно-элементной сетки, сэкономив недели машинного времени.
По итогам конференции авторам предложено подготовить расширенную версию доклада для публикации статьи в журнале «Нано- и микросистемная техника». Участие в ICAM –2026 позволило ученым ЮУрГУ расширить научные контакты с ведущими исследовательскими школами России в области кибернетики и информатики. Материалы представленных докладов войдут в сборник трудов конференции с индексацией в базе РИНЦ.
Проект реализуется в рамках Грантовой программы В.Б. Христенко «Шаг в будущее». Это программа ежегодной финансовой поддержки программы развития Университета в рамках «Приоритет-2030». Гранты предоставляются на проведение перспективных исследований, формирование кадрового резерва и реализацию уникальных образовательных программ (компонентов), определяющих вектор развития ЮУрГУ и Челябинской области.