Differences

This shows you the differences between two versions of the page.

--- dlcp2025:schedule [02/07/2025 08:36] – [Section 1. Machine Learning in Fundamental Physics] admin
+++ dlcp2025:schedule [03/07/2025 09:53] (current) – [Section 2. Machine Learning for Environmental Sciences] admin
@@ Line 11: / Line 11: @@
 ^^ Time ^ Title ^ Reporter ||
-^^11:00-11:45  ^ Welcome coffee  |  ||
+^^11:00-11:45  ^ Welcome coffee & Rigistration |  ||
 ^^11:45-12:00  ^Открытие конференции|Директор НИИЯФ МГУ, чл.-корр. РАН Э.Э.Боос ||
 ||12:00-12:15  |36. {{ :dlcp2025:zotov-dlcp.pdf |Реконструкция энергии космических лучей ультравысоких энергий, зарегистрированных флуоресцентным телескопом: одного такта времени может быть достаточно}}| М.Ю. Зотов||
-||12:15-12:30  |*40. Фильтрация ложных максимумов ШАЛ с помощью нейросетевых методов в эксперименте СФЕРА-3|Энтина Е.Л.||
+||12:15-12:30  |*40. {{ :dlcp2025:entina-dlcp.pdf |Фильтрация ложных максимумов ШАЛ с помощью нейросетевых методов в эксперименте СФЕРА-3}}|Энтина Е.Л.||
 ||12:30-12:45  |*71. {{ :dlcp2025:фитагдинов_dlcp.pdf |Использование нейронного автокодировщика для генерации показаний поверхностных детекторов Telescope Array}}|Фитагдинов Р.Р.||
 ||12:45-13:00  |52. {{ :dlcp2025:omelianchuk-dlcp.pdf |Графовая нейронная сеть с механизмом внимания для кластеризации треков частиц по событиям в эксперименте SPD на ускорителе NICA}}|Омелянчук С.С.||
 ||13:00-13:15  |69. {{ :dlcp2025:chistiakov-dlcp.pdf |Machine Learning Approach for Lattice Quantum Field Theory Calculations}}|Vsevolod Chistiakov||
-||13:15-13:30  |75. Нейросетевое моделирование оптических солитонов, описываемых обобщённым нелинейным уравнением Шредингера шестого порядка с высокой нелинейностью|Молошников Иван||
+||13:15-13:30  |75. {{ :dlcp2025:moloshnikov-dlcp.pdf |Нейросетевое моделирование оптических солитонов, описываемых обобщённым нелинейным уравнением Шредингера шестого порядка с высокой нелинейностью}}|Молошников Иван||
 ^^13:30-14:45  ^LUNCH|  ||
 ||14:45-15:00  |42. {{ :dlcp2025:kryukov-dlcp.pdf |Возможность применения метода нормализующих потоков для  извлечения редких гамма событий в эксперименте TAIGA}}|А.Крюков||
 ||15:00-15:15  |41. SBI в задачах анализа динамических изображений многоканального детектора|Сараев Р.Е.||
-||15:15-15:30  |76. Simulation of trawl processes using SINN architectures|Belkova Kseniia||
+||15:15-15:30  |76. {{ :dlcp2025:belkova-dlcp.pdf |Simulation of trawl processes using SINN architectures}}|Belkova Kseniia||
-||15:30-15:45  |*39. ML-Based Optimum Sub-system Size Heuristic for the GPU Implementation of the Tridiagonal Partition Method|Milena Veneva||
+||15:30-15:45  |*39. {{ :dlcp2025:veneva-dlcp.pdf |ML-Based Optimum Sub-system Size Heuristic for the GPU Implementation of the Tridiagonal Partition Method}}|Milena Veneva||
-||15:45-16:00  |44. Natural Image Classification via Quasi-Cyclic Graph Ensembles and Random-Bond Ising Models with Enhanced Nishimori Temperature Estimation|V.S.Usatyuk||
+||15:45-16:00  |44. {{ :dlcp2025:usatyuk-dlcp.pdf |Natural Image Classification via Quasi-Cyclic Graph Ensembles and Random-Bond Ising Models with Enhanced Nishimori Temperature Estimation}}|V.S.Usatyuk||
 ^^16:00-16:45  ^COFFEE BREAK|  ||
 ||16:45-17:00  |43. {{ :dlcp2025:dubenskaya-dlcp.pdf |Analysis of the TAIGA-HiSCORE Data using the Latent Space of Autoencoders}}|Yu. Dubenskaya||
-||17:00-17:15  |63. Применение сетей Колмогорова-Арнольда для решения обратной задачи спектроскопии при создании мультимодального наносенсора ионов металлов на основе углеродных точек|Г.А.Куприянов||
+||17:00-17:15  |63. {{ :dlcp2025:kupriyanov-dlcp.pdf |Применение сетей Колмогорова-Арнольда для решения обратной задачи спектроскопии при создании мультимодального наносенсора ионов металлов на основе углеродных точек}}|Г.А.Куприянов||
-||17:15-17:30  |*81. Проблема аугментация данных атмосферных черенковских телескопов в стерео режиме на примере установки TAIGA-IACT|Д.Журов||
+||17:15-17:30  |*81. {{ :dlcp2025:zhurov-dlcp-v2.pdf |Проблема аугментация данных атмосферных черенковских телескопов в стерео режиме на примере установки TAIGA-IACT}}|Д.Журов||
@@ Line 34: / Line 34: @@
 ===== Section 2. Machine Learning for Environmental Sciences =====
-<color /orange>**July 3, 2025. ИО РАН **</color>
+<color /orange>**July 3, 2025. [[place#institute_of_oceanology|ИО РАН]] **</color>
 ^^ Time ^ Title ^ Reporter ||
-||10:00-10:15  |90. Модель машинного обучения для прогнозирования вентиляторных порогов|Минкин А.С.||
+||10:00-10:15  |90. {{ :dlcp2025:minkin-dlcp.pdf |Модель машинного обучения для прогнозирования вентиляторных порогов}}|Минкин А.С.||
-||10:15-10:30  |67. Доменная адаптация нейронных сетей в задаче диагностики  природных вод по спектрам комбинационного рассеяния света|Л.С.Утегенова||
+||10:15-10:30  |67. {{ :dlcp2025:utegenova-dlcp.pdf |Доменная адаптация нейронных сетей в задаче диагностики  природных вод по спектрам комбинационного рассеяния света}}|Л.С.Утегенова||
-||10:30-10:45  |*55. Enhancing the Quality of Kp Index Machine Learning Forecasting Using Higher-Frequency Data and Feature Transformations|I.M.Gadzhiev||
+||10:30-10:45  |*55. {{ :dlcp2025:gadzhiev-dlcp.pdf |Enhancing the Quality of Kp Index Machine Learning Forecasting Using Higher-Frequency Data and Feature Transformations}}|I.M.Gadzhiev||
-||10:45-11:00  |*89. Восстановление высоты зданий с использованием машинного  обучения и цифровой модели поверхности ArcticDEM|Окунева Влада Викторовна||
+||10:45-11:00  |*89. {{ :dlcp2025:okuneva-dlcp.pdf |Восстановление высоты зданий с использованием машинного  обучения и цифровой модели поверхности ArcticDEM}}|Окунева Влада Викторовна||
-^^11:00-11:30  ^COFFEE BREAK|  ||
+^^11:00-11:30  ^COFFEE BREAK  & Rigistration|  ||
 ||11:30-11:45  |83. USING MACHINE LEARNING METHODS FOR JOINT PROCESSING OF DATA FROM MULTIPLE SEMICONDUCTOR GAS SENSORS|Isaev I.V.||
-||11:45-12:00  |*82. Сравнение методов машинного обучения для учета связей с запаздыванием при моделировании городского острова тепла|Назмутдинов К.Ф.||
+||11:45-12:00  |51. {{ :dlcp2025:rezvov-dlcp.pdf |Нейросетевое пространственное масштабирование полей приповерхностного ветра над Баренцевым и Карским морями}}|Резвов В.Ю.||
-||12:00-12:15  |51. Нейросетевое пространственное масштабирование полей приповерхностного ветра над Баренцевым и Карским морями|Резвов В.Ю.||
+||12:00-12:15  |15. {{ :dlcp2025:vostrikova-dlcp.pdf |Восстановление приповерхностной влажности атмосферы над океаном с применением методов машинного обучения}}|С. А. Вострикова||
-||12:15-12:30  |73. Моделирование турбулентного переноса примесей в планетарном пограничном слое с применением методов крупных вихрей и методов машинного обучения|И. А. Герасимов||
+||12:15-12:30  |73. {{ :dlcp2025:gerasimov-dlcp.pdf |Моделирование турбулентного переноса примесей в планетарном пограничном слое с применением методов крупных вихрей и методов машинного обучения}}|И. А. Герасимов||
-||12:30-12:45  |*45. Application of Convolutional Neural Networks for Upper Ionosphere Remote Sensing Using All-Sky Camera Data|Andrei Vorobev||
+||12:30-12:45  |*45. {{ :dlcp2025:vorobev-dlcp.pdf |Application of Convolutional Neural Networks for Upper Ionosphere Remote Sensing Using All-Sky Camera Data}}|Andrei Vorobev||
-||12:45-13:00  |15. Восстановление приповерхностной влажности атмосферы над океаном с применением методов машинного обучения|С. А. Вострикова||
+||12:45-13:00  |*82. {{ :dlcp2025:nazmutdinov-dlcp.pdf |Сравнение методов машинного обучения для учета связей с запаздыванием при моделировании городского острова тепла}}|Назмутдинов К.Ф.||
 ^^13:00-14:30  ^LUNCH | ||
-||14:30-14:45  |16. Сравнение моделей машинного обучения в задаче идентификации аномалий в данных визуальной съемки поверхности моря|Белоусова О.||
+||14:30-14:45  |16. {{ :dlcp2025:belousova-dlcp.pdf |Сравнение моделей машинного обучения в задаче идентификации аномалий в данных визуальной съемки поверхности моря}}|Белоусова О.||
 ||14:45-15:00  |56. Detection of Irminger Rings in high resolution ocean hydrodynamic modeling data using artificial neural networks|M.Kalinin||
 ||15:00-15:15  |Machine learning for statistical downscaling of precipitation spatial distribution characteristics in the Moscow region|Yarinich Yulia Ivanovna||
 ||15:15-15:30  |72. Deep Learning-Based Estimation of wind induced waves parameters from X-Band Radar Imagery|Alexander Suslov||
-||15:30-15:45  |92. Intercomparison of machine learning approaches for identifying hail from basic weather parameters|Blinov P.D.||
+||15:30-15:45  |*92. {{ :dlcp2025:blinov-dlcp.pdf |Intercomparison of machine learning approaches for identifying hail from basic weather parameters}}|Blinov P.D.||
 ^^15:45-16:00  ^COFFEE BREAK|  ||
 ||16:00-16:30|54. Foundation models of ocean and atmosphere in 2025: milestones and perspectives.|Krinitskiy M.A.||
@@ Line 64: / Line 64: @@
 ^^ Time ^ Title ^ Reporter ||
-||10:00-10:15   |37. Neutron spectrum unfolding with deep learning models for tabular data|Chizhov Konstantin Alekseevich||
+||10:00-10:15   |37. {{ :dlcp2025:chizhov-dlcp.pdf |Neutron spectrum unfolding with deep learning models for tabular data}}|Chizhov Konstantin Alekseevich||
 ||10:15-10:30  |49. Применение концепции переноса обучения для градиентного  бустинга при решении обратных задач разведочной геофизики|М.К.Шалеев||
 ||10:30-10:45  |48. Анализ стратегий обучения FBPINNs|Алимов Павел Геннадьевич||
@@ Line 71: / Line 71: @@
 ^^11:15-11:45  ^COFFEE BREAK ||
 ||11:45-  |Гамма-астрономия ультравысоких энергий и проект TAIGA-100| L.Kuzmichev||
-||     -12:15|                                                         |            ||
+||     -12:15|  (пленарный доклад)  |            ||
 ||12:15-12:30  |*70. Построение нейродифференциальных уравнений с применением методов обратных задач динамики|Шорохов С.Г.||
 ||12:30-12:45  |74. СОЗДАНИЕ ДИНАМИЧЕСКОГО КОГНОВИЗОРА – РАСПОЗНАВАНИЕ КОГНИТИВНЫХ СОСТОЯНИЙ С ПОМОЩЬЮ МЕТОДОВ ГЛУБОКОГО ОБУЧЕНИЯ|Макаров Александр Сергеевич||
 ||12:45-13:00  |*78. Analysis of PINN Training Strategies for Heat Conduction Problems|Tarasov A.A.||
 ||13:00-13:15  |66. Comparison of Data Generation Methods for Spectral Analysis Using Variational Autoencoders|Mushchina A.S.||
-||13:15-13:30  |*87. Применение переноса обучения сверточной нейронной сети для повышения точности решения обратной задачи фотолюминесцентной наносенсорики|Г. Чугреева||
+||13:15-13:30  |*87. {{ :dlcp2025:chugreeva-dlcp.pdf |Применение переноса обучения сверточной нейронной сети для повышения точности решения обратной задачи фотолюминесцентной наносенсорики}}|Г. Чугреева||
 ^^13:30-14:45  ^LUNCH ||
-||14:45-15:00  | Reserve | ||
+||14:45-  |Новое поколение вычислительного оборудования для задач искусственного интеллекта в научных исследованиях  |В.Егоршев ||
-||15:00-15:15  | Reserve | ||
+||     -15:15|  (спонсорский доклад)  | ||
 ||15:15-15:30  |86. Probabilistic Spiking Neural Network with Correlation-based Memristive Synaptic Updates|Dmitry Kunitsyn||
 ||15:30-15:45  |85. Finding optimal carbon dots synthesis parameters for quantitative analysis of components in multi-component aqueous solutions using machine learning|Guskov A.A.||
@@ Line 85: / Line 85: @@
 ||16:00-16:15  |64. Optimization of IRT-T research reactor fuel loading pattern by genetic algorithm|N.V. Smolnikov||
 ||16:15-16:30  |59. Камни: Коллективная игра между агентами разнообразных типов, разработанная для изучения взаимодействия человека и искусственного интеллекта в многоагентной среде|Чернов К.Н.||
-||16:30-  |Новое поколение вычислительного оборудования для задач искусственного интеллекта в научных исследованиях  |В.Егоршев ||
+^^16:30        ^CLOSING OF THE CONFERENCE| ||
-||     -17:00|  | ||
-^^17:00        ^CLOSING OF THE CONFERENCE| ||