Разработка и применение ИИ: делимся опытом применения в проектах и исследованиях МИЭМ. Часть 1
В 2026 году Высшая школа экономики второй год подряд возглавила рейтинг вузов Альянса в сфере ИИ. Действительно, в нашем университете технологии искусственного интеллекта активно применяются не только в образовательном процессе, но также в разработках и исследованиях лабораторий, мастерских, научных и проектных групп МИЭМ.
Как именно технологии ИИ способны улучшить приложение, устройство, систему. Как эти технологии разрабатывают и применяют специалисты и студенты МИЭМ. Делимся конкретными примерами! Сегодня – опыт учебной лаборатории сетевых видеотехнологий и научно-учебной лаборатории квантовой наноэлектроники.
Денис Королев, руководитель учебной лаборатории сетевых видеотехнологий МИЭМ ВШЭ
Проверка открытых ответов
Мы сделали «проверятор» для открытых (набираемых текстом) ответов студентов на вопросы опросов и экзаменов. Проверка делается через LLM, студент отправляет ответ, получает не только оценку по критериям полноты и корректности ответа, но и пояснение, почему она такая.
Этот инструмент применяется для текущих опросов на лекциях, на плановых опросах (текущая аттестация) и на экзаменах. На лекциях -- для быстрой проверки знаний по текущему и прошлому материалу: так студенты сразу получают развернутую обратную связь по своим ответам, а преподаватель -- картину готовности аудитории и понимание о провальных темах. Это позволяет проводить занятия в режиме "перевернутого класса", когда готовятся дома, а отработка материала идет во время занятия. На экзаменах действует режим апелляции: если студент не согласен с оценкой LLM, весь диалог передается преподавателю, и оценивание проводится вручную. При этом мы собираем подробный цифровой след - с каждой лекции, с опросов, с экзаменов. Эксперимент со слепой проверкой соответствия оценок LLM экспертной оценке показал 90% совпадений в пределах одного шага по оценочной шкале.
Этот же инструмент может использоваться для сбора обратной связи. Например, другая наша команда занимается анализом комментариев СОП (студенческой оценки преподавания). И одной из проблем в разборе текстовых комментариев, которые оставляют студенты, является наличие множества односложных ответов вроде "все ок" или "плохо", без пояснений своей позиции. Инструмент опроса, построенный на LLM, мог бы вести беседу, задавая уточняющие вопросы и обогащая исходные данные.
Сейчас мы запустили «дозадавание» вопросов в режим экзамена, что позволит приблизить такой машинный опрос по формату к устному экзамену, на котором вопрос в билете -- это тема для начала разговора.
Чтобы задавать много вопросов, их нужно сперва составить. Это сложнее, чем кажется на первый взгляд. Но здесь нам помогает другая наша разработка: относительно простая, но очень практичная. Расскажу на примере своего курса "Сетевые видеотехнологии", который я веду больше 20 лет и который во многом инспирирован моей практикой в индустрии. Лекционный курс состоит из двух частей: теоретической и интерактивной. В этом году я сгенерировал все "излагательные" лекции по этому курсу. Теперь каждая лекция - это весьма подробный текст (до 80 страниц) с иллюстрациями.
После создания и редактуры лекционных материалов (текстов) создаются: открытые вопросы и образцы ответов, тесты с вариантами ответов, промпты для иллюстраций и дикторский текст. Все это в прототипном варианте собрано на low-code платформе N8N, что позволило быстро спрототипировать и отладить генератор. Далее будем переводить в самодостаточный инструмент.
Генерация большого объема материалов позволяет создавать также множество вопросов: каждая лекция сопровождается 40-60 вопросами (как открытыми, так и тестами). Да, нужно вычитывать и лекции, и вопросы, часть вопросов удаляется или редактируется, но это кратно быстрее, чем писать их вручную.
По материалам одной только лекции я сделал онлайн-курс на Степике: в ход пошли иллюстрированные лекции и тестовые вопросы. В платную версию подключили и LLM-проверку, далее подключим через LTI свою систему тестирования.
31 мая эти наработки были представлены на конференции DataFest в Яндексе (презентация), доклад получил высокую оценку аудитории (9,9 из 10).
Андрей Васенко, заместитель заведующего научно-учебной лабораторией квантовой наноэлектроники
В нашем направлении искусственный интеллект играет роль «умного ускорителя» физического моделирования. Мы изучаем материалы для перовскитных солнечных элементов. Главный враг эффективности таких элементов - дефекты кристаллической структуры перовскита. Они неизбежны и работают как ловушки для электронов: захватывают носители заряда и превращают их энергию в тепло. Точные квантовомеханические расчёты способны выяснить роль каждого дефекта и подсказать, как его нейтрализовать, но честный квантовый расчёт даже для нескольких сотен атомов требует огромных вычислительных ресурсов. Здесь и приходит на помощь ИИ.
Сначала мы проводим серию квантовомеханических расчётов, которые становятся источником данных о ключевых характеристиках - энергиях образования дефектов, барьерах ионной миграции, распределении зарядов на интерфейсах. На этих данных мы обучаем нейросетевые модели, способные предсказывать силы и энергии взаимодействия атомов с почти квантовой точностью. Эти модели работают в тысячи раз быстрее исходных расчётов и служат основой для молекулярно-динамических симуляций. Благодаря этому мы можем моделировать динамику систем из десятков тысяч атомов на временах порядка наносекунд - именно те масштабы, где разворачиваются ключевые события: миграция ионов, диффузия вакансий, кластеризация дефектов, эволюция границ зёрен, восстановление после радиационных каскадов и отклик на механические напряжения. Для перовскитов это критически важно, потому что их деградация и самовосстановление определяются именно такими динамическими явлениями.
Детальное понимание роли дефектов требует не только масштабного моделирования, но и выделения наиболее значимых факторов. С помощью методов анализа взаимной информации мы научились определять ключевые геометрические признаки дефектов, которые сильнее всего провоцируют захват и рекомбинацию носителей заряда. В частности, мы обучили нейросети вычислять силовые поля специально для границ зёрен перовскита, что позволило детально расшифровать механизмы ионной миграции. Кроме того, мы разработали основанный на машинном обучении метод квантовой динамики, который впервые даёт возможность моделировать движение электронов и дырок в масштабных системах, оставаясь близким к квантовой точности. Эти исследования проливают свет на то, как именно дефекты управляют потерями энергии в солнечных материалах.
Параллельно мы используем ИИ для целенаправленного поиска новых перспективных материалов. Мы применяем модели машинного обучения, способные не только предсказывать свойства материалов, но и оценивать неопределённость этих предсказаний, а также графовые нейронные сети и скрининг по ключевым дескрипторам. Это помогает выявлять многообещающие составы перовскитов, интерфейсы и молекулярные пассиваторы. Данные из литературы и экспериментов объединяются с дескрипторами, полученными из точных квантовомеханических расчётов, что позволяет ранжировать материалы по ожидаемой стабильности, радиационной стойкости и способности подавлять безызлучательную рекомбинацию.
В итоге все эти инструменты выстраиваются в единый многоуровневый конвейер, поддерживаемый ИИ. Структурные дескрипторы, полученные из нейросетевого молекулярно-динамического моделирования, передаются в модели квантовой динамики носителей, кинетические модели и расчёты характеристик солнечных элементов. Так атомистическая физика дефектов напрямую связывается с прикладными параметрами устройства: фотолюминесцентным откликом, потерями напряжения холостого хода, сохранением эффективности и долговременной стабильностью при радиационном воздействии и термоциклировании.