Ученые Вышки ускоряют разработку беспроводных систем связи 5G и 6G с помощью ИИ-технологий
В Центре искусственного интеллекта НИУ ВШЭ разработали программное обеспечение для моделирования радиоканала в беспроводной связи 5G и 6G, основанное на использовании трассировки лучей и машинного обучения. Программы позволяют узнать, как радиоволны распространяются между передатчиком и приемником, а также могут преобразовывать данные трассировки лучей в формат последовательности кадров, конфигурировать и обучать нейросеть на их основе с последующим сохранением.
В рамках проекта «Интеллектуальные методы доставки данных в перспективных сетях 2030» в Центре искусственного интеллекта НИУ ВШЭ разработали программу для сбора и обработки данных моделирования трассировки лучей, которая позволяет узнать, как радиоволны распространяются между передатчиком (например, вышкой сотовой связи) и приемником (мобильным устройством). Также ученые создали программу для обучения нейросети и ее применения для интерполяции данных моделирования трассировки лучей, чтобы преобразовывать данные трассировки лучей в формат последовательности кадров, конфигурировать и обучать нейросеть на их основе с последующим сохранением.
Евгений Кучерявый,
руководитель проекта «Интеллектуальные методы доставки данных в перспективных сетях 2030»
«Программа использует метод моделирования распространения радиоволн, который позволяет отслеживать все возможные пути распространения радиосигнала от передатчика к приемнику. Она анализирует данные о качестве сигнала и других параметрах, чтобы показать, как они изменяются в разных условиях, например при передвижении приемника. Таким образом, мы можем увидеть, как меняется качество связи, когда мы, например, перемещаемся на автомобиле или поезде».
Новый метод моделирования радиоканала в беспроводной связи 5G и 6G, который разрабатывает Центр ИИ, основан на использовании трассировки лучей и машинного обучения. Он позволяет анализировать распространение сигналов и радиоволн через беспроводное пространство, учитывая различные факторы, такие как отражение от стен и препятствий. Это улучшит качество связи между устройствами, поможет предсказать зоны покрытия сети и оптимизировать расположение антенн для эффективной работы связи.
Машинное обучение значительно улучшает развитие сетей 5G и 6G, ускоряя и оптимизируя ключевые процессы. Например, анализируя данные о загрузке и равномерно распределяя трафик между различными узлами, можно обеспечивать высокую производительность сети. Изучая информацию о перемещении пользователей, алгоритмы предсказывают их будущее местоположение и совершенствуют процессы переключения между базовыми станциями. Это помогает обеспечить непрерывную связь и минимизировать задержки. Кроме того, машинное обучение может управлять лучом передачи данных, определять его оптимальное направление для каждого пользователя или устройства, что позволяет оптимизировать качество сигнала и увеличить его пропускную способность.
Владислав Просвиров,
стажер-исследователь проекта «Интеллектуальные методы доставки данных в перспективных сетях 2030»
«В рамках проекта мы разрабатываем метод, который поможет увеличить скорость моделирования радиоканала с помощью трассировки лучей. Для достижения этой цели мы используем машинное обучение. Такое моделирование позволяет быстро проводить оценку различных беспроводных систем без необходимости реального развертывания приемников и передатчиков. Наша разработка может быть применима как в прикладных исследованиях различных беспроводных систем 5G и 6G, так и операторами связи».
Вам также может быть интересно:
Ученые НИУ ВШЭ научили нейросеть превращать 3D-модели в готовые технологические карты
Исследователи Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ разработали систему CAD2TechSpec, которая автоматически превращает 3D-модели деталей в готовые технологические карты — пошаговые инструкции для станков. Разработка направлена на сокращение времени подготовки технической документации в машиностроении, авиастроении и других высокотехнологичных отраслях. Результаты исследованияо публикованы в журнале PeerJ Computer Science.
В НИУ ВШЭ запущен реестр ИИ-сервисов и моделей
Институт искусственного интеллекта и цифровых наук ФКН разработал сервис для регистрации и учета достижений в области искусственного интеллекта (ИИ). Платформа уже доступна для сотрудников и студентов университета.
Исследователи НИУ ВШЭ и Сбера научили нейросети лучше угадывать предпочтения пользователей
Институт искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Сбер представили новую архитектуру для рекомендательных систем: благодаря объединению двух классов моделей алгоритмы лучше угадывают интересы и потребности пользователей. Препринт работы опубликован на сайте arxiv.org и представлен на летнем фестивале «Урбан ML».
Исследователи ВШЭ показали, как создавать регуляторную ДНК напрямую
Исследователи НИУ ВШЭ разработали модель для генерации промоторов и энхансеров — участков ДНК, регулирующих работу генов. Модель работает с нуклеотидами ДНК напрямую, без промежуточного преобразования в непрерывное числовое пространство. Разработка может быть полезна в синтетической биологии и генной терапии. Результаты исследования представлены на воркшопе конференции ICLR 2026.
ФКН ВШЭ и ЧГУ реализовали три отраслевых образовательных модуля по искусственному интеллекту
В 2025/26 учебном году факультет компьютерных наук (ФКН) ВШЭ совместно с Череповецким государственным университетом реализовал три отраслевых образовательных модуля по искусственному интеллекту. Инициатива была представлена в рамках проекта «Топ-ИИ» Минцифры России при участии АНО «Аналитический центр при Правительстве Российской Федерации». Эксперты НИУ ВШЭ совместно с индустриальными партнерами разработали линейку отраслевых образовательных модулей в области искусственного интеллекта.
ИИ для врачей: ФКН ВШЭ провел курс для студентов Российского университета медицины
В июне завершился курс, посвященный использованию искусственного интеллекта в медицине, который факультет компьютерных наук НИУ ВШЭ провел для студентов первого курса направления «Педиатрия» Российского университета медицины. Курс реализован при поддержке гранта, полученного НИУ ВШЭ в соответствии с мероприятиями федерального проекта «Искусственный интеллект» национального проекта «Экономика данных и цифровая трансформация государства».
Новый метод НИУ ВШЭ и Т-Технологий повышает качество работы ИИ
Ученые из лаборатории научных исследований «Т-Технологий» и Института искусственного интеллекта и цифровых наук факультета компьютерных наук НИУ ВШЭ разработали новый метод семплирования для моделей маскированной диффузии — G-Star+. Он помогает быстрее и качественнее исправлять ошибки во время генерации текста и кода за небольшое число шагов. Метод показал эффективность в задачах генерации текста и кода и может применяться там, где генеративным моделям нужно быстро и качественно создавать текст или код при ограниченных вычислительных ресурсах.
В Вышке открыли проектно-учебную лабораторию совместно с Группой «Т-Технологии»
Группа «Т-Технологии» (головная структура Т-Банка) открыла проектно-учебную лабораторию на базе факультета компьютерных наук НИУ ВШЭ (ФКН НИУ ВШЭ). Проектно-учебная лаборатория Группы «Т-Технологии» в НИУ ВШЭ сосредоточится на проектах и задачах в области искусственного интеллекта, распределенных вычислений, анализа больших данных и информационной безопасности в финансовом секторе. Лабораторию возглавит Алексей Теплов, кандидат физико-математических наук.
«Защищать конкуренцию от ИИ нам придется с помощью самого искусственного интеллекта»
В НИУ ВШЭ прошел двухдневный семинар «Искусственный интеллект и конкурентная политика в странах БРИКС». Его участники обсудили две ключевые для конкурентной политики темы: трансформация конкуренции и рынков под влиянием технологий ИИ и усилени е регуляторного потенциала антимонопольных органов за счет технологий искусственного интеллекта.
В НИУ ВШЭ разработали сервис обезличивания табличных данных для безопасного использования в ИИ-системах
Институт искусственного интеллекта и цифровых наук ФКН ВШЭ разработал сервис обезличивания табличных данных, предназначенный для подготовки корпоративных данных к использованию в аналитических и ИИ-сервисах. Решение позволяет выявлять персональные данные в структурированных наборах, применять к ним воспроизводимые правила обезличивания и формировать артефакты, необходимые для контроля качества, аудита и последующего использования данных в защищенных контурах.