Бакалавриат, магистратура и аспирантура ФПМИ МФТИ 2025

Учим создавать и работать с системами искусственного интеллекта, которые интегрируют в себе последние достижения в области нейронных сетей, языковых моделей и робототехники.

Сотрудники и студенты публикуют больше 10 Q1 или A/A* статей в год, выезжают на международные конференции (AAAI, ICRA), работают над проектами с сотрудниками сторонних организаций, например: AIRI, ФИЦ ИУ РАН, МАДИ, SBER Robotics Lab.

Направления подготовки

Бакалавриат ФПМИ

Программа для бакалавров ФПМИ МФТИ
Начало обучения: 6 семестр

Критерии: важно иметь отличную базовую подготовку, полученную на первых двух курсах бакалавриата МФТИ, хорошее знание языков программирования и базовых библиотек Python \ C ++.

Студенты получат опыт работы над реальными проектами и фундаментальное понимание самых популярных направлений ИИ, что позволит в будущем углубиться в более конкретные задачи.

Подача заявки и программа

Магистратура ФПМИ

Прикладная математика и информатика
направление подготовки - 09.04.01
2 года обучения

Программа:
"Методы и технологии искусственного интеллекта"

Критерии: для решения сложных задач в области искусственного интеллекта важно иметь отличную математическую подготовку по дискретной математике, статистике, уверенное знание языков программирования и базовых библиотек Python \ C ++.

Подача заявки и программа

Презентация магистерской программы

Аспирантура ФПМИ

Информатика и вычислительная техника
направление подготовки – 09.06.01
3 года обучения

Программы:
«Теоретические основы информатики» и «Математическое моделирование, численные методы и комплексы программ» конкурсной группы «ФПМИ Информатика и вычислительная техника»

- 5 мест
- экзамены: специальность, собеседование

Запись встречи на нашем канале

Все о поступлении

Александр Панов, руководитель Центра, заведующий лабораторией когнитивных динамических систем, лектор курса "Машинное обучение с подкреплением"

Как поступить?

Для прохождения всех вступительных испытаний для работы в лабораториях Центра когнитивного моделирования требуются отличные знания статистики, линейной алгебры и дискретной математики. Уверенное знание Python, основ анализа данных и нейронных сетей также являются необходимыми. Даты поступления и правила сдачи экзаменов являются общими для всех абитуриентов МФТИ, их можно найти на сайте приемной комиссии – http://pk.mipt.ru. В качестве обязательного условия зачисления на целевые места в Центр необходимо пройти предварительное собеседование.

Обязательные этапы поступления

Заполнить анкету на сайте и пройти собеседование

Прием заявок для поступающих в магистратуру до 1 мая

Подать документы на программу в МФТИ

Магистратура
Бюджетные места:
20 июня – 31 июля
Платные места:
10 апреля – 15 августа

Сдать вступительные экзамены

Магистратура
Бюджетные места:
20 июня – 14 августа
Платные места:
11 апреля – 22 августа

Зачисление

По результатам всех этапов будут
составлены списки
студентов на зачисление

Направления исследований Центра

Самые актуальные проекты ЦКМ можно посмотреть по ссылке.

Интеграция методов оптимального управления и обучения с подкреплением для мобильного манипулятора

Мобильные манипуляторы (робототехнические системы, включающие мобильную платформу и прикрепленные к ней манипуляторы) могут применяться для выполнения различных задач в человекоориентированных средах (например, в офисных помещениях).

Воплощенное обучение

Воплощенное познание (embodied cognition) – это концепция обучения интеллектуальных агентов, в которой мы явно учитываем свойства внешней среды и то, какую обратную связь она дает агенту в ответ на его действия.

Интеллектуальное управление антропоморфными роботами

Антропоморфная робототехника – это быстро развивающаяся область знаний. На данный момент создаются роботы, движения которых все более похожи на человеческие.

Адаптивное планирование маневров беспилотного автомобиля

Современные мобильные роботы и беспилотные автомобили активно используют методы планирования и поиска на графе состояний для построения траектории своего движения и для построения различных маневров в динамической среде.

Биологически-правдоподобные модели обучения

Новые архитектуры нейронных сетей могут быть построены с привлечением идей из нейрофизиологии. Особенно перспективными могут оказаться иерархические модели на основе хеббовских правил обучения и модели внутренней мотивации для ускорения обучения.

Автономное обучение с подкреплением

Сбор данных в процессе обучения для современных задач в области обучения с подкреплением является дорогой и трудоемкой процедурой. С другой стороны для очень многих прикладных примеров уже имеются большое количество логов поведения эффективных агентов. В автономном обучении с подкреплением предлагается эффективно использовать эти данные и бороться с проблемой смещения распределений.

Обучение распутанным представлениям

Обучение распутанным представлениям – одно из современных актуальных направления в области нейросетевого обучения представлениям (representation learning). Формирование структурированного латентного пространства помогает как в создании эффективных генеративных моделей, так и в построении объяснимых систем ИИ. Особенно актуальны распутанные представления для задач генерации поведения в сложных средах.

Обучение с подкреплением на основе модели

Одним из ключевых свойств перцептивной и моторной системы человека является их предметность, т.к. ориентация как распознающей так и действующих подсистем на работу с конкретными объектами внешней среды. Оперирование объектами для предсказания их вида и динамики в перспективе может оказаться существенно более эффективным, чем оперирование цельными сценами.

Объектно-центричное обучение с подкреплением

Одним из ключевых свойств перцептивной и моторной системы человека является их предметность, т.к. ориентация как распознающей так и действующих подсистем на работу с конкретными объектами внешней среды.

Построение трехмерных семантических карт местности

Построение высокоточных карт высокой размерности (HD-Maps) является одной из ключевых составляющих современных систем управления беспилотных автомобилей и автономных роботов.

Обнаружение, трекинг
и прогнозирование траектории движения 3D-объектов

Распознавание и анализ поведения трехмерных объектов по данным бортовых сенсоров транспортных средств и роботов является важнейшим аспектом для обеспечения безопасности их передвижения.

Определение позы и одометрии робота
по изображениям его RGB-D камер

Под позой робота понимается его положение и ориентация в трехмерном пространстве. Понятие одометрии шире и включает также скорости (линейные и угловые), а также ускорение.

Методы автоматического планирования траектории

Особенности методы автоматического планирования траектории:

Среда не полностью наблюдаемая.
Карта постоянно обновляется (меняется).
Нужно строить совокупность неконфликтных траекторий сразу для n мобильных агентов.

и др.

Оптимизация траектории мобильного робота

Задача планирования траектории мобильных роботов (в т.ч. беспилотных автомобилей) может решаться методами оптимального управления. Преимуществаметодов – быстрая сходимость, учет кинодинамики робота, одновременное определение скоростей и ускорений вдоль траектории. Сложность – необходимость начальной догадки о траектории, сложность аналитического представления препятствий.

Дифференцируемое представление 3D-сцены

Решает задачу обучаемой 3D реконструкции сцены в виде поверхности (Mesh) по набору изображений камер с неизвестной 3D-позы. Методы NeRF (Neural Radiance Fields) позволяют синтезировать новые представления сложных сцен путем оптимизации базовой функции непрерывной объемной сцены с использованием разреженного набора входных представлений.

Нейросетевое распознавание места по последовательности сенсорных данных

Под позой робота понимается его положение и ориентация в трехмерном пространстве. Понятие одометрии шире и включает также скорости (линейные и угловые), а также ускорение. Точное определение такого пространственного состояния важно для решения задачи локализации робота и дальнейшего планирования его поведения в трехмерном пространстве.

Полезные источники и информация:

Наше направление подготовки – «Информатика и вычислительные технологии». Именно его нужно указывать в качестве первого приоритета. Если вы укажете нашу программу не первым приоритетом – мы не сможем вам гарантировать место в нашей магистратуре.
Количество мест в магистратуру в 2025 году - последний день приёма документов на бюджетные места – 31 июля.
Вступительные испытания в магистратуру 2025.
Настоятельно просим вас готовиться к экзаменам и сдать их максимально хорошо. Это хорошая база для успешного освоения наших дисциплин и участия в проектах Центра. Для вас мы сможем гарантировать бесплатное обучение только в случае положительных оценок.
Уделите особое внимание формированию Портфолио (ИД в магистратуре 2025) для получения максимального балла индивидуальных достижений. Укажите все, имеющее какое-либо отношение к одному из возможных достижений. Согласуйте наполнение Портфолио с вашим научным руководителем.
Аспирантура - Приемная комиссия МФТИ
Вступительные испытания в аспирантуру 2025

По всем вопросам поступления\стажировки также можно писать Мухиной Анфисе - mukhina.ad@phystech.edu, Telegram: @fissun

Преимущества

актуальные темы исследований
трудоустройство и прохождение оплачиваемых стажировок в ведущих лабораториях ИПИИ ФИЦ ИУ РАН и МФТИ
высокая стипендия для аспирантов до 80 тр/мес магистрантов до 30 тр/мес

Тематики магистерских и
кандидатских диссертаций

активное представление знаний
нейроморфные алгоритмы обучения
обучение с подкреплением
прикладные системы
навигация, картирование и локализация
компьютерное зрение
интеллектуальное управление робототехническими системами
ответы на вопросы по изображению
семантическая сегментация
системы поддержки принятия решений

Присоединяйтесь!

Для того, чтобы стать магистрантом или поступить на бакалаврскую программу Центра когнитивного моделирования МФТИ заполните заявку по форме ниже

Заявка на поступление в магистратуру

Заявка на поступление в бакалавриат