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.

Дедлайн подачи заявки на программу: 6 сентября

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 ++.

Приём заявок на стажировку: 15 мая, поступление: 1 июня.

Подача заявки и программа

Презентация магистерской программы

Аспирантура ФПМИ

Группа научных специальностей 1.2 Компьютерные науки и информатика
3 года обучения

- 5 мест
- экзамены: специальность, собеседование

Дедлайн подачи на стажировку: 15 мая, заявки: 1 июня.

Заявка на стажировку и поступление

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

Приём заявок в магистратуру и аспирантуру на стажировку: 15 мая, поступление: 1 июня

Подать документы на программу в МФТИ

Правила и сроки подачи смотрите на сайтах приёмной комиссии для магистратуры и аспирантуры

Сдать вступительные экзамены

Программа вступительных испытаний в магистратуру, аспирантуру

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

Заявка на поступление в бакалавриат

Заявка на поступление и стажировку в магистратуру

Заявка на поступление и стажировку в аспирантуру