CS Space

Автоматическое построение PBR текстур для фотограмметрических моделей ⬇️

– Страница мероприятия
– 24 сентября, четверг, 19:00 – 20:30
– Мраморный зал, ПОМИ РАН, наб. реки Фонтанки, 27, Санкт-Петербург
– Пожалуйста, не забудьте зарегистрироваться через личный кабинет или в боте — это необходимое условие посещения:
▶️ Личный кабинет
▶️ Бот

⭐️ О лекторе

Леонид Альжанов — студент КТ ИТМО, разработчик в Agisoft. Выпускник ПФМЛ 239, энтузиаст графического программирования, автор собственного 2D движка на Vulkan.
В прошлом году Леонид успешно прошёл два курса Николая Полярного, а затем вместе с ним работал над задачей, о которой расскажет на лекции.

📢 Анонс

3D-модели в играх и фильмах выглядят гораздо реалистичнее, если на них наложены детализированные текстуры и если на них правдоподобно воздействует освещение. Реалистичность текстур часто достигается получением 3D-моделей путём фотографирования объекта с большого числа ракурсов и дальнейшей обработки средствами фотограмметрии. Но для того, чтобы поверхность объекта реалистично реагировала на освещение и, особенно, на перемещение источника света, недостаточно знать детализированные цвета поверхности. Нужно также знать, как именно разные части поверхности реагируют на свет и его перемещение:

• где блик будет ярким (глянцевая поверхность), а где блика не будет вовсе (например, какой-нибудь сухой мох)?
• где блик будет большим, а где — маленьким пятнышком?
• где игра света обнаружит трещину, а где — идеально отполированную поверхность?

Для реалистичного описания взаимодействия поверхности и света часто используют Physically-Based Rendering (PBR). Этот подход позволяет передать ощущение металличности, мокрости, глянцевости и рыхлости поверхности.

На лекции обсудим программу, разработанную в рамках летней стажировки. В рамках проекта был разработан метод, строящий правдоподобные и детальные PBR-текстуры (albedo map, normal map, roughness map, metallic map) методом математической оптимизации. Обсудим также, как этот алгоритм был ускорен на видеокартах.

Предполагается, что слушателям:

• интересна компьютерная графика;
• понятно, что такое градиентный спуск;
• не страшны рассуждения с частым упоминанием векторного произведения.

Напоминаем про открытую лекцию Андрея Михайловича Райгородского по комбинаторике и теории графов 📢

Если планируете посетить, не забудьте зарегистрироваться:
▶️Личный кабинет
▶️Бот

До встречи на лекции. В пятницу вечером может кокнуть!

Классические и современные задачи комбинаторики и теории графов ⬇️

– Страница мероприятия
– 18 сентября, пятница, 18:00 – 19:30
– Мраморный зал, ПОМИ РАН, наб. реки Фонтанки, 27, Санкт-Петербург
– Пожалуйста, не забудьте зарегистрироваться через личный кабинет или в боте — это необходимое условие посещения:
▶️ Личный кабинет
▶️ Бот

⭐️ О лекторе

Андрей Михайлович Райгородский — директор Физтех-школы прикладной математики и информатики МФТИ, доктор физико-математических наук.

📢 Анонс

На лекции мы поговорим о классических и современных задачах комбинаторики и теории графов. Рассмотрим несколько красивых задач, ставших классическими, обсудим основные идеи и методы их решения, а также познакомимся с современными постановками и открытыми вопросами. Увидим, как простые на первый взгляд задачи о графах, раскрасках, разбиениях и подсчёте приводят к глубоким математическим результатам. Лекция будет интересна широкой аудитории.

Андрей Михайлович рассказывает о сложных вещах понятно, живо и с блеском. Лекция будет особенно интересна старшеклассникам, которые хотят глубже познакомиться с темой, расширить кругозор и увидеть, насколько увлекательной может быть наука. Приходите за новыми идеями, вдохновением и возможностью задать свои вопросы!

Открываем регистрацию на курс 🔽

Семантика языков программирования

⭐️ Лектор

Дмитрий Булычев
К.ф-м.н., с.н.с. междициплинарной лаборатории им. Чебышёва, руководитель магистратуры «Разработка ПО и науки о данных» МКН СПбГУ. Область научных интересов — языки и инструменты программирования, функциональное, логическое и реляционное программирование.

📢 Анонс

Когда мы пишем программы, мы не оперируем элементарными терминами языка программирования, подобно тому, как, говоря на родном языке, мы не размышляем в терминах синтаксиса и морфологии. Человеческое мышление мнемонично, оно действует в терминах абстракций и идиом. Такой способ рассуждений хорошо работает при создании прикладных программ, однако даёт странные и иногда необъяснимые результаты при реализации языковых инструментов, то есть программ, которые получают на вход одни программы и возвращают другие (компиляторов, интерпретаторов, специализаторов и т. д.).

Это происходит оттого, что такие инструменты должны правильно работать для всех исходных программ, а не только для таких, которые состоят из удобных нам мнемонических структур. Например, что следует делать, если в программе на языке C в теле цикла while мы встретили оператор case (сразу, без switch)?

Довольно быстро (после каких-то 20 лет развития науки о языках программирования) оказалось, что для надёжной работы таких инструментов (или, как минимум, для правдоподобного обоснования, почему они работают именно так) необходимы способы формальной и точной спецификации семантики языков программирования, которые предоставили бы средства для математического доказательства свойств программ и их преобразователей.

В рамках данного курса мы познакомимся со способами формального описания семантик языков программирования, которые позволяют всё это проделывать, а также научимся доказывать свойства программ и их преобразований, пользуясь инструментом для автоматизированного доказательства теорем Rocq.

📑 Пререквизиты курса

– знание какого-либо языка программирования (а лучше нескольких, а лучше — принадлежащих разным парадигамам (C — Java — Haskell и т.д.))
– начало мат. логики
– начало дискретного анализа

🕑 Курс будет проходить проходить по понедельникам с 18:00 в Мраморном зале, ПОМИ РАН, наб. реки Фонтанки, 27, Санкт-Петербург. Дату первой лекции сообщим позже. Записаться на курс можно через личный кабинет или в боте:
▶️ Личный кабинет
▶️ Бот

Открываем регистрацию на курс 🔽

Структурные параметры графов

⭐️ Лектор

Данил Сагунов
Координатор CS Space. Научный сотрудник ИТМО, МКН СПбГУ. Финалист ICPC 2016. Личная страница: danilka.pro

📢 Анонс

Задачи о длинном пути (Longest Path), независимом множестве (Independent Set) или раскраске графа в минимальное число цветов (Chromatic Number) — примеры известных NP-трудных задач. Но что именно делает их такими трудными? Ведь найти самый длинный путь в дереве, найти максимальное независимое множество в двудольном графе или раскрасить набор отрезков на прямой так, чтобы одноцветные отрезки не пересекались — можно эффективно за полиномиальное время, как нам известно из классических курсов алгоритмов.

В этом курсе мы изучим множество параметров, описывающих структуру графа. Базовый смысл каждого отдельного параметра — чем больше параметр, тем сложнее структура графа. Параметры могут быть совершенно разнообразными, от, например, средней степени графа, до его древесной ширины (treewidth). Мы исследуем, как эти параметры взаимосвязаны между собой, как их можно эффективно вычислить, а самое главное — как они помогают разработать эффективные алгоритмы для задач, которые вычислительно сложны в общем случае.

Студенты научатся использовать структурные параметры графа как инструмент — превращать наблюдения о структуре в конкретные алгоритмические техники (динамическое программирование по древесной декомпозиции, ILP, ветвление, кернелизация и другие). Отдельным увлекательным элементом курса станет построение общей карты изученных параметров — иерархического графа, отражающего, какие параметры ограничивают друг друга, а какие из них несравнимы, и как устроен весь ландшафт "структурной сложности" целиком.

📑 Пререквизиты курса

Без них будет трудновато:
– базовые понятия теории графов
– стандартные алгоритмы

Могут пригодиться:
– основы вычислительной сложности
– параметризованные алгоритмы

🕑 Первая лекция пройдёт 16 сентября с 18:00 до 19:30. В дальнейшем занятия будут проходить по средам с 18:00 в Мраморном зале, ПОМИ РАН, наб. реки Фонтанки, 27, Санкт-Петербург. Записаться на курс можно через личный кабинет или в боте:
▶️ Личный кабинет
▶️ Бот

Открываем регистрацию на курс 🔽

Алгоритмы в Git / Git Internals

⭐️ Лектор

Даниил Орешников
Backend-разработчик в SourceCraft (Yandex), преподаватель курса алгоритмов и структур данных в ИТМО. Призер финалов школьных всероссийских олимпиад по математике и по программированию, NCUMC, MathOpen; координатор/проблемсеттер олимпиад по программированию для школьников.

📢 Анонс

Git для большинства — привычный набор команд: commit, merge, push, pull. Но за ними стоит достаточно сложная распределённая система с content-addressable storage, алгоритмами и протоколами обмена данными. Как связаны commit и «патчи» из изменений в коде? Как Git находит общее начало двух веток? Когда изменения можно объединить автоматически, а когда Git честно отказывается угадывать смысл результата? Как клиент и сервер определяют, какие объекты уже известны обеим сторонам, не передавая полную историю?

На курсе мы будем последовательно строить ответы на эти инженерные вопросы, чтобы чёрный ящик под названием Git стал немного прозрачнее. Разберём physical storage: packfiles, .idx, delta compression; посмотрим на используемые алгоритмы и структуры данных: object graph, обход commit DAG и поиск merge base; diff-алгоритмы семейства Myers, а также patience и histogram heuristics; three-way merge и устройство conflict state в index. Увидим, как Git приходит к компромиссам между компактностью и стоимостью чтения, обсудим протокол negotiation между клиентом и сервером через want/have, а также оптимизации и механизмы, которые делают Git применимым к большим репозиториям: commit-graph, Bloom filters, reachability bitmaps, partial clone.

Сквозной проект курса — создание собственного минимального Git-сервера, совместимого с настоящим клиентом Git для clone и fetch. Мы начнём с чтения объектов и refs, затем реализуем базовый протокол, discovery capabilities, negotiation общей истории и генерацию packfile.

📑 Пререквизиты курса

– хотя бы раз в жизни пользовались Git'ом
– знание основ алгоритмов и структур данных (графы, хеш-таблицы)

🕑 Первая лекция пройдёт 12 сентября с 14:00 до 15:30. Курс будет проходить по субботам с 14:00 в Мраморном зале, ПОМИ РАН, наб. реки Фонтанки, 27, Санкт-Петербург. Записаться на курс можно через личный кабинет или в боте:
▶️ Личный кабинет
▶️ Бот

1 сентября, в День знаний, открываем новый учебный сезон — и начинаем его с регистрации на курс 🔽

Вычисления на видеокартах

⭐️ Лекторы

Николай Полярный. CTO Agisoft. Автор курса фотограмметрии и курса алгоритмов на видеокартах.
Борис Симиютин. Старший разработчик, Agisoft. Соавтор курса фотограмметрии и курса алгоритмов на видеокартах.

📢 Анонс

Процессор и видеокарта — в чём между ними разница? Если видеокарты так хороши — зачем нужен процессор? Чем отличаются OpenCL, CUDA и Vulkan? Что и когда выбрать для задачи? Как выглядят алгоритмы на видеокартах?

Обсудим, что такое вычисления в модели массового параллелизма. Что такое hyper-threading, occupancy, code divergence, coalesced memory access? Какие алгоритмы выигрывают от использования видеокарт?

Рассмотрим на примерах:
– merge-sort* за O(N)O(N)1​1
​​ вместо O(N⋅logN)O(N⋅logN),
– умножение матриц,
– real-time построение BVH-дерева (из этого вырос современный Ray Tracing).

Обсудим, как, понимая архитектуру компьютера хотя бы в общих чертах, можно оценить потенциал для ускорения с помощью разных методов оптимизации — даже без профилировщика.

Лекция будет сопровождаться кодом — с ним можно будет экспериментировать и после лекции. Также на лекции будут карлики и клоуны!

*
​​ merge-sort за O(N)O(N) — на видеокарте он, конечно, не работает строго за линию, но всё равно быстрее, чем на процессоре, в квинвигинтиллион**
​​ раз.

**
​​ В 123.9 раз.

📑 Пререквизиты курса

– умение писать простой C++-код на уровне работы с арифметикой указателей
– понимание асимптотического анализа, базовых алгоритмов и структур данных
– базовые знания многопоточности
– для выполнения заданий достаточно любого ноутбука (видеокарта не требуется, можно тестировать на процессоре)
– для выполнения заданий рекомендуется Ubuntu или Windows, на MacOS потребуются дополнительные усилия

🕑 Первая лекция пройдёт 8 сентября с 18:00 до 19:30. Курс будет проходить по вторникам с 18:00 в Мраморном зале, ПОМИ РАН, наб. реки Фонтанки, 27, Санкт-Петербург. Записаться на курс можно через личный кабинет или в боте:
▶️ Личный кабинет
▶️ Бот

Открываем набор в Кружок по олимпиадному ИИ для школьников 9–11 классов 📢

С сентября запускаем Кружок — будем изучать математику для ИИ и машинное обучение, готовиться к олимпиадам. В команде кружка — члены жюри ВсОШ по ИИ, преподаватели СПбГУ и призёры международных олимпиад.

Мы реализуем наш Кружок в Петербурге в академическом партнёрстве с Яндексом. Занятия в Петербурге проходят очно; если вам больше подходит онлайн-формат, приглашаем присоединиться к Яндекс Кружку.

ℹ️ Немного о программе в Санкт-Петербурге:
🔴 Обучение полностью бесплатное;
🔴 Занятия будут проходить очно в ПФМЛ №239 два раза в неделю: одно занятие по математике, второе — по ML;
🔴 Начинаем с основ — знать ML не нужно, достаточно уметь писать код на Python;
🔴 Каждую неделю — домашки, контесты и много практики;
🔴 Занятия начнутся с 14 сентября и будут идти весь учебный год.

Как поступить?
До 6 сентября нужно подать заявку и пройти отборочный контест, который стартует уже 27 августа 🕑

Подробнее о программе, преподавателях и отборе — уже на сайте CS Space, а также будем делиться важной информацией в канале @ai_team_spb. Присоединяйтесь — впереди учебный год с математикой, ML и олимпиадами!

Мечтают ли нейросети об олимпиадах? 🪐

Многие математики любят соревнования за сложные задачи, дух соперничества и радость от найденного решения. Мы решили посмотреть, как с олимпиадными задачами справятся большие языковые модели. Так родилась рубрика CS Space Reasoning 🆕

Как это устроено 🔽

1️⃣ Берём настоящую олимпиаду, пока её условия не появились в открытом доступе и не попали в обучающие выборки моделей.

2️⃣ Передаём модели только текст задания. Без интернета, поиска, внешних инструментов и выполнения кода — как у участников олимпиады.

3️⃣ Решения читают организаторы и ставят балл по критериям исходной олимпиады. Каждую работу независимо проверяют несколько экспертов, а при расхождении оценок определяют итоговый балл по обсуждению.

4️⃣ Публикуем все результаты: итоговые баллы, полные тексты решений, количество использованных токенов и стоимость запуска каждой модели.

Первым соревнованием в рубрике стал Math Cup 2026: десять моделей решали задачи отборочного тура и финала. Результаты можете посмотреть на сайте, а пока несколько спойлеров:

⚡️ Искусственный интеллект газанул настолько, что сместил естественный с пьедестала
⚡️ Две модели набрали поровну, но одна обошлась в 15 раз дороже другой
⚡️ Одна задача оказалась не по силам ни одному виду интеллекта
⚡️ Kimi K3, о которой у нас почти не говорят, мечтает так, что заехала на пьедестал рядом с GPT и Claude!
⚡️ А GigaChat и Alice AI, похоже, пока видят другие сны — их место в таблице ищите сами!

Пользуйтесь бенчмарком, изучайте решения моделей и следите за новыми соревнованиями. А если знаете олимпиаду, которую стоит дать моделям следующей, — присылайте! Результаты, неожиданные решения и идеи для новых запусков обсуждаем в чате CS Space 🚀

Теоретико-игровые модели образования сложных сетей: от правила 6 рукопожатий до agentic web ⬇️

– Страница мероприятия
– 5 августа, среда, 19:00 – 20:30
– Мраморный зал, ПОМИ РАН, наб. реки Фонтанки, 27, Санкт-Петербург
– Пожалуйста, не забудьте зарегистрироваться — это необходимое условие посещения

⭐️ О лекторе

Иван Самойленко — математик, младший научный сотрудник MIRAI и ВШЭ, аспирант МФТИ. В прошлом тимлид математиков в Wildberries (operational research)

📢 Анонс

Сложными сетями обычно называют большие нерегулярные графы, которые возникают во многих областях реального мира — от биологии и медицины до социальных сетей. Модели формирования и динамики таких сетей помогают понять, как возникают их ключевые свойства и как они влияют на поведение системы в целом. В лекции я дам краткую историческую справку по вопросу моделей образования сложных сетей и рассмотрю основные подходы к их определению (как вероятностные, так и теоретико-игровые). Затем мы подробно разберём модель, которая математически объясняет причину работы правила 6 рукопожатий (и почему рукопожатий именно 6).

В заключительной части, если позволит время, обсудим, почему теоретико-игровые модели формирования сетей становятся всё более значимыми для практических задач и чем понимание механизмов их образования может быть полезно для развития интернета в эпоху, когда заметную долю его участников будут составлять LLM-агенты.

Быстрые и компактные структуры для RMQ ⬇️

– Страница мероприятия
– 4 августа, вторник, 19:00 – 20:30
– Мраморный зал, ПОМИ РАН, наб. реки Фонтанки, 27, Санкт-Петербург
– Пожалуйста, не забудьте зарегистрироваться — это необходимое условие посещения

⭐️ О лекторе

Николай Мальковский — кандидат физико-математических наук; Principal Engineer, Chebyshev Research Center

📢 Анонс

Range minimum query — это довольно известная академическая задача, она важна и на практике, но не сама по себе. Часто она используется как рутина в алгоритмах типа LZ, суффиксных деревьев или поисковых индексов. У задачи есть несколько вариаций. Основная суть в том, что дан массив чисел, и нужно на произвольном подотрезке индексов искать минимум. Самый простой пример того, где такая задача может возникнуть — запрос к базе данных вида «какая максимальная зарплата сотрудников в возрасте от 30 до 40 лет?».

На семинаре я расскажу про эффективное решение статической задачи, то есть, когда массив известен заранее и не изменяется, но запросы заранее неизвестны. Наиболее эффективное решение такой вариации — это разреженные таблицы, их проблема в том, что они требуют O(n log n) памяти и, соответственно, применимы для размеров максимум ~10^7. Существует много подходов, как за счёт чуть более медленных запросов добиться использования O(n) памяти, включая классический алгоритм Фараха-Колтона — Бендера. Существуют также и succinct подходы, которые требуют ~2.5n бит памяти, но скорость ответа на запросы на практике у них уже заметно хуже. На семинаре я расскажу, как взять лучшее из обоих миров: два варианта, каждый из которых сравним по скорости ответа на запросы с разреженной таблицей, но при этом
— Первый вариант требует 1.05n дополнительных бит, но при этом нужно иногда подглядывать в исходный массив;
— Второй вариант требует 2.1n дополнительных бит, но заглядывать в исходный массив не нужно.

Как LLM и AI-агенты меняют математику и компьютерные науки? ⤵️

Во вторник, 14 июля, мы провели митап о том, как LLM входят в реальную исследовательскую практику. Уже сегодня модели помогают доказывать теоремы, готовить и рецензировать статьи, писать код, выдвигать гипотезы и проводить эксперименты. Вместе с участниками обсудили возможности и ограничения этих инструментов и то, как они меняют роль человека в науке.

Спикеры поделились своими наблюдениями и опытом:

⚡️ Сергей Николенко рассказал о последних математических достижениях GPT и Claude и поделился опытом применения LLM в собственных исследованиях. Главный вывод: LLM уже меняют то, как мы занимаемся математикой и Computer Science, а роль человека становится другой.

⚡️ Алексей Скрынник показал, как LLM и AI-агенты помогают на всех этапах исследования — от рецензирования и подготовки статей до воспроизведения результатов и экспериментов. При этом научное суждение, проверка фактов и ответственность за выводы по-прежнему остаются за исследователем.

⚡️ Константин Яковлев поставил провокационный вопрос: может ли современная LLM заменить студента или аспиранта? Хотя модели уже справляются со многими задачами на уровне старшекурсника, наиболее перспективна связка «научный руководитель + студент + LLM», где человек учится ставить содержательные вопросы и направлять поиск.

Получился разговор не столько о замене исследователей, сколько о новом распределении ролей между человеком и ИИ — и о навыках, которые становятся особенно важными в науке уже сегодня.

💡 После докладов участники сыграли в авторский квиз Сергея Николенко «AI-искусство»:
〰️ в первом раунде отличали творчество поэтов от творчества нейросетей;
〰️ во втором раунде угадывали модель по автопортрету;
〰️ в третьем раунде угадывали понятие из ИИ по сгенерированной песне.

Делимся материалами:
📃 Записью выступлений и презентациями спикеров на странице мероприятия;
📷 Фотографиями с мероприятия

Спасибо всем участникам за интересные вопросы, живые дискуссии и отличную атмосферу. Отдельная благодарность нашему партнёру Pinely за поддержку мероприятия! До встречи на следующих мероприятиях CS Space 🪐