Все выпуски

Очень приятно вспоминать и рассказывать о выдающемся ученом, замечательном человеке, блестящем преподавателе, основоположнике нескольких научных направлений Дмитрии Сергеевиче Чернавском. Наверно, при этом подсознательно надеешься, что это поможет слушателям, читателям, коллегам, близким и дальним. Одним — увидеть в себе и развить черты, которыми обладал этот прекрасный человек. Другим — ответить на вопросы, которые он оставил нам. Третьим — порадоваться, что в нашем научном сообществе был человек, который творил, вдохновлял, помогал, заряжал своим оптимизмом и верой в знание, в людей, в перемены к лучшему и надеждой, что будущее состоится. Мне довелось дважды писать о Дмитрии Сергеевиче: один раз — в послесловии к его замечательной книге «Синергетика и информация» [Чернавский, 2004], второй раз — веселый текст к его 90-летию, дополненный коллегами и опубликованный в журнале «Компьютерные исследования и моделирование» в 2016 году [Профессору Дмитрию Чернавскому — 90 лет, 2016]. И сейчас пишу в третий раз — со светлой грустью и сожалением о том, что мгновения общения с ним, его вдохновенные выступления, праздничные застолья, на которых за сиюминутным угадывалось вечное, не остановить и не повторить. Без прошлого нет будущего. Без попыток следующих поколений вновь и вновь ответить на вечные вопросы, оставленные предшественниками, рвется «времен связующая нить». Без традиции трудно родиться новому… Поэтому прошлое, даже недавнее, стоит вспоминать, чтобы отыскать дорогу в будущее.

В данной работе проведено экспериментальное исследование применения автоматической разметки текстовых данных в формате «вопрос – ответ» (QA-пары) в условиях ограниченных вычислительных ресурсов и требований к защите данных. В отличие от традиционных подходов, основанных на жестких правилах или использовании внешних API, предложено применять малые языковые модели с небольшим количеством параметров, способные функционировать локально без GPU на стандартных CPU-системах. Для тестирования были выбраны две модели: Gemma-3-4b и Qwen-2.5-3b (квантованные 4-битные версии), а в качестве исходного материала использован корпус документов с четкой структурой и формально-строгим стилем изложения. Разработана система автоматической аннотации, реализующая полный цикл генерации QA-датасета: автоматическое разбиение исходного документа на логически связные фрагменты, формирование пар «вопрос – ответ» моделью Gemma-3-4b, предварительная проверка их корректности с использованием Qwen-2.5-3b с опорой на доказательный фрагмент из контекста и экспертной оценкой качества. Экспорт полученных результатов предоставляется в формате JSONL. Оценка производительности охватывает всю систему генерации QA-пар, включая обработку фрагментов локальной языковой моделью, модули предобработки и постобработки текста. Производительность измеряется по времени генерации одной QA-пары, общей пропускной способности системы, использованию оперативной памяти и загрузке процессора, что позволяет объективно оценить вычислительную эффективность предлагаемого подхода при запуске на CPU. Эксперимент на расширенной выборке из 12 документов показал, что автоматическая аннотация демонстрирует устойчивую производительность при обработке документов различных типов, тогда как ручная разметка характеризуется существенно большими временными затратами и высокой вариативностью. В зависимости от типа документа ускорение аннотации по сравнению с ручным процессом составляет от 8 до 14 раз. Анализ качества показал, что большинство сгенерированных QA-пар обладают высокой семантической согласованностью с исходным контекстом, при этом лишь ограниченная доля данных требует экспертной корректировки или исключения. Хотя полная ручная валидация корпуса (золотой стандарт) в рамках работы не проводилась, сочетание автоматической оценки и выборочной экспертной проверки позволяет рассматривать полученный уровень качества как приемлемый для задач предварительной автоматизированной аннотации. В целом результаты подтверждают практическую применимость малых языковых моделей для построения автономных и воспроизводимых систем автоматической разметки текстов в условиях ограниченных вычислительных ресурсов и создают основу для дальнейших исследований в области эффективной подготовки обучающих корпусов для задач обработки естественного языка.

В данной статье исследуется эффективность применения технологии Retrieval-Augmented Generation (RAG) в сочетании с различными большими языковыми моделями (LLM) для поиска документов и получения информации в корпоративных информационных системах. Рассматриваются варианты использования LLM в корпоративных системах, архитектура RAG, характерные проблемы интеграции LLM в RAG-систему. Предлагается архитектура системы, включающая в себя векторный энкодер текстов и LLM. Энкодер используется для создания векторной базы данных, индексирующей библиотеку корпоративных документов. Запрос, передаваемый LLM, дополняется релевантным ему контекстом из библиотеки корпоративных документов, извлекаемым с использованием векторной базы данных и библиотеки FAISS. Большая языковая модель принимает запрос пользователя и формирует ответ на основе переданных в контексте запроса данных. Рассматриваются общая структура и алгоритм функционирования предлагаемого решения, реализующего архитектуру RAG. Обосновывается выбор LLM для исследования и проводится анализ результативности использования популярных LLM (ChatGPT, GigaChat, YandexGPT, Llama, Mistral, Qwen и др.) в качестве компонента для генерации ответов. На основе тестового набора вопросов методом экспертных оценок оцениваются точность, полнота, грамотность и лаконичность ответов, предоставляемых рассматриваемыми моделями. Анализируются характеристики отдельных моделей, полученные в результате исследования. Приводится информация о средней скорости отклика моделей. Отмечается существенное влияние объема доступной памяти графического адаптера на производительность локальных LLM. На основе интегрального показателя качества формируется общий рейтинг LLM. Полученные результаты подтверждают эффективность предложенной архитектуры RAG для поиска документов и получения информации в корпоративных информационных системах. Были определены возможные направления дальнейших исследований в этой области: дополнение контекста, передаваемого LLM, и переход к архитектуре на базе LLM-агентов. В заключении представлены рекомендации по выбору оптимальной конфигурации RAG и LLM для построения решений, обеспечивающих быстрый и точный доступ к информации в рамках корпоративных информационных систем.

В настоящей работе проводится сравнение принципиально различных моделей турбулентности для расчета сильно закрученного потока в резко расширяющейся трубе. Данная задача имеет большое значе- ние не только в практике, но и в теоретическом плане, потому что в таком течении возникает очень сложная анизотропная турбулентность с зонами рециркуляции и изучение протекающих процессов позволяет найти ответ на многие вопросы по турбулентности. Рассматриваемое течение хорошо изучено экспериментально. Поэтому она является очень сложной и интересной тестовой задачей для моделей турбулентности. В работе сравниваются численные результаты однопараметрической модели ν_t-92, метода рейнольдсовых напряжений SSG/LRR-RSM-w2012 и новой двухжидкостной модели. Эти модели очень сильно отличаются между собой, потому что в однопараметрической модели ν_t-92 используется гипотеза Буссинеска, в модели SSG/LRR-RSM-w2012 для каждого напряжения записывается свое уравнение, а для новой двухжидкостной модели основой является совершенно иной подход к турбулентности. Особенностью подхода к турбулентности для новой двухжидкостной модели заключается в том, что он позволяет получить замкнутую систему уравнений. Сравнение этих моделей проводится не только по соответствию их результатов экспериментальным данным, но и по вычислительным ресурсам, расходуе- мым на численные реализации этих моделей. Поэтому в работе для всех моделей использована одинаковая методика для численного расчета турбулентного закрученного потока при числе Рейнольдса $Re = 3 \cdot 10^4$ и параметре закрутки $S_w=0.6$. В работе показано, что новая двухжидкостная модель является эффективной для исследования турбулентных течений, так как имеет хорошую точность в описании сложных анизотропных турбулентных потоков и достаточно проста для численной реализации.

Система гемостаза представляет собой одну из ключевых защитных систем организма, которая присутствует практически во всех его жидких тканях, но наиболее важна в крови. Она активируется при различных повреждениях стенки сосуда, и взаимодействие ее специализированных клеток и гуморальных систем приводит сначала к формированию гемостатического сгустка, останавливающего потерю крови, а затем к постепенному растворению этого сгустка. Образование гемостатического тромба — уникальный с точки зрения физиологии процесс, так как за время порядка минуты система гемостаза образует сложные структуры, имеющие пространственный масштаб от микрометров (в случае повреждения микрососудов или стыков между отдельными эндотелиальными клетками) до сантиметра (в случае повреждения крупных магистральных артерий). Гемостатический ответ зависит от множества скоординированных и параллельно идущих процессов, включающих адгезию тромбоцитов, их активацию, агрегацию, секрецию различных гранул, изменение формы, состава внешней части липидного бислоя, контракцию тромба и образование фибриновой сети в результате работы каскада свертывания крови. Компьютерное моделирование представляет собой мощный инструмент для исследования этой сложной системы и решения практических задач в этой области на разных уровнях организации: от внутриклеточной сигнализации в тромбоцитах, моделирования гуморальных систем свертывания крови и фибринолиза и до разработки многомасштабных моделей тромбообразования. Проблемы, связанные с компьютерным моделированием биологических процессов, можно разделить на две основные категории: отсутствие адекватного физико-математического описания имеющихся в литературе экспериментальных данных из-за сложности биологических систем (проблема отсутствия адекватной теоретической модели биологических процессов) и проблема высокой вычислительной сложности некоторых моделей, которая не позволяет применять их для исследования физиологически интересных сценариев. Здесь мы рассмотрим как некоторые принципиальные проблемы в области моделирования свертывания крови, которые до сих пор остаются нерешенными, так и прогресс в экспериментальных исследованиях гемостаза и тромбоза, ведущий к пересмотру многих ранее принятых представлений, что необходимо отразить в новых компьютерных моделях этих процессов. Особое внимание будет уделено нюансам артериального, венозного и микрососудистого тромбоза, а также проблемам фибринолиза и тромболизиса. В обзоре также кратко обсуждаются основные типы используемых математических моделей, их сложность с точки зрения вычислений, а также принципиальные вопросы, связанные с возможностью описания процессов тромбообразования в артериях.