Data Fest 2026 | Александр Колесов: Применение теории электростатики для генеративного ИИ

Доклад Александра Колесова «Применение теории электростатики для генеративного ИИ» в секции Mathematics & ML на Data Fest 2026, день 4, 26 мая, в гостях у Сбера Спикер: Александр Колесов — инженер-исследователь Центра ИИ Сколтеха, научный сотрудник группы «Основы генеративного ИИ» AIRI. Генеративные модели всё чаще опираются на физические аналогии: например, диффузионные модели можно интерпретировать через процессы из неравновесной термодинамики, где данные рассматриваются как частицы, постепенно превращающиеся в шум и обратно. В докладе Александр Колесов показывает, как похожую интуицию можно построить на основе другой области физики — электростатики. В центре доклада — идея представить точки данных как электрические заряды, а процесс генерации или переноса данных — как движение вдоль силовых линий электрического поля. Такой подход использует закон Кулона и принцип суперпозиции: поле в каждой точке можно получить как сумму полей от отдельных зарядов. Это позволяет связать сложное распределение данных с более простым распределением и обучать нейросеть имитировать электростатическое поле, чтобы генерировать новые объекты или переносить данные из одного домена в другой. В числе тем — диффузионные модели, физическая интерпретация генеративного ИИ, закон Кулона, принцип суперпозиции, поток силовых линий, электростатическое поле, перенос данных и генерация изображений. Таймкоды: 00:00 — Введение: физика восьмого класса и генеративный ИИ 00:54 — Диффузионные модели и связь с неравновесной термодинамикой 02:29 — Почему диффузионные модели могут быть медленными 03:32 — Какая физика подходит для генеративных моделей 04:17 — Электростатика: заряженная пластина и силовые линии 05:28 — Закон Кулона и принцип суперпозиции 06:32 — Простое и сложное в генеративных моделях 07:02 — Поток силовых линий как аналог плотности данных 08:43 — Сравнение с диффузионными моделями 09:26 — Генерация: движение от равномерного распределения к данным 10:34 — Задача переноса данных между доменами 11:04 — Идея конденсатора: положительные и отрицательные заряды 12:23 — Почему траектории в электростатическом подходе могут быть проще, чем в диффузиях 12:48 — Что обучает модель: нейросеть как аппроксимация поля 13:50 — Алгоритм обучения на примере двух классов данных 15:22 — Применение для генерации изображений 16:36 — Итоги: зачем генеративному ИИ физическая интерпретация 18:08 — Вопросы из зала 18:20 — Почему электростатические модели пока не стали аналогом Stable Diffusion 20:18 — Ограничения подхода и развитие в последующих работах #DataFest2026 #ODS #Skoltech #AIRI #GenerativeAI #MachineLearning #MathematicsML