Сделано в России: дайджест №38 новостей из мира ИТ, науки, космоса и технологий

В свежем выпуске — про достижения, которые станут новой основой для следующих этапов развития и технологической независимости.

Новости ИТ-инфраструктуры

Новые решения для памяти, корпоративных баз данных и промышленного ИИ.

В России выпустили первые отечественные SPD-микросхемы для модулей оперативной памяти

Компания GS Nanotech выпустила и успешно протестировала первую партию российских SPD-микросхем для модулей оперативной памяти DDR5. Первая партия получила индекс GSN5118E. 

Именно SPD-чип хранит ключевые данные о модуле памяти — его объёме, частоте, таймингах, напряжении и других параметрах, без которых корректная работа памяти не гарантируется. Новые микросхемы рассчитаны на стандарт DDR5 — актуальное поколение оперативной памяти, используемое в современной вычислительной технике. ПКомпания уже готова к серийному производству таких чипов. 

После корректировки постановления правительства №719 использование отечественных SPD-микросхем в модулях DDR-памяти позволяет производителям получить дополнительные 8 баллов локализации. Такие баллы повышают шансы продукции попасть в реестр российской электроники Минпромторга и участвовать в госзакупках.

Ранее в России уже началось производство печатных плат для модулей ОЗУ, а теперь к этой цепочке добавился ещё один обязательный элемент. Сейчас речь идёт уже о постепенной сборке собственной технологической базы для выпуска модулей памяти внутри страны. 

Почему это важно:

• SPD — обязательная микросхема модуля памяти, без которой невозможно собрать полностью работоспособную планку ОЗУ. 
• Дополнительные 8 баллов локализации делают российские модули памяти заметно ближе к требованиям госреестра. 
• Появление собственных SPD-чипов показывает, что импортозамещение в электронике затрачивает критически важные компоненты. 
• Постепенное формирование в России собственной производственной цепочки для модулей ОЗУ. 

Источник: CNews

В России представили платформу, которая снимает ключевые ограничения PostgreSQL для крупного бизнеса

Компания «Тантор Лабс» представила третье поколение машины баз данных Tantor XData Gen3 — платформу для крупных корпоративных систем, построенную на PostgreSQL-совместимой архитектуре. Новое решение поддерживает полноценную одновременную обработку транзакционных и аналитических нагрузок, и ориентировано на те сегменты, где раньше российским системам было особенно трудно конкурировать с Oracle, SAP и IBM. 

Главная задача, которую решает Tantor XData Gen3, — преодоление архитектурных ограничений классического PostgreSQL. В обычной схеме PostgreSQL остаётся жёстко привязанным к одному серверу:

• плохо масштабируется за его пределы;
• начинает терять эффективность при большом числе соединений;
• с трудом справляется со смешанной нагрузкой.

В Tantor XData Gen3 инженеры применили другую архитектуру: вычислительные ресурсы и хранилище разделены и могут масштабироваться независимо. Это позволяет отдельно наращивать вычислительную мощность под рост аналитических запросов и отдельно расширять хранилище под накопление данных. Чтобы такая схема работала без критических задержек, платформа использует высокоскоростную RDMA-сеть.

 Это одна из ключевых технологий в нашей архитектуре, и именно поэтому мы сравниваем свое решение с Exadata: Oracle использует очень похожий подход. До нас в России так с PostgreSQL никто не делал. Да и если говорить шире, таких решений в принципе немного.

Вадим Яценко, генеральный директор «Тантор Лабс»

Решение полностью совместимо с обычным PostgreSQL и уже существующими бизнес-приложениями. Корпоративные системы, которые уже умеют работать с этой БД, могут использовать новую платформу без переписывания прикладного слоя. 

Платформа уже включает:

• конвейерную запись WAL; 
• параллельную обработку запросов на всех узлах кластера; 
• механизм CSN для высокой конкуренции транзакций;
• инструменты балансировки нагрузки;
• технологию Tantor RAC для отказоустойчивости и автопереключения на реплики. 

Аппаратной основой решения стали процессоры AMD EPYC. Решение представляет собой российскую альтернативу системам уровня Oracle Exadata, SAP HANA и IBM Netezza. 

Почему это важно:

• Новая платформа снимает те ограничения PostgreSQL, которые мешали использовать его в самых тяжёлых корпоративных сценариях.
• Совместимость с PostgreSQL позволяет переходить на новое решение без перестройки всего ИТ-ландшафта.
• Поддержка HTAP даёт бизнесу единую платформу для транзакционных и аналитических задач.
• Для российского рынка это шаг от адаптации open source-решений к созданию собственных СУБД enterprise-уровня.

Источник: Тантор Лабс

К2 Нейротех создала облачную платформу для промышленного ИИ

Компания К2 Нейротех разработала для ФГАУ «Цифровые индустриальные технологии» отечественную облачную платформу для создания и внедрения ИИ-решений под промышленные нагрузки. Платформа позволяет подведомственным предприятиям разворачивать ИИ-сервисы по модели AIaaS без капитальных вложений в собственную вычислительную инфраструктуру и при сохранении полного контроля над данными. 

В основе решения — российская ML-платформа KageCore от AIDA tech, включённая в реестр отечественного ПО. Решение должно закрыть разрыв между идеей ИИ-проекта и его реальным запуском в производственном контуре. Исследовательские команды могут начинать работу сразу после авторизации, не тратя недели на подготовку среды и настройку ПО.

Архитектура платформы поддерживает одновременную работу более 500 виртуальных машин и контейнеров с гарантированным уровнем доступности свыше 99%. Система функционирует в изолированном сегменте сети, что полностью соответствует требованиям по защите информации, обеспечивая технологическую независимость. 

Эксперт К2 Нейротех

Для самих предприятий это означает более простой доступ к вычислительным ресурсам и ИИ-инструментам в формате сервиса. Организации могут использовать централизованную платформу, где уже собраны мощности, инструменты и базовые условия для промышленной эксплуатации моделей. 

Почему это важно:

• Инфраструктура остаётся одним из главных барьеров для промышленного ИИ, и платформа решает именно эту задачу.
• Модель AIaaS снижает порог входа и позволяет запускать ИИ без крупных капитальных затрат.
• Для промышленности особенно важны защищённый контур, контроль данных и технологическая независимость.
• Это шаг от отдельных ИИ-пилотов к системному внедрению ИИ в промышленную среду.

Источник: блог К2Тех

Новости искусственного интеллекта

Разработки, которые помогают встроить ИИ в реальные процессы: от корпоративных задач до управления производством без остановки и ручной перенастройки.

Axenix представила платформу Numira 2.0 для создания корпоративных ИИ-агентов

Компания Axenix вывела на рынок обновлённую платформу Numira 2.0 для создания и эксплуатации корпоративных ИИ-агентов на базе генеративного ИИ. Решение позволяет собирать интеллектуальных ассистентов из готовых компонентов, интегрировать их с внутренними системами компании и запускать в промышленную эксплуатацию без сложной технической настройки. 

В новой версии Axenix доработала архитектуру, интеграционные возможности, инструментарий и интерфейс, а также расширила число сценариев, в которых можно применять ИИ-агентов. Платформа поддерживает создание единой базы знаний, повторное использование уже собранных компонентов и запуск агентов через привычный чат-интерфейс. 

Ключевой акцент сделан на прикладную агентную модель. ИИ-агент может последовательно выполнять цепочки действий: работать с документами, обращаться к внешним и внутренним источникам, генерировать результат в нужном формате и запускать связанные процессы. 

С помощью Numira 2.0 компания может легко создать своего агента для той или иной цели или выбрать в библиотеке нужное решение и донастроить его под свои бизнес-процессы. Мы идем дальше: развиваем интеграционные возможности ИИ-агентов для работы с учетными системами, такими как «1С» и SAP».

Александр Стрельников, руководитель направления GenAI Axenix

Архитектурно платформа строится по принципу behaviour-first: в центре находится языковая модель, а поверх неё задаются поведенческая логика, набор подключений, правила безопасности и ограничения. В Numira 2.0 есть:

• среда для создания агентов; 
• API для работы с ними из внешних систем;
• библиотека агентов;
• баз знаний, моделей и промптов; 
• оркестратор для сложных сценариев; 
• поддержка подключения собственных LLM-моделей и интеграций через MCP. 

Numira 2.0 можно использовать как самостоятельно, так и в сочетании с решениями других вендоров. Платформа уже используется в проектах внедрения, включая совместную работу с одним из крупнейших агрохолдингов страны. 

Почему это важно:

• Корпоративный ИИ движется от отдельных генеративных функций к агентам, способным выполнять целые цепочки действий.
• Для бизнеса появляется возможность быстро встроить ИИ в реальные процессы, интеграции и контуры безопасности.
• Низкий порог входа расширяет круг компаний, которые могут перейти от экспериментов с ИИ к его практическому внедрению.
• Появление таких платформ показывает, что российский рынок переходит от обсуждения генеративного ИИ к созданию прикладной инфраструктуры для агентных систем.

Источник: Axenix

В ПНИПУ создали самообучающуюся программу для управления непрерывным производством

Учёные Пермского Политеха разработали программу, которая позволяет промышленной системе управления самостоятельно переобучаться в реальном времени без остановки производства, дорогостоящих тестов и постоянного участия технолога. На одном из крупнейших нефтехимических предприятий страны внедрение такого подхода повысило стабильность качества на 30% и почти вдвое снизило расход энергии. 

Разработка решает типичную проблему непрерывных производств: алгоритмы управления со временем начинают отставать от реальности. Обычно такие системы приходится перенастраивать вручную, а это дорого, долго и зависит от конкретного специалиста. 

В основе решения ПНИПУ — блок текущей идентификации, встроенный в схему управления. Он постоянно сравнивает прогноз модели с фактическими параметрами процесса и, если ошибка становится слишком большой, автоматически запускает переобучение: подгружает свежие данные, пересчитывает параметры и обновляет настройки системы. Всё это происходит прямо в ходе работы установки, без остановки производства. 

Технологию проверяли в несколько этапов: сначала на цифровой модели завода, затем на реальных производственных данных, а после — на действующей установке депропанизации на «ЗапСибНефтехиме». 

После внедрения система стала прогнозировать качество продукта точнее в два раза. Расход пара, который тратится на нагрев, снизился с 524 килограммов в час до 290 — сокращение в 1,8 раза. А главный показатель качества вырос на 30 процентов. Это значит, что продукт стал стабильным: раньше он то соответствовал стандарту, то чуть хуже, а теперь держится в узком коридоре нормы.

Михаил Работников, старший преподаватель кафедры «Оборудование и автоматизация химических производств» ПНИПУ, кандидат технических наук

Алгоритм уже лёг в основу коммерческого программного продукта и может применяться не только в нефтехимии, но и на других непрерывных производствах 

Почему это важно:

• Система позволяет «умному» производству подстраиваться под реальные изменения сырья и оборудования, не теряя точности.
• Переобучение идёт без остановки процесса, что особенно важно для непрерывных производств.
• Эффект измеряется в конкретных показателях: качестве продукта, расходе энергии и снижении ручной настройки.
• Это пример того, как российские алгоритмы уже работают в реальном промышленном контуре, а не только в пилотных проектах.

Источник: ПНИПУ

Новости науки и прикладной инженерии

Всё, что помогает точнее работать с данными, быстрее проводить эксперименты и создавать новые технологии.

В МФТИ сделали сегнетоэлектрическую память рекордно выносливой

Учёные МФТИ продлили ресурс памяти на основе сегнетоэлектриков до рекордных 100 миллионов циклов перезаписи. Это в тысячи раз больше, чем у современной флеш-памяти. 

Сегнетоэлектрическая память считается одним из перспективных направлений микроэлектроники, потому что сочетает сразу несколько важных свойств: 

• может хранить данные без питания;
• быстро переключаться; 
• работать в очень тонких слоях, подходящих для миниатюрных чипов. 

Кроме того, такие материалы способны находиться не только в двух состояниях, но и в промежуточных, что делает их интересными для нейроморфных вычислений — устройств, имитирующих работу синапсов мозга.

Учёные МФТИ изучили память на основе оксида гафния-циркония и нашли способы лучше управлять её ключевыми ограничениями. Исследователи создали математическую модель, которая позволяет заранее оценить, как память будет вести себя в течение длительного времени. Она учитывает эффект импринта — постепенного изменения свойств материала из-за накопления заряда внутри структуры. 

Самым заметным инженерным результатом стало выявление управляемого баланса между долговечностью и способностью удерживать данные. Оказалось, что ультратонкая плёнка толщиной 5 нанометров держит заряд немного хуже, но выдерживает более 100 миллионов циклов перезаписи. Более толстые плёнки, наоборот, лучше сохраняют информацию, но быстрее исчерпывают ресурс. Память на основе сегнетоэлектриков можно заранее настраивать под разные задачи.

Исследователи предложили инженерную карту для проектирования памяти нового поколения. Она показывает, как бороться с токами утечки, как оценивать срок службы устройства и как выбирать оптимальную толщину рабочего слоя под конкретное применение.

Почему это важно:

• Результаты работы открывают путь к созданию новых типов энергоэффективной и долговечной памяти для медицинских имплантов, нейроинтерфейсов и систем искусственного интеллекта.
• Память можно адаптировать под разные сценарии: для одних устройств важнее долгое хранение данных, для других — способность выдерживать огромное число быстрых перезаписей.
• Работа МФТИ даёт практические ориентиры для инженеров, которые будут проектировать реальные чипы на основе сегнетоэлектриков.

Источник: МФТИ

Для СКИФ разработали ПО для управления экспериментальными данными

В Новосибирске создали прототип программного обеспечения для управления экспериментальными данными на синхротроне СКИФ. Разработка представляет собой цифровой лабораторный журнал, который должен обеспечить сбор, систематизацию, хранение и удобный доступ к данным дифракционных экспериментов. ППО создаст для учёных СКИФ и внешних пользователей единую цифровую среду, в которой можно будет выстраивать весь цикл работы.

Система позволит вести календарь экспериментов, хранить сведения о пробах, методиках, использованном оборудовании и условиях измерений, а также фиксировать ключевые параметры образцов и данные их предварительной характеризации. В ней предусмотрены единая база данных с разными уровнями доступа и система поиска, что должно упростить как планирование экспериментов, так и повторную работу с уже полученными результатами.

Похожий цифровой лабораторный журнал уже зарекомендовал свою эффективность в мировой практике в области макромолекулярной кристаллографии. При этом следует учитывать, что существующие решения требуют значительной адаптации под особенности работы оборудования каждого синхротрона. 

Сергей Архипов, глава отдела синхротронных исследований для биологии и биомедицины ЦКП «СКИФ»

Для дифракционных исследований низкомолекулярных органических и неорганических соединений готовых программ такого уровня сейчас фактически нет. Разработка для СКИФ закрывает важный инфраструктурный пробел ещё до полноценного запуска установки.

Почему это важно:

• Для мегасайенс-установок критична н способность организованно работать с большими массивами данных. 
• Новый журнал помогает превратить эксперимент в управляемый исследовательский процесс с понятной структурой, историей и доступом для разных участников.
• Система разрабатывается под реальные особенности будущего синхротрона — пользователи СКИФ сразу получат рабочую цифровую инфраструктуру.

Источник: ТАСС Наука 

В Сириусе создали ИИ-систему для быстрого анализа поведения животных при заболеваниях мозга

Учёные Научно-технологического университета «Сириус» разработали систему на основе машинного обучения, которая автоматически распознаёт и анализирует поведение лабораторных крыс с генетическими нарушениями работы мозга. Такие животные используются как модели болезни Паркинсона, депрессии и других неврологических и аффективных расстройств. 

Новый подход позволяет изучать изменения поведения быстрее, точнее и объективнее, чем при ручном наблюдении. В основе разработки — нейросеть, обученная по размеченным видеозаписям. Исследователи вручную обозначили более семи тысяч кадров, отметив ключевые точки на теле животных, после чего алгоритм научился самостоятельно определять позы и распознавать действия: движение, замирание, стойки на задних лапах и исследовательское поведение. 

Для проверки метода учёные использовали две генетические линии крыс с хорошо изученными нарушениями:

• Одна линия моделировала расстройства, связанные с дофаминовой системой, включая болезнь Паркинсона.
• Другая — состояния, связанные с дефицитом серотонина, в том числе депрессивные расстройства. 

Автоматизированный анализ позволил точно выделить поведенческие различия между здоровыми и мутантными животными и определить, какие именно формы активности сильнее всего меняются при тех или иных нарушениях.

Система показала, что для одних моделей главным маркером становится длина пройденного пути, а для других — снижение вертикальной активности, например более редкие стойки на задних лапах. Точность классификации достигла 84% для одной линии и 98% для другой. 

 В данной работе мы продемонстрировали потенциал применения методов машинного обучения для анализа поведения животных. Мы полагаем, что разработанная система в сочетании с предложенными поведенческими тестами способна существенно ускорить и стандартизировать анализ поведения как различных генетических линий, так и скрининг новых потенциальных фармакологических препаратов.

Данил Луковиков, автор исследования, младший научный сотрудник, аспирант направления «Нейробиология» Научного центра генетики и наук о жизни Университета «Сириус»

Почему это важно:

• Поведенческий анализ в доклинических исследованиях остаётся трудоёмким и субъективным, а автоматизация делает его быстрее и надёжнее.
• Система помогает точнее выделять изменения поведения и лучше понимать механизмы неврологических и аффективных нарушений.
• Для разработки лекарств это означает более быстрый отбор перспективных соединений на ранних этапах.
• Это ещё один пример того, как ИИ становится прикладным инструментом биомедицинских исследований.

Источник: Университет «Сириус» 

Подписывайся на наш Telegram-канал — там мы рассказываем о главных достижениях России в IT, науке, космосе и инженерии. Если у тебя есть интересные новости о российских технологиях, присылай их на support@codenrock.com.