ИТОГОВАЯ_ПРЕЗЕНТАЦИЯ_Эдильсултанов_Хамзат

1.

Итоговая презентация
Эдильсултанов Хамзат БИ 101

2.

Тема 1. Введение в
естествознание
Что изучает естествознание
Цепочка «наука → технологии»
Система знаний о природе: материя,
энергия, пространство, время, живые
организмы. Объекты изучения —
атомы, молекулы, клетки, экосистемы,
Факты и ИТ-сервисы
Измерени
я
Данные
планеты.
Научные открытия становятся
технологиями: лекарства, материалы,
энергия.
Пример: физика полупроводников (наука) → данные о характеристиках →
модель → оптимизатор для проектирования чипов.

3.

Тема 2. Методы научного исследования
Наблюдение
Эксперимент
Измерение
Сбор фактов без вмешательства в
Активное вмешательство для проверки
Количественная оценка параметров
процесс
гипотезы
Моделирование
Анализ
Замещение объекта его цифровой
Выявление закономерностей в данных
копией
Цифровые инструменты: электронные лабораторные журналы, системы контроля версий данных, Jupyter Notebooks для
воспроизводимых расчётов.

4.

Тема 3. Научные теории и законы
Факт
Гипотеза
Единичное наблюдение, зафиксированное в конкретных
Предположение, требующее проверки экспериментом
условиях
Теория
Закон
Система объяснений, подтверждённых множеством фактов
Устойчивая количественная связь между явлениями
Законы → Алгоритмы → Код
Практический пример
Закон всемирного тяготения → формула → программный код для
Закон Ома U = IR встроен в каждую систему управления
расчёта орбит. Законы позволяют прогнозировать будущие
электроприводом — от умной розетки до электромобиля.
состояния системы без экспериментов.

5.

Тема 4. Структура и свойства вещества
Кристаллические структуры
Аморфные структуры
Материалы для технологий
Упорядоченное расположение атомов.
Хаотичное расположение. Пример:
Полимеры для 3D-печати,
Пример: алмаз — трёхмерная решётка,
графит — слоистая структура, мягкий.
полупроводники для чипов, композиты
максимальная твёрдость.
Оба из углерода!
для авиации.

6.

Тема 5. Энергия и движение
Базовые понятия
Работа
Закон сохранения энергии
Энергия не исчезает и не возникает
— только переходит из формы в
Сила × путь
форму. Это фундамент расчёта
расхода топлива и оптимизации
Мощность
маршрутов.
Работа / время
Цифровой контроль
Кинетическая энергия
Энергия движущегося тела
Потенциальная энергия
Энергия положения в поле сил
Датчики движения, трекеры GPS,
системы автоматического
торможения.

7.

Тема 6. Тепловые явления
Теплопроводность
Конвекция
Излучение
Передача тепла через твёрдые тела.
Перенос тепла потоками жидкостей и газов.
Инфракрасное тепловое излучение.
Применяется в металлургии и производстве
Основа систем охлаждения серверных
Тепловизоры фиксируют утечки тепла и
радиаторов охлаждения.
стоек.
перегрев оборудования.
Пример: датчики температуры в серверной стойке → автоматическое изменение скорости вентиляторов → предотвращение
перегрева через SCADA-систему.

8.

Тема 7. Электричество и
магнетизм
Ключевые понятия
Принцип взаимодействия
Электрический ток —
Переменное магнитное поле
направленное движение
порождает ток — основа
зарядов
генераторов и трансформаторов.
Напряжение — разность
Ток в магнитном поле испытывает
потенциалов
силу — основа электродвигателей.
Сопротивление —
препятствие движению тока
Магнитное поле — возникает
вокруг проводника с током
Умная энергосистема
Датчики напряжения и тока → ИИ
прогнозирует пики нагрузки →
автоматически подключает
накопители энергии.

9.

Тема 8. Оптика и световые явления
Отражение
Преломление
Дисперсия
Угол падения = углу отражения. Основа
Изменение направления на границе
Разложение белого света в спектр.
зеркал, оптических энкодеров и
сред. Основа линз, оптических волокон
Применяется в спектрометрах для
лазерных дальномеров.
и микроскопов.
анализа состава веществ.
Лидары на беспилотниках
Лазерный луч сканирует местность → нейросеть строит карту препятствий в реальном времени. Волоконно-оптические кабели
обеспечивают скорость света и помехозащищённость в телекоммуникациях.

10.

Тема 9. Нанотехнологии
1-100
↑S/V
Нанометров
Площадь/Объём
Рабочий диапазон наноуровня — в 10 000 раз тоньше человеческого
Огромное отношение площади поверхности к объёму — ключ к
волоса
катализу и сенсорам
Квантовые эффекты
Медицина
Материалы
На наноуровне вещество ведёт себя
Адресная доставка лекарств к раковым
Более прочные и лёгкие
иначе, чем в макромире — новые
клеткам без вреда для здоровых тканей
конструкционные материалы для
электрические и оптические свойства
авиации и электроники
Пример: нанослой диоксида титана на стекле делает его самоочищающимся и антибактериальным. Молекулярное моделирование
предсказывает поведение нанопокрытий до синтеза.

11.

Тема 10. Биотехнологии
Основные направления
Генная инженерия
Биосинтез
Биомедицина
CRISPR — точечное редактирование
Получение биотоплива,
Клеточная терапия, ГМО-культуры с
генома для лечения наследственных
антибиотиков и инсулина из
устойчивостью к вредителям
болезней
рекомбинантных бактерий
Биоинформатика: алгоритмы собирают фрагменты ДНК в целый геном и находят гены, связанные с болезнью. Секвенирование
генома даёт терабайты данных для анализа.

12.

Тема 11. Информационные технологии в
науке
Базы данных
Реляционные и NoSQL БД для хранения и структурирования научных данных
любого масштаба
Облачные платформы
AWS, Google Cloud — анализ всей планеты по спутниковым данным, дни вместо лет
HPC-кластеры
Высокопроизводительные вычисления для симуляций молекулярной динамики и
климатических моделей
Воспроизводимость
Git, контейнеры Docker — учёный должен уметь писать скрипты и управлять
версиями данных
Цифровая лаборатория: все приборы подключены к сети, данные автоматически
попадают в единую базу с версионированием.

13.

Тема 12. Космические
исследования
Основные направления
Астрофизика — строение и
эволюция Вселенной
Планетология — изучение
планет Солнечной системы
Прикладные эффекты
Навигация
GPS/ГЛОНАСС — основа логистики
и транспорта
ДЗЗ — дистанционное
зондирование Земли
Данные и вычисления
Погода
Прогноз погоды по спутниковым
снимкам
Телескопы генерируют петабайты
снимков — нейросети ищут
Агро
экзопланеты в этом потоке.
Мультиспектральные снимки
выявляют засоление почвы и
дефицит азота для точного внесения
удобрений

14.

Тема 13. Экологические проблемы и устойчивое развитие
Рост CO₂
Пластик
Биоразнообразие
Вода
Климатические изменения, таяние ледников, экстремальные погодные явления
Загрязнение океанов и почв, микропластик в пищевых цепочках
Утрата видов, деградация экосистем, вырубка лесов
Нехватка чистой воды для 2 млрд человек к 2050 году
ESG-аналитика: платформа собирает данные о выбросах, воде и отходах и генерирует отчёты для инвесторов.
Мониторинг вырубок леса — по спутниковым снимкам в реальном времени.

15.

Тема 14. Энергетика будущего
Возобновляемые источники
1
Солнечная и ветровая генерация — стоимость ВИЭ падает каждый год
Водородная энергетика
2
Чистое топливо для транспорта и промышленности без выбросов CO₂
Накопители энергии
3
Литий-ионные и проточные батареи для балансировки сети
4
Smart Grid
Умные сети балансируют потребление и генерацию, отключая некритичные приборы в часы пик
Предиктивная аналитика для ветряков предсказывает поломки. Блокчейн обеспечивает P2P-торговлю электроэнергией между
домохозяйствами.

16.

Тема 15. Медицинские технологии
• Связь приборов, данных и ИИ: сенсоры снимают ЭКГ или давление → данные идут в облако → нейросеть ищет аритмии и
отправляет врачу.
• Персонализация: подбор доз лекарств по данным генома пациента (фармакогеномика).
• Цифровая инфраструктура: электронные медицинские карты (ЕМИАС), телемедицинские платформы.
Ключевые направления
Носимые устройства: умные часы, глюкометры
Телемедицина и дистанционный мониторинг
Роботизированная хирургия
Фармакогеномика: подбор доз по геному пациента
ИИ-диагностика рака лёгких: нейросеть находит подозрительные узелки на КТ-снимке с точностью выше человеческой. Электронные
медицинские карты (ЕМИАС) хранят всю историю пациента.

17.

Тема 16. Робототехника и автоматизация
Роль ИИ в робототехнике
Пример: лабораторный робот
Автоматически берёт пробирки → дозирует реагенты → запускает
ПЦР-анализ → выдаёт результат. Человек задаёт цель, робот
выполняет последовательность, корректируясь по сенсорам.
Компьютерное зрение для распознавания объектов
Обучение с подкреплением для навигации
Обмен данными с облаком через IoT

18.

Тема 17. Цифровая трансформация в науке
1
Бумажные журналы
Одиночные исследования, медленный обмен результатами
2
Электронные системы
Лабораторные информационные системы, версионирование данных
3
Облачные коллаборации
Zenodo, arXiv, Folding@home — открытые данные и краудсорсинг вычислений
4
Data-driven Science
Гипотеза возникает из анализа больших данных, скорость выросла в 10–100 раз
Цифровая исследовательская экосистема: единый портал с доступом к данным, приборам, ПО и вычислительным кластерам.

19.

Тема 18. Математическое моделирование и симуляции
Инструменты
Зачем нужны модели?
Опасность
Время
Ядерный взрыв нельзя
Эволюция климата занимает
воспроизвести в реальности
тысячи лет
MATLAB/Simulink, COMSOL Multiphysics, OpenFOAM (CFD), Ansys —
параллельное тестирование тысяч вариантов.
Стоимость
Краш-тест самолёта стоит миллионы долларов
Пример: модель эпидемии — на входе контактные данные и заразность, на выходе прогноз числа госпитализаций для
планирования коек.

20.

Темы 19–20. Анализ данных и ИИ в науке
Цикл работы с данными
ИИ в естественных науках
Сбор
Распознавание
Прогнозирование
Сенсоры, опросы, базы данных
Клетки на снимке,
типы галактик
Погода, свёртывание
белков (AlphaFold)
Очистка
Пропуски, выбросы, нормализация
EDA
Исследовательский анализ и визуализация
Моделирование
Оптимизация
Форма крыла, новые материалы
Ограничения ИИ: «чёрный ящик», переобучение,
смещение (bias) в обучающей выборке. Garbage in —
garbage out.
ML, статистика, HPC
Вывод
Интерпретация и принятие решений
GNN (графовая нейросеть) предсказывает температуру сверхпроводимости для миллионов составов, отбирая кандидатов для
лабораторного синтеза. 100 лет климатических данных с 10 000 станций — поиск трендов температуры за секунды.

21.

Тема 21. Блокчейн и безопасность данных
Блокчейн — это распределённый реестр, в котором каждый блок содержит хеш предыдущего. Это делает незаметное изменение данных физически
невозможным.
Как обеспечивается доверие
Значение для научных данных
Без центрального администратора — за счёт консенсуса (например,
Фиксация времени открытия и приоритета
proof-of-work) и криптографии. Сеть участников коллективно
Защита от подделки результатов исследований
верифицирует каждую транзакцию.
Контроль цепочек поставок проб и образцов
Умные контракты для автоматического распределения грантов
Пример: Учёный загружает датасет в блокчейн-репозиторий и получает неизменяемую временную метку — неопровержимое доказательство
приоритета открытия.

22.

Сценарии применения блокчейна в науке
Децентрализованное хранение
Временны́е метки
Данные исследований хранятся распределённо — нет единой
Неизменяемая фиксация момента публикации результата —
точки отказа или цензуры.
защита интеллектуальной собственности учёного.
Умные контракты
Цепочки поставок
Автоматическое распределение грантов при выполнении
Контроль происхождения биологических проб, реагентов и
заранее заданных условий без посредников.
оборудования от источника до лаборатории.
Весь процесс от загрузки данных до получения доказательства приоритета занимает секунды и не требует доверия к третьей стороне.

23.

Тема 22. Интернет вещей (IoT) и его роль в науке
IoT объединяет физические датчики, сети передачи данных и аналитические платформы в единый непрерывный поток информации о
реальном мире.
Датчики
Температура, влажность, вибрация — физические измерения среды
Сети
LoRaWAN, NB-IoT, 5G — передача данных на любые расстояния
Платформа
Облачный сбор и хранение потоков данных в реальном времени
Аналитика
Извлечение знаний, прогнозирование, управляющие решения

24.

IoT: Edge vs Cloud и научные преимущества
Edge / Cloud архитектура
Пример: лесной мониторинг
Простые алгоритмы работают прямо на датчике (edge) — фильтрация
Сотня датчиков влажности почвы и температуры каждые
шума, пороговые сигналы. Сложные задачи — машинное обучение,
10 минут отправляют данные в облако. Система
агрегация — выполняются в облаке.
анализирует тренды и предсказывает пожароопасность
задолго до возгорания.
24/7 без участия
человека
Динамика процесса
Непрерывный сбор данных в
измерения, но и полная
удалённых и опасных местах:
временна́я динамика явления.
вулканы, глубины океана,
Арктика.
Видна не только разовая точка
Предотвращение лесных пожаров через раннее
предупреждение

25.

Тема 23. Облачные технологии и их применение
Облака предоставляют масштабируемое хранилище (вплоть до петабайт), вычислительные ресурсы по требованию (тысячи ядер на час) и
доступность из любой точки мира.
IaaS
PaaS
SaaS
Виртуальные машины и инфраструктура —
Среда разработки и развёртывания — фокус
Готовые приложения — немедленный старт
полный контроль над средой
на коде, не на серверах
без установки и настройки
Значение для науки
Риски и ограничения
Общий доступ к данным и моделям без пересылки файлов по
Зависимость от стабильного интернет-соединения
почте
Риски утечки конфиденциальных данных
Совместная работа команд из разных стран в реальном времени
Высокие расходы при неправильной настройке ресурсов
Запуск тяжёлых вычислений без покупки собственного железа
Пример: Исследователь загружает сырые данные секвенатора в Google Cloud Life Sciences, запускает пайплайн обработки и через час
получает список мутаций.

26.

Тема 24. Цифровые платформы для
научных исследований
Платформа — это среда интеграции, объединяющая данные (базы знаний),
инструменты (ПО, алгоритмы) и участников (исследователи, организации) в
едином пространстве.
Хранение и поиск
Структурированные базы данных с мощным поиском по метаданным,
тегам и содержимому датасетов.
Совместная работа
Комментарии, версионирование, история изменений — все работают в
едином пространстве вместо обмена файлами по email.
Встроенная аналитика
Инструменты обработки и визуализации данных прямо внутри платформы без экспорта.
Публикация и обмен
Открытый доступ к результатам: DOI, лицензии, воспроизводимость —
знания не теряются при уходе сотрудника.
Пример — Zenodo: Загрузите датасет, получите DOI, и любой учёный в
мире сможет скачать и воспроизвести ваш результат.

27.

Тема 25. Инновационные технологии в науке
Инновация в науке — это не просто новинка, а технология, обеспечивающая значимый эффект (ускорение в 10+ раз) и масштабируемая на
широкий круг задач.
Генеративный ИИ
Квантовые вычисления
Дизайн белков и молекул, генерация гипотез, ускорение
Моделирование молекулярных систем недостижимой
открытий
сложности
Автономные лаборатории
Цифровые двойники
Роботы + ИИ планируют и проводят эксперименты без участия
Полноцикловые виртуальные копии объектов для
человека
прогнозирования и управления
Путь от науки к продукту
Пример: ИИ + IoT + цифровой двойник
Научный прототип → стартап → масштабируемый продукт.
Цифровой двойник нефтяной платформы получает данные с тысяч
Инновации требуют команд, где учёные владеют ИИ и
датчиков, ИИ предсказывает отказы, рекомендации отправляются
инженерией данных.
операторам в AR-очках в реальном времени.

28.

Темы 26–27. IoT на практике и большие данные
Практический контур IoT
Последовательный поток от физического измерения до управляющего
воздействия:
Датчик
Специфика Big Data в науке
Объём
Скорость
Терабайты и петабайты —
полные выборки вместо малых
Поступление в реальном
времени — потоковая
обработка
Физическое измерение параметра среды или оборудования
Разнообразие
Сеть
Изображения, временны́е ряды, тексты, графы — мультимодальность
Надёжная передача с буферизацией при обрывах связи
Инструменты: Apache Spark, Dask, Hive, Cassandra
Платформа
Хранение, агрегация, шифрование потоков данных
Аналитика → Решение
Прогноз, сигнал тревоги или управляющее воздействие
Мониторинг мерзлоты: датчики по скважине передают данные
через спутник раз в сутки — учёные видят скорость оттаивания и
прогнозируют просадку зданий.
Климатическая модель CMIP6 содержит петабайты симуляций.
Анализ на Spark позволяет найти регионы систематических ошибок
и уточнить параметры.

29.

Тема 28. Автоматизация научных исследований
Автоматизация охватывает весь цикл исследования — от постановки эксперимента до публикации отчёта —
обеспечивая скорость, повторяемость и воспроизводимость.
Три уровня автоматизации
Физическая: жидкостные манипуляторы, роботы-синтезаторы
Программная: пайплайны Snakemake / Nextflow
Интеллектуальная: ИИ сам выбирает следующий эксперимент
Управленческий эффект
Научный сотрудник занимается наукой, а не рутиной.
Результаты не теряются — всё зафиксировано в коде и логах.
Робот смешивает реагенты по 96-луночному планшету, спектрометр
измеряет свойства, ИИ корректирует следующий раунд для поиска
оптимального состава полимера.

30.

Тема 29. Виртуальная и
дополненная реальность в науке
VR — полное погружение
AR — дополнение реальности
Шлем полностью заменяет реальность
Очки или экран смартфона накладывают
цифровой средой. Исследователь может
цифровые объекты на реальный мир.
«войти» внутрь вируса, белка или
галактики.
взять и повернуть
Траектории спутников в масштабе
Удалённое управление
микроскопом с AR-подсказками
Студент «проходит» внутри вируса
в образовательных целях
Потоки жидкости — стрелки и
траектории в объёме
3D-молекулы, которые можно
PDB-файлы превращаются в
интерактивную 3D-сцену
Солнечной системы
Пример VR-лаборатории: Исследователь в шлеме «берёт» белок, раздвигает две
субъединицы и видит, как это влияет на связывание лекарства — без запуска тяжёлых
симуляций.

31.

Тема 30. Цифровые двойники в естественных науках
Цифровой двойник — это динамическая цифровая копия физического объекта или процесса, которая обновляется в реальном времени и может управлять
оригиналом.
Реальный объект
Данные
1
Датчики фиксируют состояние физической
2
системы
4
Обратная связь
Прогноз и управляющий сигнал возвращаются к
объекту
Непрерывный поток измерений в реальном
времени
Модель
3
Физическая или ML-модель строит цифровую
копию
Пример — двойник экосистемы: Спутники и датчики подают температуру и влажность, модель прогнозирует глубину оттаивания мерзлоты,
пожароопасность и углеродный баланс леса.

32.

Тема 31. Управление проектами цифровой трансформации
Проекты на стыке науки и цифровых технологий отличаются высокой неопределённостью, междисциплинарностью и длительным циклом внедрения.
Цель (SMART)
Ресурсы и риски
Конкретная, измеримая, достижимая цель с чёткими критериями успеха
Люди, бюджет, инфраструктура. Технические и кадровые риски —
и дедлайном.
идентифицированы заранее.
Agile / Гибридный подход
KPI и команда
Водопадная модель для инфраструктуры + спринты для разработки
Измеримые показатели (скорость обработки данных). Команда: учёный +
алгоритмов.
программист + администратор БД.
Ни один человек не знает и науку, и ИТ достаточно глубоко — междисциплинарная команда обязательна.
Пример: Цель — перевести все лабораторные журналы в цифру за 6 месяцев. KPI — доля экспериментов, зафиксированных в новой системе.

33.

Тема 32. Будущее цифровой трансформации в науке
Долгосрочные тренды формируют новую парадигму науки, где исследователь задаёт цель, а система сама проводит весь цикл от гипотезы до
отчёта.
Сегодня
Ближайшее будущее
Горизонт
Облака, IoT, ML-пайплайны, цифровые
Автономные лаборатории,
Квантовые вычисления для молекул,
двойники первого поколения
фундаментальные модели для науки, DAO-
цифровые сертификаты без физических
коллаборации
испытаний
Новые компетенции исследователя
Риски и возможности
Работа с big data и распределёнными системами
Понимание основ машинного обучения
Риск: Цифровое неравенство — богатые лаборатории улетят
Версионирование кода и моделей (Git, DVC)
вперёд, оставив остальных позади.
Открытая наука и воспроизводимость
Возможность: Ускорение открытий в 100 раз — интеграция ИИ,
цифровых двойников, платформ и роботов-синтезаторов.

34.

СПАСИБО ЗА ВНИМАНИЕ!