Аспирантура
i
1.2.1
ИИ и машинное
обучение
3 года
обучения
5 бюджетных мест
для граждан РФ
5 контрактных мест
для граждан РФ
Очная форма обучения
Русский язык программы
Стоимость обучения
У поступающих в аспирантуру на контрактную форму обучения в рамках приёмной кампании 2026−2027 года есть возможность получить грант на обучение.
Грант полностью покрывает оплату за обучение за все 3 года. Всего предусмотрено до 5 грантов. Организатор грантового конкурса — Некоммерческий Фонд развития науки и образования «Интеллект» при поддержке фонда Олега Дерипаска «Вольное дело».
Для получения гранта будут рекомендованы абитуриенты:
- подавшие документы в аспирантуру ФИИ МГУ на контрактную форму обучения;
- набравшие по результатам вступительного испытания количество баллов, необходимое для зачисления на место с оплатой стоимости обучения.
Оплата производится Фондом напрямую образовательной организации два раза в год, по семестрам, в размере 50% от стоимости обучения за учебный год. Грантовая поддержка не включает выплату стипендии, компенсацию расходов на проживание, транспортные расходы и иные расходы обучающегося.
Предоставление грантовой поддержки прекращается в случае:
- отчисления обучающегося;
- нарушения устава Университета, учебной дисциплины, правил внутреннего распорядка и иных локальных нормативных актов МГУ;
- перевода на другой факультет;
- оформления академического отпуска;
- оформления отпуска по беременности и родам или отпуска по уходу за ребенком;
- обучения в другом образовательном учреждении высшего образования по программам аспирантуры одновременно с обучением на ФИИ МГУ;
- перевода на бюджетную форму обучения.
Ключевые преимущества
Передовые направления ИИ
Машинное обучение, NLP, компьютерное зрение и генеративные модели
Наука и исследования
Работа с исследовательскими центрами, научными лабораториями и индустриальными партнёрами
Современные лаборатории
Инфраструктура и оборудование для экспериментов и разработки моделей
Индивидуальный подход
Для более результативной работы с научным руководителем и проведения собственных исследований
Проблематика научных исследований
Оселедец Иван Валерьевич
Д.ф.-м.н., профессор РАН
Широкий спектр исследований в области искусственного интеллекта и машинного обучения в рамках научной специальности 1.2.1 «Искусственный интеллект и машинное обучение», в том числе тензорные методы и эффективные вычисления в машинном обучении.
Возможные направления исследований:
• Сжатие и ускорение нейросетевых моделей
• Tensor networks и их применение в ML
• Эффективные алгоритмы линейной алгебры
• Приближенные методы оптимизации
Конушин Антон Сергеевич
К.ф.-м.н.
Компьютерное зрение и анализ визуальных данных: изображения, видео и трёхмерные сцены.
Возможные направления исследований:
• 3D-реконструкция и моделирование по мультимодальным данным
• Агенты и мультиагентные системы для задач понимания визуальных данных
• Реверс-инжиниринг для САПР систем
• ИИ-ассистенты для инженерных задач
Воронцов Константин Вячеславович
Д.ф.-м.н., профессор РАН
Широкий спектр исследований в области data science и анализа данных.
Возможные направления исследований:
• Разработка и анализ алгоритмов машинного обучения
• Задачи классификации, кластеризации и прогнозирования
• Методы математической статистики и оптимизации
• Анализ больших данных в прикладных областях
Чекалина Виктория Александровна
К.ф.-м.н.
Оптимизация больших языковых моделей (LLM). Knowledge graphs как дополнительная модальность.
Возможные направления исследований:
• Ускорение инференса — низкоуровневые GPU-ядра на Triton, оптимизация памяти и планирования вычислений
• Эффективное KV-кэширование — снижение потребления памяти и ускорение генерации
• Использование графов знаний для улучшения качества языковых моделей во временно́м рассуждении, отказе от ответа при недостатке данных и в финансовом домене
Сенюшкин Дмитрий Сергеевич
К.ф.-м.н.
Мультимодальное машинное обучение и визуальное понимание. Исследования в области объединения различных типов данных в единой модели.
Возможные направления исследований:
• Мультимодальные модели (текст, изображение, видео)
• Задачи визуального понимания
• Обучение представлений для комплексных данных
• Интеграция разных источников информации в AI-системах
• Пространственный интеллект (Spatial AI)
• Обучаемые модели управления
• Робототехника и беспилотный транспорт
Дорн Юрий Владимирович
К.т.н.
Оптимизация и адаптивные системы принятия решений. Работа в области теории оптимизации и последовательного принятия решений.
Возможные направления исследований:
• Задачи многорукого бандита
• Онлайн-, стохастическая и робастная оптимизация
• Адаптивное принятие решений при неопределённости
• Heavy-tailed bandits и zeroth-order optimization
• Оптимизация в прикладных AI, инженерных и IT-системах
Мунхоева Марина Леонидовна
К.ф.-м.н.
Self-supervised learning, representation learning. Исследования посвящены современным методам обучения представлений, включая self-supervised learning, а также анализу структуры и свойств представлений, формируемых глубокими нейронными сетями.
Возможные направления исследований:
• Методы предобучения без учителя
• Анализ структуры, геометрии, информационных свойств и механизмов формирования представлений в глубоких нейронных сетях
• Методы повышения качества данных и эффективности обучения моделей
Чертков Андрей Владимирович
К.комп.н.
Исследования в области вычислительной математики и эффективных методов для ML.
Возможные направления исследований:
• Многомерная безградиентная оптимизация: глобальная оптимизация, поиск экстремумов, оптимизация гиперпараметров, обучение с подкреплением
• Тензорные методы для научных и инженерных вычислений: суррогатное моделирование, разложение тензорного поезда, крестовая аппроксимация
• Тензорные методы в глубоком обучении: малоранговые представления, визуализация и интерпретация, оценка робастности моделей
• Обучение гибридных нейросетей с физическими и black-box слоями
Паутов Михаил Александрович
К.комп.н.
Исследования в области вычислительной математики и эффективных методов для ML.
Возможные направления исследований:
• Устойчивость нейронных сетей к adversarial-атакам
• Методы certified robustness
• Watermarking моделей и защита интеллектуальной собственности
• Анализ и повышение надёжности моделей, в том числе в задачах компьютерного зрения
• Membership inference и противодействие ему
• Контролируемое разобучение нейронных сетей
• Разработка достоверных методов детекции сгенерированного контента
Приёмная кампания 2026
Сроки и порядок подачи документов
12 мая – 30 июня
Подача документов лично либо через оператора почтовой связи
20 июня – 30 июня
до 18:00
Подача документов посредством ЕПГУ — предпочтительный способ подачи документов
Перечень документов
Копия документа, удостоверяющего личность и гражданство (паспорт).
Оригинал или копия диплома о высшем образовании (магистратура или специалитет) и приложения к нему. Оканчивающие обучение в 2026 году представляют справку из вуза об обучении и предполагаемых сроках выдачи диплома. Если диплом выдан иностранным вузом, нужно предоставить нотариально заверенный перевод диплома и приложения на русский язык.
Документы, подтверждающие индивидуальные достижения (при наличии). Баллы начисляются в соответствии с Правилами приёма и критериями учёта индивидуальных достижений факультета искусственного интеллекта МГУ.
СНИЛС.
Две матовые фотографии 3×4 см.
Эссе по теме научной специальности в формате Word или PDF. Его нужно отправить на почту priem.fai@org.msu.ru до 18:00 (по московскому времени) 30 июня 2026 года, а также прикрепить к заявлению в ЕПГУ (если применимо).
При необходимости создания специальных условий при проведении вступительных экзаменов — документ, подтверждающий ограниченные возможности здоровья или инвалидность (раздел 4 Правил приёма).
Приём документов прекращается 30 июня 2026 года в 18:00 по московскому времени.
Принимаются почтовые отправления, поступившие на факультет не позднее 30 июня 2026 года (по почтовому штемпелю поступления). Документы, поступившие позже, не рассматриваются.
Вступительные испытания
Консультация перед вступительным испытанием состоится 01.07.2026 в 18:00 на платформе Яндекс Телемост.
Как выбрать тему эссе?
Эссе должно быть посвящено теме вашего будущего диссертационного исследования
Комиссия оценивает:
- насколько вы ориентируетесь в выбранной научной области;
- умеете ли самостоятельно формулировать и исследовать научную проблему;
- владеете ли основами научной методологии.
Эссе должно
- соответствовать научной специальности 1.2.1 «Искусственный интеллект и машинное обучение»;
- отражать ваш собственный взгляд на исследуемую проблему;
- носить характер самостоятельной научно-исследовательской работы.
Выбрать тему эссе можно, ознакомившись с научными интересами и направлениями работы научных сотрудников факультета. Это поможет понять, какой тематикой вы хотите заниматься в будущей кандидатской диссертации и кто может стать вашим научным руководителем.
Сроки зачисления
До 18:00
11.09.2026
Дата предоставления подлинника документа об образовании и согласия на зачисление в аспирантуру. Согласие представляется электронно на ЕПГУ или на бумажном носителе лично либо через оператора почтовой связи.
До 21.09.2026
Заключение договора (на места, финансируемые за счёт физических или юридических лиц).
До 25.09.2026
Оплата обучения (на места, финансируемые за счёт физических или юридических лиц).
До 30.09.2026
Выход приказа о зачислении на места, финансируемые за счёт федерального бюджета, и на места, финансируемые за счёт физических или юридических лиц.
Поступающие, рекомендованные к зачислению, должны вовремя предоставить оригинал диплома специалиста или магистра.
Если оригинал диплома не будет предоставлен в установленный срок, поступающий выбывает из конкурса и считается отказавшимся от зачисления.
Контакты приёмной комиссии ФИИ МГУ
Почта: priem.fai@org.msu.ru
Адрес приёмной комиссии: 119234, г. Москва, Ленинские Горы, д.1, стр.54, каб. 204.
Факультет искусственного интеллекта, МГУ имени М.В.Ломоносова.