Чупров Иван Андреевич

Младший научный сотрудник научно-учебной лаборатории методов анализа больших данных (LAMBDA) Института искусственного интеллекта и цифровых наук факультета компьютерных наук НИУ ВШЭ. Работает в университете с 2024 года. Закреплённая за ним задача — разработка методов машинного обучения для анализа многомерных данных, описываемых дифференциальными уравнениями в частных производных при известном уравнении среды. Профессиональные интересы — физико-информированные нейронные сети и алгоритмы дифференциальной эволюции.

В 2021 году окончил аспирантуру Сыктывкарского государственного университета по направлению «Физика и астрономия». С мая 2016 по сентябрь 2021 года работал ведущим инженером в компании «Коми региональный аттестационный центр», с октября 2021 года — инженер-исследователь Российского исследовательского института Huawei. Владеет английским языком.

Основное направление исследований — физико-информированные нейронные сети (PINN): нейросетевые модели, в которые уравнение физического процесса встроено прямо в функцию потерь. В соавторстве опубликованы работы «Оптимизация физико-информированных нейронных сетей для решения нелинейного уравнения Шрёдингера» (Доклады РАН. Математика, информатика, процессы управления, 2023; англоязычная версия — Doklady Mathematics, том 108, 2023), Hybrid acceleration techniques for the physics-informed neural networks: a comparative analysis (Machine Learning, 2024, том 113, № 6, с. 3675–3692) и Solution of the Multimode Nonlinear Schrödinger Equation Using Physics-Informed Neural Networks (Doklady Mathematics, 2025). Отдельная линия работ посвящена автоматическому подбору архитектуры сети: статья Search for Optimal Architecture of Physics-Informed Neural Networks Using Differential Evolution Algorithm (Doklady Mathematics, 2025) описывает применение эволюционного алгоритма для этой задачи. Ранее вышел препринт Scaling transformation of the multimode nonlinear Schrödinger equation for physics-informed neural networks (arXiv, 2022).

Методы применяются к прикладным задачам дистанционного зондирования и экологического мониторинга. Работа Application of Global Optimization for Retrievals from Synthetic Multi-Angle Measurements (журнал «Светотехника», 2024, том 32, с. 11–19) посвящена восстановлению параметров среды из многоугловых измерений с помощью глобальной оптимизации, а исследование Application of Physics-Informed Neural Networks for Solving the Inverse Advection-Diffusion Problem to Localize Pollution Sources — решению обратной задачи адвекции-диффузии для локализации источников загрязнения. Последняя работа в 2025 году была представлена на XIX Всероссийской конференции с международным участием «Параллельные вычислительные технологии» (ПаВТ'2025) в Москве и вышла в сборнике конференции, а также в виде препринта серии Computer Science. К более раннему, физическому периоду относятся публикации о динамике магнитной и упругой подсистем плёнок железо-иттриевого граната и о моделировании высокочастотной записи информации на однодоменных частицах (2021–2022).

В базе публикаций НИУ ВШЭ к его профилю привязано 10 работ, в реестре ORCID заявлено 9; принадлежность профиля ORCID подтверждается совпадением заголовков работ с записями университетской базы. Лаборатория LAMBDA, в которой он работает, объединяет более 35 сотрудников и 7 аспирантов, отвечает более чем за 65 образовательных курсов и опубликовала свыше 150 статей; в её составе — семь лауреатов стипендии имени Ильи Сегаловича. Лабораторию возглавляет Д. А. Деркач, соавтор его работы о локализации источников загрязнения.