Деркач Денис Александрович

Заведующий Научно-учебной лабораторией методов анализа больших данных (LAMBDA) Института искусственного интеллекта и цифровых наук НИУ ВШЭ и доцент Департамента больших данных и информационного поиска факультета компьютерных наук. Преподаёт также в Центре организации обучения студентов для топ-специалистов в сфере искусственного интеллекта и руководит образовательной программой «Умные устройства: аппаратная разработка». Входит в Учёный совет НИУ ВШЭ, исполняет обязанности учёного секретаря диссертационного совета по компьютерным наукам, возглавляет международную комиссию Учёного совета факультета компьютерных наук и состоит в его научной комиссии. В университете работает с 2015 года.

Базовое образование — физическое: бакалавриат (2004) и магистратура (2007) Санкт-Петербургского государственного университета по специальности «Физика». В 2010 году защитил диссертацию и получил степень PhD в Университете Париж XI (Paris Sud), куда поступил в аспирантуру в 2007-м; в 2015 году дополнительно окончил управленческую программу University of London с ведущим колледжем London School of Economics. Карьера прошла через крупнейшие физические центры: приглашённый исследователь в DESY (Цойтен, Германия), International Fellow Национального института ядерной физики INFN в Болонье (2011–2013), associate в ЦЕРН (2011–2012), Marie Curie Fellow по программе FP7-IEF в Оксфордском университете (2013–2015). До прихода в Вышку успел поработать инженером НИИ физики СПбГУ и учителем Петергофской гимназии императора Александра II, а в 2015–2017 годах был исследователем в Яндексе. В НИУ ВШЭ прошёл путь от старшего научного сотрудника лаборатории (2015–2022) и доцента (с 2017) до заведующего лабораторией (с 2022).

Научные интересы — физика высоких энергий и анализ данных, на стыке которых он развивает применение машинного обучения к экспериментальным задачам. Дважды выигрывал гранты РНФ по президентской программе исследовательских проектов под руководством молодых учёных: проект 17-72-20127 «Поиск новой физики в данных LHCb с применением методов глубокого обучения» поддерживался по конкурсам 2017 и 2020 годов. К его профилю в базе публикаций НИУ ВШЭ привязана 231 работа, в реестре ORCID — 208. Тематика охватывает как коллаборационные результаты LHCb, BM@N и UTfit (глобальный анализ параметров смешивания очарованных мезонов и определение угла CKM, проверка универсальности лептонных ароматов в распадах B-мезонов), так и методические статьи по машинному обучению: «Latent Stochastic Differential Equations for Change Point Detection» (2023), «Symbolic expression generation via variational auto-encoder» (2023), «Global Optimisation of Black-Box Functions with Generative Models in the Wasserstein Space» (2024), «Generative models and seq2seq techniques for the flash-simulation of the LHCb experiment» (2025) и «Reinforcement learning for accelerator beamline control: A simulation-based approach» (2026). В 2022 году вышел сборник «Artificial Intelligence for High Energy Physics», подготовленный с его участием.

Прикладная часть работы оформлена одиннадцатью объектами интеллектуальной собственности. Среди зарегистрированных программ для ЭВМ — библиотека Roerich для обнаружения точек разладки во временных рядах, библиотеки WAGGON и WAGGON 2.0 для оптимизации чёрных ящиков на основе неопределённости Вассерштейна, библиотека LINDA для деперсонализации массивов данных, библиотека классификации состояний промышленных электродвигателей методами ИИ по токовому сигналу и модуль серверной обработки запросов по тестированию и сравнению моделей машинного обучения. Ему принадлежат также два изобретения: способ обеспечения приватности промышленных данных на основе нейросетевого синтезирования и способ определения степени износа и времени до аварийного выхода из строя мотор-шпинделей материалообрабатывающих станков. Отдельным результатом зарегистрирован массовый онлайн-курс «Deep Generative Models».

В бакалавриате и магистратуре факультета компьютерных наук читает курс «Глубинное обучение» (6 кредитов, 80 контактных часов, 3–4 модули) — теоретические и практические аспекты нейронных сетей с освоением PyTorch; курс отмечен студенческими оценками «Лучший по критерию» по трём критериям. Ведёт также англоязычный курс Applied Statistics for Machine Learning, «Генеративные модели в машинном обучении» и их углублённую версию, «Дополнительные главы прикладной статистики» и научно-исследовательский семинар «Data Analysis in the Natural Sciences». Под его руководством в октябре 2024 года А. С. Рыжиков защитил кандидатскую диссертацию «Глубокие порождающие модели для поиска аномалий» в совете по компьютерным наукам НИУ ВШЭ; сейчас он руководит ещё тремя аспирантами, работающими над применением больших языковых моделей в 3D-проектировании, обучением с подкреплением для управления пучками частиц и параметризациями генеративных состязательных сетей. Награждён медалью НИУ ВШЭ «Признание — 10 лет успешной работы» (2025) и почётной грамотой Министерства науки и высшего образования РФ (2022), отмечен благодарностями первого проректора университета (2022, 2024).