Mechanica Labs
RU
Mechanica Labs

Решение сложных задач прозрачно

Понимание механизмов, лежащих в основе сложных систем.

Рис. 1

Мы изучаем, как сложные системы устроены изнутри. Наше основное направление — механистическая интерпретируемость: мы разбираем обученные нейронные сети, чтобы найти алгоритмы, которые они выучивают. Знание алгоритма позволяет уменьшить модель, объяснить её решения людям, которые на них опираются, и ограничить то, что ей разрешено делать. Мы также работаем над глубокими рудниками и определением минералов, где модель нужно понять, прежде чем действовать.

Исследования Публикации

§ 1

Исследования

Все исследования
  1. i Механистическая интерпретируемость Мы выясняем, какие алгоритмы выучивают нейронные сети, и проверяем каждое объяснение на самой сети. Зная алгоритм, модель можно уменьшить, объяснить тем, кто ею пользуется, и ограничить в том, что ей позволено делать.
  2. ii Глубокие горные системы До начала отработки рудное тело известно лишь частично. Мы прослеживаем эту неопределённость через добычу, обогащение, хвосты и закладку, чтобы понять, какие производственные решения она меняет.
  3. iii Кристаллография и определение минералов Каждый минерал — это кристалл, атомы которого повторяются в решётке. Рентгеновская дифракция читает эту решётку, а микроскоп показывает каждое зерно породы. Мы создаём машинное обучение, которое определяет минералы по тому и другому, и проверяем, как оно приходит к ответу.
§ 2

Подход

Даже в системе, которая выглядит хаотичной, некоторые части подчиняются точным правилам. Мы ищем эти части и записываем их правила.

y py
Рис. 2 Сечение Пуанкаре той же системы при E = 1/8. Каждая замкнутая кривая — одна орбита, лежащая на инвариантном торе. Рассеянные точки принадлежат хаотическим орбитам. Вычислено в вашем браузере.

Этот рисунок взят из системы Хенона–Хейлеса, модели движения звезды в галактике, из которой получен наш логотип. Если запустить орбиту почти из любой точки, она рассеивается по всему рисунку. Если запустить её в правильном месте, она навсегда остаётся на замкнутой кривой.

Мы ищем такой же порядок в других системах. В обученной сети это алгоритм, который она выучила. В руднике это та часть геологической неопределённости, которая доходит до производства.

О нас

§ 3

Избранные публикации

Все публикации
  1. Горное дело
    Geostatistical Discrete Rate Simulation of Coupled Mine, Processing, Tailings, and Backfill Systems

    Arthur Ayestas Hilgert, Alessandro Navarra

    42nd International Symposium on the Application of Computers and Operations Research in the Mineral Industry (APCOM 2027), Montréal Принята

    Интерактивный рисунок

  2. Интерпретируемость
    Deep neural networks divide and conquer dihedral multiplication

    Sihui Wei, Gavin McCracken, Gabriela Moisescu-Pareja, Harley Wiltzer, Doina Precup, Irina Rish, Jonathan Love

    International Conference on Machine Learning (ICML 2026)

    Интерактивный рисунок

  3. Интерпретируемость
    On the Geometry and Topology of Representations: The Manifolds of Modular Addition

    Gabriela Moisescu-Pareja, Gavin McCracken, Harley Wiltzer, Vincent Létourneau, Colin Daniels, Doina Precup, Jonathan Love

    International Conference on Learning Representations (ICLR 2026)

    Интерактивный рисунок

  4. Интерпретируемость
    Uncovering a Universal Abstract Algorithm for Modular Addition in Neural Networks

    Gavin McCracken, Gabriela Moisescu-Pareja, Vincent Létourneau, Doina Precup, Jonathan Love

    Neural Information Processing Systems (NeurIPS 2025)

    Интерактивный рисунок

§ 4

Наша команда

Познакомиться с командой

  • Arthur Ayestas Hilgert

    Соучредитель

  • Gavin McCracken

    Соучредитель

  • Gabriela Moisescu-Pareja

    Соучредительница

  • Sihui Wei

    Исследовательница