Игорь Анатольевич Каляев родился 8
ноября 1958 года в Таганроге.
В 1980 году окончил Таганрогский
радиотехнический институт (ныне — Инженерно-технологическая академия ЮФУ в
Таганроге) по специальности «электронные вычислительные машины». Далее по
настоящее время работает в ТРТИ, ТРТУ, ЮФУ. В 1998-2016 гг. — директор НИИ
многопроцессорных вычислительных систем имени академика А.В. Каляева ЮФУ
(ТРТУ), с 2017 года — научный руководитель направления Южного федерального университета
(ЮФУ).
Заместитель академика-секретаря
Отделения энергетики, машиностроения, механики и процессов управления РАН,
руководитель секции проблем машиностроения и процессов управления.
Член-корреспондент РАН с 2003 года,
академик РАН с 2016 года — Отделение энергетики, машиностроения, механики и
процессов управления.
И.А. Каляев — известный ученый в области
многопроцессорных вычислительных и управляющих систем, робототехники и
искусственного интеллекта, автор более 380 научных трудов, в том числе 14 монографий
и 8 авторских свидетельств. В 1983 году защитил диссертацию на соискание ученой
степени кандидата технических наук, а в 1990 году — доктора технических наук по
спецтеме в Ленинградском институте авиационного приборостроения. В 1998 году
получил звание профессора по кафедре вычислительной техники.
Академик И.А. Каляев — ученый с мировым
именем, один из тех российских ученых, на которых держится технологическое
лидерство в области обороны и безопасности страны, атомной энергетики и
робототехники. Им разработаны теоретические основы проектирования
многопроцессорных вычислительных и управляющих систем с реконфигурируемой
архитектурой, нашедшие применение при создании отказоустойчивых систем
управления перегрузкой ядерного топлива для российских и зарубежных АЭС,
авиационных комплексов дальнего радиолокационного обнаружения, а также
высокоскоростных систем обработки информации, принятия решения и управления, в
том числе бортовых систем реального времени, в интересах Министерства обороны и
специальных служб РФ.
И.А. Каляевым разработаны методы
планирования и управления целенаправленным поведением интеллектуальных роботов,
предназначенных для автономного функционирования в заранее неизвестных,
реальных средах, на основе однородных нейроподобных структур, а также
теоретические и практические основы построения нейроподобных структур данного
класса. Полученные результаты нашли применение при создании ряда систем
управления прототипов роботов-планетоходов, предназначенных для исследования
других планет, в частности Марса, а также систем управления роботизированных
комплексов оборонного и промышленного назначения, мобильных робототехнических
комплексов сухопутных войск, а также роботизированных складских и
транспортно-технологических комплексов.
Основополагающий вклад внесен И.А.
Каляевым в развитие теории коллективного управления роботами при их групповом
применении. Полученные результаты используются при создании перспективных
систем группового и стайного управления роботизированными объектами
специального назначения.
Под научным руководством и при
непосредственном участии И.А. Каляева выполнено около 150
научно-исследовательских и опытно конструкторских работ, результаты которых
успешно внедрены и используются на различных предприятиях и организациях
страны, неоднократно представлялись на крупнейших отечественных и зарубежных
выставках, где были отмечены почетными дипломами и медалями. В рамках этих
работ были разработаны и созданы ряд многопроцессорных вычислительных систем
сверхвысокой производительности, существенно опережающие по техническим
характеристикам зарубежные аналоги, а также высоконадежные многопроцессорные
управляющие комплексы сложных мехатронных объектов, в том числе
многопроцессорная система управления космической платформы «Аргус» и
управляющий вычислительный комплекс УВК-320, предназначенный для управления перезагрузкой
ядерного топлива в атомных реакторах ВВЭР-1000 и ВВЭР-1200.
И.А. Каляев ведет большую педагогическую
деятельность по подготовке высококвалифицированных кадров для отечественной науки
и промышленности. С 2003 г. по 2016 г. он являлся заведующим базовой кафедрой
Российской академии наук при ТРТУ (ЮФУ). С 2003 г. по настоящее время является
председателем специализированного Совета по защитам кандидатских и докторских
диссертаций ЮФУ. С 2004 года научно-педагогическая школа «Многопроцессорные
вычислительные и интеллектуальные информационно-управляющие системы»,
возглавляемая И.А. Каляевым и отмеченная грантами Президента РФ, является одной
из ведущих научных школ РФ. Среди его учеников 3 доктора и 12 кандидатов наук.
Научно-педагогическую работу И.А. Каляев
сочетает с активной научно-организационной деятельностью. С 2008 по 2016 гг. он
являлся членом Совета Российского фонда фундаментальных исследований, с 2020 по
2022 гг. — членом Совета по науке и образованию при Президенте РФ, с 2018 по
2023 гг. — председателем Совета по приоритетному направлению Стратегии
научно-технологического развития Российской Федерации, с 2020 по 2023 гг. —
председателем экспертного совета по лидирующим исследовательским центрам. И.А.
Каляев входит в состав Научно-экспертного совета при Председателе Совета
Федерации РФ, Совета по грантам Президента РФ, Совета по развитию научных
центров мирового уровня, научно-координационного Совета программ Союзного
государства России и Беларуси, бюро Национального комитета Международной
федерации по автоматическому управлению (IFAC), экспертного Совета
Национального центра робототехники Фонда перспективных исследований, президиума
Российского научно-технического общества радиотехники, электроники и связи
(НТОРЭС) им. А.С. Попова, бюро Отделения энергетики, машиностроения, механики и
процессов управления РАН. Он является заместителем председателя Совета РАН по
робототехнике и мехатроники, экспертом РАН, соруководителем двух секций
научно-технического совета Национального центра физики и математики (НЦФМ) — «Центр
исследования архитектур суперкомпьютеров» и «Искусственный интеллект и большие
данные в технических, промышленных, природных и социальных системах», главным
редактором и членом редколлегии более 10 российских и зарубежных научных
журналов.
Под его научно-организационным руководством
ежегодно проводится несколько Всероссийских научно-технических конференции и
молодежных школ.
Из интервью И.А. Каляева: «В настоящее
время искусственный интеллект является одним из основных трендов мирового
научно-технологического развития. Президент РФ В.В. Путин сказал: «Если кто-то
сможет обеспечить монополию в сфере искусственного интеллекта — тот станет
властелином мира». Действительно, по оценкам специалистов, внедрение технологий
ИИ уже к 2030 г. обеспечит удвоение темпов роста ВВП ведущих государств мира и
увеличение мирового ВВП на 15 трлн долл. В то же время, следует отметить, что
современные технологии искусственного интеллекта, к которым, в первую очередь,
относятся технологии машинного обучения нейронных сетей на основе больших
данных, невозможны без использования быстродействующих суперкомпьютеров.
Например, нейронная
сеть всем известного Chat GPT 4 использует 175 млрд различных параметров. Если
обучать такую нейронную сеть с помощью обычного персонального компьютера, на
это уйдет несколько месяцев, а то и годы. Поэтому для машинного обучения Chat
GPT 4 использует суперкомпьютер Azure AI с производительностью около 30 петафлопс (30х1015
операций с плавающей запятой в секунду).
Взрывной
рост объемов задач машинного обучения глубоких нейронных сетей требует
использования все более быстродействующих суперкомпьютеров. Это обстоятельство порождает актуальную проблему поиска альтернативных
путей создания суперкомпьютерных систем, в том числе основанных на иных
физических принципах, отвечающих требованиям по производительности для
машинного обучения современных и будущих систем ИИ. И в настоящее время такие
технологии активно разрабатываются во всем мире, в том числе и отечественными
учеными.
Если
проанализировать спектр различных вычислительных операций, выполняемых при
решении задачи машинного обучения нейронной сети, то можно заметить, что их
львиную долю, около 90%, составляют операции перемножения вектора на матрицу. Данные
вычислительные процедуры могут быть эффективно реализованы, например, с помощью
так называемых реконфигурируемых вычислительных систем (РВС), построенных на
базе вычислительных полей ПЛИС. В отличии от классических вычислительных машин,
архитектура которых закладывается на этапе их создания, архитектура РВС может
изменяться и адаптироваться под решаемую задачу, что позволяет минимизировать
все непродуктивные временные накладные расходы, связанные с организацией
вычислений. Такие реконфигурируемые суперкомпьютеры, которые разрабатываются и
создаются специалистами научно-исследовательского центра супер-ЭВМ и
нейрокомпьютеров в Таганроге, по своим техническим характеристикам существенно
опережают зарубежные суперкомпьютерные системы при решении целого ряда
актуальных прикладных задач, в том числе задач машинного обучения глубоких
нейронных сетей.
Еще одним перспективным подходом к созданию
вычислительных систем, обеспечивающих высокое быстродействие при выполнении
процедур перемножения вектора на матрицу и, как следствие, возможности ускоренного
машинного обучения, являются так называемые фотонные или оптические компьютеры.
В этом плане большие
надежды мы возлагаем на работы, проводимые в Национальном центре физики и
математики, направленные на разработку технологии создания таких фотонных
ускорителей, первые прототипы которых мы рассчитываем получить уже до конца
2025 года. Здесь важно отметить, что для создания таких фотонных ускорителей достаточны
производственные линейки с невысокими технологическими нормами (120 нм и даже
более), что открывает возможности локализации их производства непосредственно в
России.
С другой стороны, необходимо
отметить, что эмпирический закон Мура, который определял развитие всей
вычислительной техники с момента начала компьютерной эры, в настоящее время
начал замедляться, что уже не позволяет использовать классические пути
повышения быстродействия суперкомпьютеров. Это приводит к тому, что современные
кластерные суперкомпьютеры, как правило, показывают высокую
реальную производительность при решении достаточно узкого класса задач, в то
время как при решении задач других классов их производительность резко падает.
Более того, при наращивании числа процессорных узлов их производительность
может не только не возрастать, а наоборот падать. Это вызвано тем, что каждый
суперкомпьютер имеет, как правило, некоторую оригинальную, гетерогенную
архитектуру, которая закладывается на этапе его создания и не может изменяться
в процессе его работы. В результате, если структура решаемой задачи не
соответствует этой архитектуре, то возникают большие непродуктивные временные
затраты, связанные с организацией вычислительного процесса в суперкомпьютере, а
не с полезными вычислениями, которые и ведут к резкому снижению его реальной
производительности при решении данной задачи. И здесь нам
могут помочь технологии ИИ, с помощью которых можно осуществлять оптимальное
распределение ресурсов суперкомпьютера по поступающим задачам, прогнозировать
эффективность решения прикладных задач на тех или иных ресурсах
суперкомпьютера,
осуществлять подстройку параметров вычислительного задания под архитектуру
суперкомпьютера и так далее, что, в свою очередь, позволяет существенно
повысить общую эффективность суперкомпьютерных вычислений.
Поэтому сегодня
развитие технологий ИИ и суперкомпьютеров неразрывно связаны друг с другом и
являются «двумя сторонами одной медали».
К сожалению, следует признать, что в
настоящее время мы катастрофически отстаем от ведущих мировых держав по
суперкомпьютерным мощностям, что в свою очередь является сдерживающим фактором
в развитии технологий искусственного интеллекта в стране. Для того, чтобы
сократить это отставание мы должны решить три основные задачи.
Во-первых, безусловно необходимо создать
отечественные технологические линейки по производству современной
микроэлектронной элементной базы, не уступающей зарубежной.
Во-вторых, суперкомпьютеры, работающие
на территории России, целесообразно объединить в единую вычислительную систему
страны (по аналогии с Единой энергетической системой страны), или, иначе
говоря, национальную суперкомпьютерную инфраструктуру, то есть систему
суперкомпьютерных центров различного уровня и различной специализации,
объединенных в единый вычислительный ресурс с помощью высокоскоростных каналов
связи. Такая инфраструктура должна обеспечивать российскому пользователю,
находящемуся в любой точке страны, возможность проведения своих вычислительно
трудоемких расчетов на любом из гетерогенных вычислительных ресурсов, входящих
в ее состав. Для этого она должна быть оснащена специальным интеллектуальным
диспетчером, который мог бы определять, на каком из имеющихся суперкомпьютеров
данная задача может быть решена наиболее эффективно и, соответственно,
распределять поступающие пользовательские задачи по имеющимся вычислительным
ресурсам в зависимости от их специализации, загруженности и т.п.
В-третьих, надо обучать пользователей
работать на такой суперкомпьютерной инфраструктуре, готовить кадры, способные
проектировать как сами суперкомпьютеры, так и создавать для них системное и
прикладное ПО, в том числе для ускоренного машинного обучения глубоких
нейронных сетей».
Заслуженный деятель науки РФ.
Лауреат Государственной премии РФ в
области науки и технологий, дважды лауреат премии Правительства РФ в области
науки и техники, лауреат премии Правительства РФ в области образования.
С 1996 по 2003 год являлся стипендиатом Президента
РФ как выдающийся ученый России.
Награжден премией им. А.А. Расплетина
РАН за цикл работ «Теоретические и практические основы создания
реконфигурируемых мультиконвейерных вычислительных структур для цифровой
обработки сигналов и изображений в радиотехнических системах
автоматизированного управления».
Лауреат премии НСКФ-2016 Национального
суперкомпьютерного форума.
Почетный доктор Санкт-Петербургского
политехнического университета Петра Великого. Почетный профессор Джейджангского
университета (КНР).