Smart Engines: люди, статьи и что из этого взять нам

Статус: первичный обзор, 2026-11-09. Источники: smartengines.ru/menedzhment-kompanii, smartengines.ru/science/publications, smartengines.com/company, arXiv, MDPI, IEEE, GitHub SmartEngines.

Навигация: обзор направления · Налимов · советская математика (в т.ч. метод четырёх русских) · weight-space programming · связи с направлением 1 · архив

Передний край (2025–2026): распознавание и нейросети на CPU без GPU

• Индустрия только в 2026 пришла к безумножительному тернарному инференсу LLM на CPU: FairyFuse (Zuo et al., 2026), Litespark (2026), BITCOS (Georganas, Heinecke, Dubey, 2026); тернарные LLM — BitNet b1.58 (2024).
• Smart Engines делает это для CV с 2019–2020: BMNN, 2019, 4-bit на ARM, 2020, binary/ternary на ARM, 2022, 4.6-bit, 2024.
• Быстрые преобразования Хафа/Радона с доказанной сложностью: Kazimirov & Nikolaev, 2025.

Проблематика

1. Перенос безумножительных/морфологических нейронов в трансформеры — есть для CNN (Limonova et al., 2021), для LLM на CPU пока только тернарные веса (FairyFuse 2026).
2. Нецелые битности (4.6 бит) и сетки квантования под конкретный CPU — Trusov et al., 2024 vs законы точности Kumar et al., 2024.
3. Глобальные (нелокальные) признаки дёшево — слой FHT вместо внимания/больших ядер: HoughNet, 2019.
4. Точность vs сложность дискретных преобразований — Nikolaev et al., 2023, Kazimirov & Nikolaev, 2025.
5. Отечественное железо (Эльбрус) для ИИ — по списку публикаций.
6. Биосигналы на устройстве (наш интерес): методы Smart Engines к ЭЭГ не применялись (не найдено) — см. cross-links.

---

1. Компания в двух словах

• Научная IT-компания (ООО «Смарт Энджинс Сервис», основана в 2016 г.), распознавание документов, OCR, штрихкоды, компьютерная томография (Smart Tomo Engine). По данным сайта: 70+ исследователей и инженеров, 18 с учёными степенями; >400 научных публикаций с 2015 г.; 21 патент США, 52 патента РФ на изобретения.
• Ключевая философия, прямо совпадающая с тезисом Дани: распознавание на мобильных CPU и отечественных процессорах (Эльбрус) без GPU — быстрые алгоритмы, квантованные и «безумножительные» сети.
• Базовая кафедра когнитивных технологий ФПМИ МФТИ (страница) — потенциальный вход для студентов (стажировки есть на сайте).

2. Топ-менеджмент (с сайта компании)

Аффилиации, встречающиеся в статьях: ИСА РАН (Институт системного анализа; «Труды ИСА РАН»), ФИЦ ИУ РАН (в который вошёл ИСА РАН), ИППИ РАН (Институт проблем передачи информации им. Харкевича; журнал «Информационные процессы», «Проблемы передачи информации»), МФТИ. Точную аффилиацию каждой статьи по PDF не сверяли.

Ключевые исследователи-соавторы (по списку публикаций): Е. Е. Лимонова (биполярные морфологические сети, SIMD/Эльбрус), А. В. Трусов (квантованные сети; к.т.н. 2025 «Квантованные нейросетевые модели для процессоров общего назначения с ограниченными ресурсами»), М. В. Зингеренко, А. В. Шешкус (HoughNet), Д. Д. Казимиров (быстрое преобразование Хафа), К. Б. Булатов (MIDV, остановка распознавания в видеопотоке), П. В. Безматерных, Н. С. Скорюкина, О. А. Славин, Е. И. Ершов, А. В. Гайер, Ю. С. Чернышова.

3. Ключевые линии исследований и статьи

3.1. Биполярные морфологические нейросети (BMNN): свёртка без умножения

• Limonova, Matveev, Nikolaev, Arlazarov — «Bipolar Morphological Neural Networks: Convolution Without Multiplication» (ICMV 2019). Нейрон использует только сложение, вычитание и максимум; exp/log — как активации слоя. Аппроксимируют классический нейрон; предобученные свёрточные слои конвертируются послойно; на MNIST и символах MRZ — умеренная потеря точности.
• Limonova, Alfonso, Nikolaev, Arlazarov — «Bipolar Morphological Neural Networks: Gate-Efficient Architecture for Computer Vision», IEEE Access, 2021: меньше логических вентилей и задержка на FPGA/ASIC; LeNet-5, ResNet, U-Net; доказана выразительная сила, сравнимая с MLP.
• Дальше: «Quantization method for bipolar morphological neural networks» (ICMV 2023), «Bipolar morphological YOLO network for object detection» (ICMV 2023), «Layer-by-Layer Knowledge Distillation for Training Simplified BMNN» (Programming and Computer Software), патент США «Bipolar morphological neural networks»; код: SmartEngines/bipolar-morphological-resnet.

3.2. Низкобитные (квантованные) сети на обычных CPU

• Trusov, Limonova, Slugin, Nikolaev, Arlazarov — «Fast Implementation of 4-bit Convolutional Neural Networks for Mobile Devices» (ICPR 2020): 4-битное умножение матриц на ARM — в 2,9 раза быстрее float и в 1,5 раза быстрее 8-битного; OCR на MIDV-500.
• Trusov, Limonova, Nikolaev, Arlazarov — «4.6-Bit Quantization for Fast and Accurate Neural Network Inference on CPUs», Mathematics 12(5):651, 2024: точнее 4-битного, почти так же быстро; в 1,5–1,6 раза быстрее 8-битного на ARMv8. Код: SmartEngines/QNN_training_4.6bit.
• Trusov, Limonova, Nikolaev, Arlazarov — «Fast matrix multiplication for binary and ternary CNNs on ARM CPU» (ICPR 2022).
• Также в списке публикаций: «Neuron-by-Neuron Quantization for Efficient Low-Bit QNN Training» (Mathematics), «Uncertainty-based quantization method for stable training of binary neural networks» (Компьютерная оптика), «Training 4.6-Bit CNNs with a HardTanh Activation Function» (PRIA, 2025), «Fast Approximate Matrix Multiplication for 8-bit Neural Networks Using Tree Averaging» (ICMV 2025), М. Зингеренко «Малобитные квантованные нейронные сети в системе остаточных классов…» (Информационные процессы, 2025), «Almost Indirect 8-bit Convolution for QNNs» (ICMV 2020), «Fast and Memory-Efficient Convolution on ARM…» (ICMV 2025).

3.3. Быстрое преобразование Хафа (FHT) и его использование внутри нейросетей

• Nikolaev, Ershov, Kroshnin, Limonova, Mukovozov, Faradzhev — «On a Fast Hough/Radon Transform as a Compact Summation Scheme over Digital Straight Line Segments», Mathematics, 2023: алгоритм ASD2, использует метод четырёх русских; O(n^{8/3}) с точностью выше Брейди–Йонга. (Соавтор И. А. Фараджев — один из «четырёх русских» 1970 г.? — совпадение фамилии; Не проверено.)
• Kazimirov, Nikolaev — «A High-Accuracy Fast Hough Transform with Linear-Log-Cubed Computational Complexity for Arbitrary-Shaped Images» (2025; также Проблемы передачи информации).
• Kazimirov, Nikolaev, Rybakova, Terekhin — «Generalization of Brady-Yong Algorithm for Fast Hough Transform to Arbitrary Image Size» (SPRA 2024; расширенная версия — IEEE Access 2025).
• Sheshkus, Ingacheva, Arlazarov, Nikolaev — «HoughNet: neural network architecture for vanishing points detection» (ICDAR 2019): слой FHT внутри сети собирает признаки вдоль прямых по всему изображению, а не локально.
• Патенты США 11574492 B2 / 11816910 B2 «Artificial intelligence using convolutional neural network with Hough transform».

3.4. Отечественное железо и SIMD

• Limonova et al. — «Performance Evaluation of a Recognition System on the VLIW Architecture by the Example of the Elbrus Platform» (Programming and Computer Software); «Special aspects of matrix operation implementations for low-precision neural network model on the Elbrus platform» (Вестник ЮУрГУ ММП); Бочаров, Зуев, Славин — «Производительность микропроцессора Эльбрус-8СВ для задач технического зрения в условиях ограничений энергопотребления»; «PESAC, the generalized framework for RANSAC-based methods on SIMD computing platforms» (IEEE Access); «Fast Gaussian Filter Approximations Comparison on SIMD Computing Platforms» (Applied Sciences). Все — по списку публикаций, ссылки на сами статьи не открывали.

3.5. Датасеты MIDV

• Arlazarov V.V., Bulatov, Chernov, Arlazarov V.L. — «MIDV-500: A Dataset for Identity Documents Analysis and Recognition on Mobile Devices in Video Stream» (2018).
• Bulatov et al. — «MIDV-2020: A Comprehensive Benchmark Dataset for Identity Document Analysis» (2021).
• Также MIDV-2019, MIDV-LAIT (ICDAR 2021), MIDV-Holo (ICDAR 2023), MIDV-DM (ICMV 2025), MIDV-UP (ICDAR 2025).

3.6. Прочее, интересное нам

• Trusov, Limonova, Arlazarov — «A decade of adversarial examples: a survey on the nature and understanding of neural network non-robustness» (Компьютерная оптика, 2025).
• Глава «Mobile ID Recognition: Coarse-to-Fine Approach» в монографии IAPR «Image Analysis and Pattern Recognition: State of the Art in the Russian Federation» (2025) — авторы В. Л. и В. В. Арлазаровы, Николаев и др.
• Репозиторий SmartEngines/slm-ocr-postproc: «SLM: Small Language Models for OCR Post-processing and Entity Tagging on Mobile Devices» — маленькие языковые модели на мобильных (n-gram/CRF/LSTM/conv vs BERT). Сама статья не найдена на arXiv — не проверено.
• Работы по КТ (Чукалина, Николаев): некорректные обратные задачи, реконструкция в реальном времени, в т.ч. сегментация обонятельной луковицы мозга по рентгеновской фазово-контрастной томографии (Компьютерная оптика, 2025) — нейро-связь.

4. Как это использовать в наших задачах (гипотезы)

1. ЭЭГ на слабом железе (направление 1). Наш самодельный ЭЭГ-аппарат будет на микроконтроллере/смартфоне. Методы Smart Engines (4/4.6-битные сети на ARM, BMNN без умножений, бинарные/тернарные сети) — готовый рецепт для классификатора медитативных состояний прямо на устройстве. План: взять EEGNet-подобную сеть → 8 бит → 4.6 бит по их коду → BMNN-конверсия → сравнить точность/энергию.
2. Быстрое преобразование Хафа/Радона для сигналов. FHT ищет «прямые» в 2D. Спектрограмма ЭЭГ (время×частота) — тоже изображение; линейные тренды частоты (chirp-подобные изменения ритмов при входе в состояние) можно искать FHT-слоем, как в HoughNet. Гипотеза, не проверено.
3. Безумножительные LLM. Перенос идей BMNN и 4.6-бит на трансформеры (матрицы внимания и MLP) — открытый вопрос; в литературе Smart Engines пока CV. Это потенциальная тема студенческой работы на стыке с AQLM/GPTQ.
4. Метод четырёх русских → табличный инференс. Их же ASD2 показывает, что приём жив. Для 2–4-битных весов произведения блоков можно хранить в таблицах.
5. Эльбрус и отечественные платформы. Для российских грантов аргумент «работает на отечественном процессоре без GPU» очень весом (см. ../04-grants-and-people/).
6. Люди. Кафедра когнитивных технологий МФТИ и стажировки Smart Engines — реальный путь для студентов; можно писать Е. Лимоновой/А. Трусову по теме квантованных ЭЭГ-сетей (только с согласия Дани).

5. Не проверено

• Родство В. В. и В. Л. Арлазаровых (дед/внук).
• Точные должности в ИППИ РАН / ФИЦ ИУ РАН на сегодня.
• Полные выходные данные статей из п. 3.4 и 3.6 (взяты из списка на сайте компании).
• Статья к репозиторию slm-ocr-postproc.