Доктор · Исследователь · Инженер · Преподаватель

Д-р Ваграм Мартиросян

Интерпретируемый ML для наук об океане · Объяснимый ИИ · Edge AI · HPC и компиляторная инженерия

Доктор вычислительной математики, 23+ лет в науке, индустрии и академической среде. Создаю внутренне интерпретируемые модели полиномиальной регрессии для наук об океане и климате, медицины, материаловедения и дистанционного зондирования — и компиляторы и среды выполнения, которые делают их быстрыми: от автоматического распараллеливания на LLVM до субмиллисекундного вывода на малых устройствах. В настоящее время — главный научный сотрудник ExplainableAI.app и ассистент-профессор Higher Colleges of Technology, Абу-Даби.

Д-р Ваграм Мартиросян
23+
Лет опыта
~20
Лет преподавания
25+
Публикаций
Достижения

Ключевые достижения

Ключевые результаты исследований, книг и преподавания — вывод на устройстве, сертифицированное проектирование, ускорение на GPU и опубликованные учебники.

958×
пиковое ускорение GPULEAP · ITCA 2026
0.88 ms
вывод на устройстве (ESP32)eICocean 2027 Ожидается
R² 0.973
реконструкция температуры океанаeICocean 2027 Ожидается
16.7%
сертифицированная экономия CO₂, проектирование бетонаICACTE 2027 Ожидается
3 книги
Операционные системы и Linux2011, 2022, 2024
Направления работы

Области фокуса

Делаю сложные вычислительные задачи эффективными и интерпретируемыми — без «чёрных ящиков».

Интерпретируемый ML для океана и климата

Полиномиальные зонные ансамбли для глобальной реконструкции температуры, солёности и растворённого кислорода океана, а также моделирования значимой высоты волн.

Океан T/S/DOWOA / IAPМодели <1 МБ

Объяснимый ИИ

Модели полиномиальной регрессии со stagewise- и elastic-net-регуляризацией, явной важностью признаков и разреживанием модели.

PRMsИнтерпретируемостьСжатие

Edge / On-Device AI

Квантование int8/int16 и ядра с фиксированной точкой для субмегабайтных моделей на ESP32, RP2350 и Arduino при строгих бюджетах задержки и энергии.

TinyMLESP32180 мкДж/вывод

HPC и компиляторная инженерия

Проходы LLVM/Clang для автоматического распараллеливания и подъёма бинарного кода с бэкендами CPU и GPU (OpenCL/SPIR-V) — без изменения исходного кода.

HPC++LEAPLLVM

Системное программирование

Эксперт C/C++: модули ядра Linux, драйверы устройств (Ext4, XFS, JFS, BTrFS), Win32 API, GTK+ и опыт embedded/IoT.

Ядро LinuxДрайверыIoT

Преподавание и академическое руководство

Ассистент-профессор: разработка и стандартизация курсов по программированию, архитектуре, IoT и статистике в нескольких кампусах.

HCT Абу-ДабиУчебные программыНаставничество
Избранные работы

Проекты и демо

Исследовательские платформы, инженерные инструменты и интерактивные демо в браузере.

Онлайн

ExplainableAI.app

No-code ML-платформа, полностью построенная на внутренне интерпретируемых моделях полиномиальной регрессии. Обучение в браузере через WebAssembly, написанный вручную движок вывода на C++ и конструктор AI-приложений.

Открыть сайт ↗
Демо

Распознавание цифр в браузере

Ансамбль из 10 разреженных полиномиальных сетей распознаёт рукописные цифры примерно за 5 мс, полностью в браузере без сервера.

Попробовать демо →
Демо

Редактор математических выражений

Визуальный редактор для построения и отображения математических выражений с дробями, степенями и корнями — экспорт в LaTeX, JPEG и офлайн-режим.

Открыть редактор →
Отчёт

Отчёт об ускорении HPC++ / LEAP

Автоматическое распараллеливание на LLVM с гетерогенным выполнением CPU-GPU: в среднем 8.4× и до 958× пикового ускорения GPU, а также побайтово идентичный подъём старых бинарников x86-64.

Читать PDF ↗
Книги и преподавание

Книги, учебные пособия и школа

Помимо исследований: учебники, учебные материалы и создание школы программирования.

Исследования

Избранные публикации

25+ публикаций в области наук об океане и климате, медицинского ML, материаловедения и компиляторной инженерии.

Accuracy and Interpretability from a Single Solver: Polynomial Regression up to Degree 5 for Concrete Compressive Strength Prediction

Принято
ICACTE 2026 · Martirosyan, V.
R² 0.859 · 74% значимых членов соответствуют известной физике бетона

On-Device TinyML for Multi-Variable Ocean Profiling

Принято
eICocean 2027Ожидается · Martirosyan, V.
R² 0.973 T / 0.794 S / 0.895 DO · 0.88 мс на ESP32 · 180 мкДж/вывод

Efficient Multi-Class ECG Classification Using Polynomial Regression with an Analytical Solver

На рассмотрении
Applied Computational Intelligence and Soft Computing · Martirosyan, V.
82.75% точности на шести классах · 12 мкс вывод · превосходит CNN, RF, XGBoost, SVM

LEAP: Lifting Legacy x86-64 Binaries to Recompilable IR for Automatic Parallelization

Принято
ITCA 2026, ГуанчжоуОжидается · Martirosyan, V.
100%/98% подъёма (43 программы) · 10.4× над -O0 · 958× GPU · 377/377 тестов

Высокая точность без сигнала: аудит идентифицируемости и внешней валидации климатического и азотного отклика в данных по урожайности зерновых Китая

Подано
Computers and Electronics in Agriculture · Martirosyan, V.
Панель 5 316 строк (Китай; кукуруза, рис, пшеница) · R² уровня 0.50–0.92 · R² аномалий в основном −0.09…0.08

Интерпретируемые полиномиальные сурогаты для скрининга галогенидных перовскитов: очищенные по области ширины запрещённой зоны, идеальные тандемные пределы и границы прогнозного моделирования

Подано
Solar Energy Materials and Solar Cells · Martirosyan, V. и N. Martirosyan
31 618 перовскитов · MAE 21.0 мэВ / R² 0.794 · лучший идеальный тандем 43.73%
Связаться

Контакты

Открыт к научным коллаборациям, консалтингу и выступлениям.