Dmitry Yudin

Dmitry Yudin studied applied mathematics and physics at Moscow Institute of Physics and Technology (Moscow, Russia) and graduated with a PhD examination at Uppsala University (Uppsala, Sweden) in 2015.
Over the last 5 years he has gained significant research experience in developing advanced numerical algorithms for studying various aspects of strongly correlated systems, including those based on machine learning and variational quantum circuits.
After defending his PhD he took a position as a Research Fellow at Nanyang Technological University (Singapore), while enjoyed being a long term visiting researcher at the University of California at San Diego, USA, and at Max-Planck-Institute for Quantum Optics, Germany.
He subsequently moved back to Russia where he used to work as an independent researcher with support from the Russian Foundation for Basic Research and the Russian Science Foundation.
In 2018, Dmitry joined Skoltech as a Research Scientist at CDISE where he is currently working and pursuing research on neuromorphic engineering and applying newly developed methodologies, such as deep learning, to emerging computing technologies.
In 2020, Dmitry was appointed as an Assistant Professor at CDISE.

  • Neuromorphic computing with focus on both algorithm development and hardware
  • Variational quantum algorithms and quantum computing
  • Computational materials science and atomistic-scale modeling

Recent publications:

I. I. Vrubel, D. Yudin, and A. A. Pervishko. On the origin of the electron accumulation layer at clean InAs(111) surfaces // Physical Chemistry and Chemical Physics 23, 4811 (2021)

A. Macarone Palmieri, E. Kovlakov, F. Bianchi, D. Yudin, S. Straupe, J. D. Biamonte, and S. Kulik. Experimental neural network enhanced quantum tomography //  npj Quantum Information 6, 20 (2020)

A. Kardashin, A. Uvarov, D. Yudin, and J. Biamonte. Certified variational quantum algorithms for eigenstate preparation // Physical Review A 102, 052610 (2020)

A. A. Pervishko, D. Yudin, V. Kumar Gudelli, A. Delin, O. Eriksson, and G.-Y. Guo. Localized surface electromagnetic waves in CrI3-based magnetophotonic structures // Optics Express 28, 29155 (2020)

A. Uvarov, J. D. Biamonte, and D. Yudin. Variational quantum eigensolver for frustrated quantum systems // Physical Review B 102, 075104 (2020)

A. Berezutskii, M. Beketov, D. Yudin, Z. Zimborás, and J. D. Biamonte. Probing criticality in quantum spin chains with neural networks // Journal of Physics: Complexity 1, 03LT01 (2020)

I. I. Vrubel, A. A. Pervishko, D. Yudin, B. Sanyal, O. Eriksson, and P. A. Rodnyi. Oxygen vacancy in ZnO-w phase: pseudohybrid Hubbard density functional study // Journal of Physics: Condensed Matter 32, 315503 (2020)

I. I. Vrubel, A. A. Pervishko, H. Herper, B. Brena, O. Eriksson, and D. Yudin. An ab initio perspective on STM measurements of the tunable Kondo resonance of the TbPc2 molecule on a gold substrate // Physical Review B 101, 125106 (2020)

M. Baglai, R. J. Sokolewicz, A. Pervishko, M. I. Katsnelson, O. Eriksson, D. Yudin, and M. Titov. Giant anisotropy of Gilbert damping in a Rashba honeycomb antiferromagnet // Physical Review B 101, 104403 (2020)

We are currently looking for prospective PhD and MS students as well as postdocs to work in the fields:

  • Memristor technologies for emerging computing systems

Nowadays neuromorphic computing is considered as one of the most promising approaches for resolving the critical problems which the conventional CMOS technology faces upon continual miniaturization and ever-increasing power consumption. Owing to the low-power performance and brain-inspired massively parallel computing principles, a large number of bio-inspired algorithms and devices have been attempted in complex pattern recognition, image processing, and data mining. Intensive research has been conducted towards developing learning-based artificial synapses and neurons, attempting to reproduce the behavior of these two fundamental building blocks in biological neural networks. Memristor, a passive component capable of changing its resistance depending on electric charge passing through, has been proposed as a suitable artificial synapse and neuron for emerging computing systems. In this project, we aim at adapting a single-crystalline silicon memristors with alloying conducting channels for neuromorphic realizations of on-chip deep learning. We investigate how these memristors may be tailored to provide novel concept devices to secure stable and controllable device operation, thus enabling large-scale implementation of neuromorphic computing. We will propose machine learning algorithms suitable for this particular platform and evaluate their performance, including data storage, parallel updating of weights, and matrix multiplication.

  • Digital metasurfaces for wireless terahertz communications

Fifth-generation (5G) mobile communications rapidly deployed nowadays all around the world are expected to bring to reduced latency, enhanced energy-efficiency and higher data rate. In practice, with a peak speed of about 10 Gb/s and channel bandwidth of 0.1-1 GHz making use of mm-wave carriers becomes unavoidable. However, 5G will hardly be an adequate solution in the short run owing to growing demands and needs for machine connectivity, e.g., Internet of Things (IoT). The emerging sixth-generation (6G) is still in its germinal phase with no clear definition behind: it is however clear that switching to terahertz frequency electromagnetic waves (0.1-10 THz) is an essential prerequisite. Metasurfaces, representing an array of artificial unit cells each of which is characterized by its own electromagnetic response, provide us with a unique tool for wave manipulations, particularly in terahertz spectrum. In this project, we explore index modulation, which is considered as one of the possible solution towards next generation wireless communications, in a multiple-input multiple-output (MIMO) array using programmable metasurfaces.

Do not hesitate to send your request to us!

Master students

  • Anna Klyueva, MSc-1: Data Science
  • Roland Konlechner, MSc-1: Information Science and Technology

PhD students

  • Dmitrii Prodan, PhD-1: Computational and Data Science and Engineering
Anastasia Pervishko
Research Scientist

В рамках Startup Village 2021 мы организуем секцию


ВРЕМЯ: 25 мая 2021, 10:00 – 11:30

Известно, что широкое внедрение технологий искусственного интеллекта в конечные устройства сильно ограничено их вычислительными ресурсами и требует новых научных и инженерных подходов. Секция посвящена докладам по новой и перспективной технологии TinyML (Машинное обучение на микроконтроллерах или на специальных чипах/акселераторах ML сверхнизкой мощности). TinyML позволяет запускать алгоритмы машинного обучения на микроконтроллерах, присутствующих почти во всех устройствах. TinyML работает локально на том же микроконтроллере, который имеет возможность проводить аналитику в реальном времени и управлять подключенными датчиками и исполнительными механизмами. Это обеспечивает защиту данных, кроме того обучение на микроконтроллере происходит со сверхнизким энергопотреблением. TinyML делает ИИ повсеместным и доступным для потребителей, делая миллионы устройств, которые люди используют ежедневно, интеллектуальными, позволяет эффективно осуществлять Data Mining.

Ведущими экспертами будет дан обзор современных технологических возможностей TinyML, бизнес проектов, возможностей инвестиций. Будет сделана презентация о том, как можно сделать стартап по данному направлению.

В деловой секции также будет обсуждаться некоммерческая глобальная организация и экосистема по развитию ИИ на микроконтероллерах TinyML Foundation ( Эта ассоциация была создана в 2019 году в Кремниевой Долине. На сегодняшний день у нее есть 28 отделений в 22 странах, включая США, Англию, Японию, Китай. Генеральными спонсорами являются Qualcomm, ARM, Samsung, LatticeSemiconductor, Brainchip и тд. В мероприятиях и спонсорской поддержке ассоциации участвуют такие гиганты как Гугл, Микрософт, и Амазон.

ТinyML Foundation осуществляет следующую деятельность в области технологий ИИ на микроконтроллерах и на специальных чипах/акселераторах ML сверхнизкой мощности:

• развитие глобального сообщества ученых, инженеров, дизайнеров, специалистов по управлению продуктами и бизнесменов в области аппаратного и программного обеспечения и системных специалистов;

• привлечение экспертов и новичков к разработке передового машинного обучения со сверхнизким энергопотреблением;

• содействие и стимулирование открытого обмена знаниями между исследователями и промышленностью для ускорения развития области;

• подключение технологий и инноваций к разнообразным продуктам и бизнес-возможностям, создающим ценность для всей экосистемы и отраслевых вертикалей.

В России создано отделение этой организации и в секции будут обсуждаться ее основные функции и возможности. Предполагается, что это отделение будет осуществлять помощь в установлении новых партнерств и коллабораций, организацию конференций, семинаров, мастер-классов, поддержку стартапов в области ИИ на микроконтроллерах и станет точкой развития этой технологии в России.


(1) Обзорный доклад о TinyML, 25-30 мин

(2) Панельное обсуждение, 30 мин

(3) Обзорный доклад о образовательных программах и ресурсах, 30 мин


(1) Evgeni Gousev // Senior Director at Qualcomm AI Research, the United States

(2) Yuri Panchul // Juniper Networks, the United States


(1) Wei Xiao // NVIDIA, the United States

(2) Alessandro Grande // Edge Impulse, the United States

(3) Blair Newman //, the United States