Теория и методика профессионального образования | Мир педагогики и психологии №10 (123) Октябрь 2026

Междисциплинарная интеграция физики и информатики как условие подготовки конкурентоспособных специалистов в сфере Data Science

Шемонаева Ирина Игоревна
ассистент кафедры математики, информатики, физики и методики обучения, аспирант института психологии и педагогики, ФГБОУ ВО «Елецкий государственный университет им. И.А. Бунина», РФ, г. Елец, shemonaeva.irin@yandex.ru

Аннотация: В статье рассматривается проблема междисциплинарной интеграции физики и информатики в системе высшего профессионального образования как базовое условие формирования высококвалифицированных кадров для сферы Data Science. Автором обосновывается тезис о том, что современный анализ данных (Machine Learning, Big Data, Physics-Informed Neural Networks) требует не просто владения программными инструментами, но и глубокого понимания фундаментальных законов сохранения, моделирования непрерывных физических сред и причинно-следственных связей. Предложена модель подготовки IT-специалистов, объединяющая вычислительный эксперимент, физико-математическое моделирование и программирование.
Ключевые слова: Data Science, междисциплинарная интеграция, физика, информатика, машинное обучение, физически информированные нейронные сети (PINN), высшее образование, моделирование.

Shemonaeva Irina Igorevna
аssistant of the Department of Mathematics, Computer Science, Physics and training methods, postgraduate student of the Institute of Psychology and Pedagogy Bunin Yelets State University, Russia, Yelets

Abstract: The article examines the problem of interdisciplinary integration of physics and computer science in the system of higher professional education as a basic condition for the formation of highly qualified personnel for the field of Data Science. The author substantiates the thesis that modern data analysis (Machine Learning, Big Data, Physics-Informed Neural Networks) requires not just proficiency in software tools, but also a deep understanding of the fundamental laws of conservation, modeling of continuous physical media, and cause-and-effect relationships. A model for training IT specialists is proposed, combining computational experiments, physical and mathematical modeling, and programming.
Keywords: Data Science, interdisciplinary integration, physics, computer science, machine learning, physics informed neural networks (PINN), higher education, modeling.

Стремительное развитие цифровой экономики, искусственного интеллекта и больших данных выдвигает принципиально новые требования к подготовке специалистов в области науки больших данных (Data Science). Современный рынок труда нуждается не в узких программистах-кодерах, способных лишь обрабатывать обезличенные массивы данных, а в инженерах данных и исследователях, понимающих природу порождения этих данных.

Большинство сложных задач современной индустрии и науки (прогнозирование климатических изменений, анализ турбулентности в аэродинамике, моделирование молекулярных структур в фармакологии, автономная робототехника и финансовый инжиниринг) базируются на объективных законах материального мира. В связи с этим возникает острая необходимость пересмотра содержания высшего образования через призму междисциплинарной интеграции физики и информатики [1].

Цель данной статьи - теоретически  обосновать дидактический потенциал интеграции физических дисциплин в подготовку специалистов по Data Science и предложить модель их сопряжения в образовательном процессе вуза.

Исторически сложилось разделение образовательных траекторий на естественно-научные (физико-математические) и технико-технологические (программирование, Computer Science). Однако парадигма Четвертой промышленной революции стирает эти границы [2].

В педагогической науке проблема межпредметной интеграции исследовалась в трудах Ю.К. Бабанского, В.С. Леднева, И.Я. Лернера и М.Н. Скаткина. В контексте цифрового профессионального образования вопросы формирования системного инженерного мышления рассматриваются в работах В.И. Блинова, А.А. Вербицкого  Э.Ф. Зеера [3; 8].

В сфере Data Science интеграция физики и информатики опирается на следующие методологические основания:

1. Общность метода моделирования: физика и информатика используют модель как основной инструмент познания. Физика создает аналитические модели (дифференциальные уравнения, законы сохранения), информатика же - вычислительные и дискретные модели (алгоритмы, структуры  данных, нейросети).
2. Единство обработки массивов данных: физический эксперимент во все времена был источником больших данных - от астрофизических обсерваторий (CERN, LIGO) до метеорологических станций. Методы сбора, фильтрации и шумоподавления данных зарождались именно в экспериментальной физике.
3. Ограничения чисто эмпирического машинного обучения: модели глубокого обучения, построенные исключительно на корреляциях без учета физических законов, часто демонстрируют высокую погрешность на зашумленных данных и нарушают базовые законы сохранения энергии и импульса [4].

Взаимопроникновение физики и Data Science сегодня наблюдается в нескольких ключевых технологических направлениях:

1. Физические информационные нейронные сети (PINN).

Классические нейросети требуют огромных массивов эмпирических данных для обучения. Однако во многих сферах (например, проектирование гиперзвуковых летательных аппаратов или моделирование сейсмических волн) данных недостаточно. Решением стали PINN-сети, в архитектуру которых на уровне функции потерь (loss function) встраиваются дифференциальные уравнения в частных производных, описывающие законы физики (например, уравнения Навье-Стокса или Максвелла) [5]. Специалист по Data Science, не понимающий физического смысла этих уравнений, не способен корректно спроектировать и обучить такую архитектуру.

1. Вычислительная физика и High-Performance Computing (HPC).

Разработка сложных программных комплексов для моделирования физических процессов требует от IT-специалиста знания параллельных вычислений, архитектуры GPU и численных методов. Знание законов термодинамики и механики сплошных сред позволяет оптимизировать алгоритмы распределенной обработки данных.

1. Игровые движки, VR/AR и компьютерная графика.

Разработка симуляций реального мира в GameDev-индустрии невозможна без интеграции физики твердого и мягкого тел, оптики и акустики. Программист графических движков решает задачи матричной алгебры и дифференциальной геометрии, опираясь на классическую и квантовую физику [9].

Для преодоления разрыва между абстрактным программированием и физической реальностью в образовательный процесс технического вуза целесообразно внедрить модель междисциплинарной подготовки, состоящую из трех взаимосвязанных компонентов (рис. 1). Она позволит сформировать системное инженерное мышление, обеспечит синергию фундаментальных и прикладных знаний.

Рисунок 1. Модель подготовки специалистов по Data Science

Практическая реализация модели (примеры междисциплинарных кейсов):

1. Кейс 1 (IoT и Sensor Data): студенты обрабатывают временные ряды (Time Series), поступающие с датчиков ускорения и температуры реальной физической установки. Задача - не просто обучить модель прогнозировать, а выявить аномалии на основе законов сохранения энергии [6].
2. Кейс 2 (Computer Vision): разработка алгоритмов трекинга движущихся объектов в задачах робототехники с обязательным учетом законов кинематики и баллистики для предсказания траектории.

Внедрение предложенной модели междисциплинарной интеграции физики и информатики в практику подготовки IT-специалистов позволяет решить ряд острых проблем высшего образования:

1. Преодоление клиповости мышления: студенты учатся видеть за кодом и строками таблиц реальные материальные объекты и причинно-следственные связи.
2. Рост конкурентоспособности на рынке труда: выпускники, владеющие методами физико-математического моделирования и Data Science, востребованы в высокотехнологичных отраслях (аэрокосмическая отрасль, беспилотный транспорт, квантовые вычисления, биоинформатика).
3. Развитие критического мышления: будущие дата-сайентисты приобретают навык верификации результатов работы алгоритмов машинного обучения на предмет их соответствия фундаментальным законам природы.

Междисциплинарная интеграция физики и информатики выступает не просто желательным дополнением учебного плана, а императивом современной системы подготовки конкурентоспособных кадров в сфере Data Science [7]. Понимание физических принципов функционирования материального мира позволяет специалистам по обработке данных создавать более устойчивые, интерпретируемые и физически достоверные алгоритмы искусственного интеллекта. Дальнейшие исследования в данной области могут быть связаны с разработкой стандартизированных цифровых практикумов на стыке Data Science и вычислительной физики. Такие практикумы позволят не  только сформировать у студентов устойчивые навыки работы с реальными физическими данными, но и создать единую цифровую среду для апробации гибридных моделей, объединяющих методы машинного обучения и численного моделирования.

1. Васева Е.С. Интеграция физики и информатики в содержании практической деятельности будущих учителей // Научное обозрение. Педагогические науки. 2020. № 6. С. 17-21.
2. Уваров А.Ю., Э. Гейбл, И.В. Дворецкая [и др.] Трудности и перспективы цифровой трансформации образования : Под редакцией А.Ю. Уварова, И.Д. Фрумина – Москва : Национальный исследовательский университет "Высшая школа экономики", 2019. – 344 с.
3. Блинов В.И., Биленко П.Н., Дулинов М.В. [и др.] Педагогическая концепция цифрового профессионального образования и обучения : монография – Москва : Московский городской педагогический университет, 2020. – 112 с.
4. Karniadakis, G. E. Physics-informed machine learning / G. E. Karniadakis [et al.] // Nature Reviews Physics. — 2021. — Vol. 3, No. 6. — P. 422–440.
5. Raissi, M. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations / M. Raissi, P. Perdikaris, G. E. Karniadakis // Journal of Computational Physics. — 2019. — Vol. 378. — P. 686–707.
6. Биккинина Л.И., Шарипова А.Д., Святова Н.В. Междисциплинарная интеграция в образовательном пространстве как одно из условий развития интеллектуальных и творческих способностей студентов // Современные проблемы науки и образования. 2020. № 4.
7. Абашин В.Г., Хасаншин И.Я., Семенов Д.Н., Круглов В.И., Никитин П.В., Курилева Н.Л. Реализация междисциплинарного подхода в обучении студентов анализу данных и машинному обучению на основе метода проекта // Современные наукоемкие технологии. 2021. № 10. С. 113-117

Список источников
8. Вербицкий, А. А. Активное обучение в высшей школе: контекстный подход / А. А. Вербицкий. – Москва : Высшая школа, 1991. – 207 с.
9. Лапчик, М. П. Подготовка педагогических кадров в условиях информатизации образования : Учебное пособие / М. П. Лапчик. – Москва : БИНОМ. Лаборатория знаний, 2013. – 186 с.