Pavel Polyakov

Sole-authored research paper on large language model architecture. Submitted to Journal of Machine Learning (Springer) on 11.12.2025. (Today, 06.04.2026) Technical Environment: Hugging Face Transformers, fine-tuning, GLUE benchmarks

Develop an LLM agent–driven pipeline for generating and analyzing non-coding RNA sequences. It is guided by human-designed prompts and leverages a combination of automated tools. The pipeline integrates RNA structural features, a conditional diffusion-based generative model, and real-time Pubmed internet search. This prototype system is intended to support both de novo ncRNA generation and template-guided design, providing flexibility for exploratory research. A short presentation with preliminary results is https://github.com/PavelPll/RNA_agents/blob/main/docs/rna_agents.pdf . The project is available here: https://github.com/PavelPll/RNA_agents

Mission for client: Testing the TeethDreamer framework: “3D Reconstruction of Teeth from Five Intra-Oral Photographs” (https://arxiv.org/abs/2407.1141). Results: Local and AWS-based implementation of the TeethDreamer framework to explore applications in medical practice. Model adaptation and re-running of experiments to evaluate the impact of adjustments on performance. Technical Environment: Python, Modèles de diffusion, Nerf, AWS, Linux.

Mission: Automated analysis of candidates’ CVs on Google Cloud in order to reduce the number of questions asked to candidates (Recruitment Demo Project). • CV parsing + CV/offre comparison + Chat-bot implementation in Google Cloud. • Environnement technique: LLMs from Hugging face, Neo4, cloud functions, webhooks, chatbot (Dialogflow CX), VS Code

Contexte: Le Jumeau numérique (la reconstitution virtuelle de réseau ferré) chez SNCF Réseau. Objectifs: Justifier la détection d’objet d’infrastructure ferroviaire sur le terrain pour l'activité d'entreprise et l’automatiser sa détection. Résultats: La détection et la caractérisation de deux objets qui se trouvent à proximité des voies ferrées. L’input de la chaine de traitement: données pré traitée provenant de scanner LIDAR fixé sur locomotive du train. L’output: les coordonnés du centre d’objets d’intérêt et ces gabarits, accompagnés par des extraits correspondants de la base de données SNCF. L'analyse d’objet1 est en train de se faire sur des serveurs SNCF en prod. La détection de d’objet2 est en stade de développement (80%) en régime semi automatisé. Env technique: Python, C, CNN, Ransac, Docker, Airflow, Json, Flask. Contexte: La création de portail web permettant de lancer la détection de plusieurs objets simultanément avec l'exécution contrôlé par la voix humaine.  L'idée d'implementation: Utiliser docker-compose avec 4 conteneurs: 1(nginx, portail web)+2(détection d'objet1)+3(détection d'objet2)+4(postgreSQL, MongoDB). Interaction entre les conteneurs via curl/Flask et dbClient. Objectif: Convertir le texte en voix humaine et vice versa (text2speech et speech2text). Résultats: J'ai entraîné plusieurs modèles disponibles dans github et choisi le meilleur (Tacotron2 et DeepSpeech2). J'ai préparé la base de données d'entraînement où chaque document est représenté par un tuple: une phrase écrite accompagnée par un fichier audio. J'ai utilisé trois sources pour l'alimenter : 1. chercher les fichiers audios dans internet; 2. j'ai entraîné tacotron2 pour pouvoir lire la documentation SNCF et générer les fichiers audio; 3. j'ai écrit une API simple pour que les gens de notre équipe puissent enregistrer ses propres phrases. Env technique: Venv et miniConda, Paramétrisation, Tensorflow, Docker, serveur GPU distant, github, mes collègues pour évaluer la performance.

Intensive bootcamp in Data Science : Formation "Data Scientist" de ORT France, du programme Paris Code de la Mairie de Paris, avec le soutien du FAFIEC, en collaboration avec Datascientest. Contact: Raphaël Attias - ORT France 24 rue Erlanger 75016 Paris 2019 (January – May) Ongoing Kaggle project: Can you predict upcoming laboratory earthquakes? https://www.kaggle.com/c/LANL-Earthquake-Prediction/overview 2019 (November – January) Completed Kaggle project: Human Protein Atlas Image Classification (Classify subcellular protein patterns in human cells). https://www.kaggle.com/c/human-protein-atlas-image-classification The competition completed on 10 January 2019. My final standing (private leaderboard): Place 381, Teams 2172. I was limited by the performance of my graphic card 1060 3Gb, as a consequence I used single fold model without ensemble, small batch size and low resolution of images.

Modélisation mathématique de propagation des maladies infectieuses. Mathematical modeling of propagation of emerging infectious diseases. Subject: Developing new mathematical and computational tools for modeling the spread of infectious diseases. 1) Polyakov P., Souty S., Bolle P-Y., Breban R., Epidemic regions for influenza from incidence and drug sales data, in preparation. 2) Polyakov P., Souty S., Bolle P-Y., Breban R., Spatial heterogeneity analyses identify limitations of epidemic alert systems: Monitoring influenza-like illness in France. Available online: https://academic.oup.com/aje/advance-article-abstract/doi/10.1093/aje/kwy254/5255907?redirectedFrom=fulltext 188 (4), 724–733, 2019 3) Polyakov. P., Termination of the Ice Bucket Challenge. Mathematical Population Studies Journal, 25, p143, 2018. 4) Polyakov. P, Breban R., Bayesian monitoring of emerging infectious diseases. PLoS ONE. 11(4): e0152629, 2016.

Purification de l'eau à usage - consommations industrielles, Novossibirsk, Russia. Le chef d'équipe pour la mise à l'essai des systèmes pour purification de l'eau. Filtration, reverse Osmosis. Pas de publications.

Study of thermal diffusion of simple binary mixtures. Thermal diffusion Rayleigh scattering technique, lasers, thermal lens method, liquid mixtures, diffusion, Yasp simulation package, molecular dynamics simulations. 3) Polyakov P., Luettmer-Strathmann J., Wiegand S.: Study of the thermal diffusion behavior of alkane/benzene mixtures by thermal diffusion Rayleigh scattering experiments and lattice model calculations, J. Phys. Chem. B, 110, 26215-26224, 2006. 4) Polyakov P., Zhang M., Mueller-Plathe F, Wiegand S.: Thermal diffusion measurements and simulations of binary mixtures of spherical molecules, J. Chem. Phys., 127, 014502, 2007. 5) Kita. R., Polyakov.P, Wiegand S.: Ludwig-Soret effect of poly(Nisopropylacrylamide), temperature dependence study in monohydric alcohols, Macromolecules, 40, 1638-1642, 2007. 6) Polyakov P., Wiegand. S.: Systematic study of the thermal diffusion in associated mixtures, J. Chem. Phys., 128, 034505, 2008. 7) Polyakov P., Mueller Plathe F., Wiegand S.: Reverse nonequilibrium molecular dynamics calculation of the Soret coefficient in liquid heptane/benzene mixtures, J. Phys. Chem. B, 112(47), 14999, 2008. 8) Polyakov P., Rossinsky E., Wiegand S.: Study of the Soret effect in Hydrocarbon chain/aromatic compound mixtures, J. Phys. Chem. B, 113, 13308-13312, 2009. 9) Polyakov P., Wiegand. S.: Investigation of the Soret effect in aqueous and nonaqueous mixtures by the thermal lens technique, Phys. Chem. Chem. Phys., 11, 864- 871, 2009.

Study of chemical and thermal structure using experiment and modelling. Molecular beam mass spectrometry, thermocouples, flame, chemical reactions, PREMIX simulation package. 1) Polyakov P., Korobeinichev O ., Paletsky A., Tereschenko A., Volkov E.: Investigation of RDX chemical structure at 1atm using Molecular beam massspectromety and modeling, The Proceedings European Combustion Meeting, CD version, paper 79, Louvain-la-Neuve, Belgique, 2005; Proceedings of 5th International seminar on flame structure, 2005. http://www.kinetics.nsc.ru/conferences/semkpg/Papers/PP-08.pdf 2) Paletsky A., Korobeinichev O., Tereschenko A., Volkov E., Polyakov P.: Flame structure of HMX/GAP propellant at high pressure, The Proceedings of the Combustion Institute (Editors: Barlow R., Colket M., Chen J., Yetter R.), 30: 2105- 2112, 2005.