«В науке можно работать очень долго, не теряя мотивации»

Арип – студент ИТМО, победитель научной премии имени Ильи Сегаловича (ее вручают студентам, аспирантам и научным руководителям за достижения в компьютерных науках – прим. Rusbase). Он рассказал нам, почему выбрал научную деятельность, как расширяет свои знания и почему в любых разработках и исследованиях важна актуальность. 

Почему я стал ученым

В детстве я мечтал стать изобретателем. Мне нравилось это слово и все, что с ним связано: технологии, создание каких-то приборов, инструментов, фантастика всякая. Увлекала инженерная деятельность. Возможно, это отразилось и на моих научных работах: для всех моих первых идей я что-то конструировал, соединял существующие модели в что-то одно.  

Сегодня такого желания уже нет. Потому что не всё, что ты соберёшь из готовых деталей, имеет смысл. При тщательном тестировании часто оказывается, что разработка актуальна только в данный момент времени и в очень узкой задаче.

Твое новое, пусть и хитрое, решение, может совсем не иметь ценности и не вносить вклад в науку. Поэтому я и интересуюсь нейробиологией, чтобы каждая моя идея была обоснованной, и математикой – чтобы я мог строго проверить каждый предлагаемый мною шаг. 

Я всегда хотел выбрать науку. Не простил бы себе, если бы в какой-то момент выбросил все свои идеи и занялся чем–то другим. Сейчас делаю исключительно то, что мне интересно: могу месяц учиться, читать научную литературу. Люди, работающие в IT-индустрии, такого позволить себе не могут. В науке можно работать очень долго, не теряя мотивации.

Хочется расти, перестраивать свой подход. Поэтому в последнее время я много учусь, занимаюсь математикой, читаю научные исследования по биологии, нейронауке и философии: хочется сформировать более глубокое видение. Параллельно веду исследования.

О будущем науки

Какими качествами должен обладать молодой ученый? Сложный вопрос. Я сам еще в поиске. Думаю, это индивидуально: наука разная, качества могут варьироваться даже в зависимости от вопроса, который исследует человек. Может быть, сила как раз в том, что люди обладают разными качествами, разными взглядами, и к решению проблемы идут разными путями.

Мне кажется, в целом молодые исследователи в России сейчас очень хорошо чувствуют положение дел в мировой науке: замечают тренды и понимают, какие исследования сегодня стоит проводить. Постепенно формируется и российская специфика в области машинного обучения, с большей математической направленностью. Поэтому перспективы очень серьезные. Поддержка тоже есть — гранты, премии.

Если ты делаешь действительно сильные исследования, незамеченным ты не останешься. 

Мои научные проекты

Довольно долго я занимался применением машинного обучения для генерации небольших молекулярных структур – компонентов лекарств. Задача была сократить время на поиск новых лекарств. На эту тему я опубликовал несколько статей, есть достаточно интересные результаты.

После этого я сконцентрировался на создании более общих концепций. Чем более абстрактная задача решается, тем больше возможных практических применений это решение может найти.

Например, совсем недавно мы написали научную статью, где предлагаем очень простую интерпретируемую архитектуру. Интерпретируемость важна, чтобы люди могли понять, почему модель приняла то или иное решение. Задача актуальная, и никто не знает, как правильно к ней подступиться. 

Второе мое исследование – более теоретическое и связано с генеративными моделями и их упрощением. В двух словах эту тему не объяснить, но идея в том, что существующие методы можно описать более строго математически и вынести из этого практическую пользу – улучшить качество работы моделей. Автор идеи – Александр Коротин, тоже лауреат премии имени Ильи Сегаловича. Мы с ним благодаря премии и познакомились: он рассказал идею, она меня впечатлила, и сейчас мы вместе работаем над ней.

Третье исследование связано с глубоким обучением с подкреплением. Мы пытаемся найти причинно-следственную связь между показателями нейронной сети, выступающей в качестве агента, и успешностью его работы. Благодаря таким взаимосвязям можно влиять на определенные параметры, и алгоритмы обучения будут работать эффективнее.

Ещё один мой проект сам по себе не исследование, он скорее полезен как научный инструмент.  Я попробовал создать продукт для помощи в поиске путей улучшения моделей машинного обучения. Все очень просто: практически каждая модель машинного обучения наследуется от каких-то предыдущих научных результатов. Мой проект визуализирует эти зависимости. Так исследователи могут лучше определить положение их метода в общей истории. Например, увидеть, что для модели, которую они применяют у себя, существуют альтернативы, которые улучшают эту модель. Элементарная замена потенциально может увеличить качество работы.

Источник: rb.ru

Комментарии: