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

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.

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.

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.

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.

Фото на обложке: Shutterstock / gaudilab