«Наука дает больше возможностей для развития»: Аспирант ИТМО Михаил Масляев ― о том, почему научные исследования интереснее работы в крупной компании

― Почему вы решили изучать метеорологию? Кажется, это не самый тривиальный выбор в наше время.

― Я выиграл всероссийскую олимпиаду по географии в 10 классе, и решил, что пойду на географический факультет. Меня тогда больше интересовала геология, но на втором курсе я подумал, что метеорология ― это интересно: там много математики и физики, есть, чему учиться и куда развиваться.

Современная метеорология позволяет находить применения для актуальных физических и математических методов для решения необычных прикладных задач.

― Вы изначально знали, что будете строить научную карьеру?

― Мои родители и бабушка с дедушкой были связаны с наукой, поэтому я знал, что все негативные стереотипы, например, о том, что учёные умирают с голода, работают на ветхом оборудовании и так далее ― это неправда.

Самый важный аргумент для меня ― это интересно. Я общаюсь с друзьями, которые работают в крупных компаниях типа «Яндекса», смотрю на их задачи и понимаю, что это смертельно скучно. Наука даёт больше возможностей для развития, позволяет заниматься тем, что интересно. Ты не упираешься в ежедневную рутину и выполнение одинаковых задач, а имеешь возможность бесконечно пробовать: что работает, а что нет. Понятно, что коммерческие компании не всегда могут пойти на подобные эксперименты.

― Почему вы не продолжили учиться в МГУ дальше, а поступили в ИТМО?

― Мне показалось, что классическая метеорология в России как наука несколько застыла во времени. Годов с 50-х ― 60-х в ней активно используется математическое моделирование, но новые методы вроде машинного обучения начали входить в эту область лишь недавно. И не все успели запрыгнуть в этот поезд.

Например, я занимался моделями, которые прогнозируют изменение климата и один из важных элементов ― влияние на климат биосферы: лесов, полей и так далее. В подобных задачах нужно учитывать сложные, многофакторные системы: потоки кислорода от растений, водяного пара от испарений, распределения тепла и газов. Теории для описания таких систем построены на значительных упрощениях, так что при решении задач для расчетов естественно было бы использовать машинное обучение на основе значительных баз данных, которые собираются в исследовательских центрах по всему миру.

У моего друга с океанологии была схожая проблема ― он тоже был заинтересован в машинном обучении для решения интересных ему задач. Так что мы вместе решили посмотреть другие направления и другие университеты. В ИТМО тогда была лаборатория моделирования природных систем во главе с Анной Калюжной на базе Национального центра когнитивных разработок ― они одними из первых начали применять машинное обучение для решения метеорологических задач. Так что мы подумали, что будет интересно сюда перейти ― здесь уже начал зарождаться коллектив, причем молодой. Для нас это стало весомым аргументом.

― Чем молодой коллектив лучше?

― Молодые ученые более активно следят за тенденциями и легко переключаются. Потому что когда занимаешься каким-то делом в течение двух-трёх лет, гораздо проще признать, что твой подход устарел, и перескочить на что-то новое. А если ты отдал отрасли 20–30 лет, очень сложно признать, что потратил время зря, и начать сначала. Хотя, безусловно, есть такие случаи, когда серьёзные исследователи довольно радикально меняли свою область деятельности. Но это всё-таки скорее исключение.

― А вам не сложно было так радикально менять свою сферу деятельности? Переквалифицироваться из географа в IT-специалиста?

― По сути, это не совсем смена специальности, а переход из одной смежной области в другую. Как бы странно это ни звучало, на географическом факультете было достаточно много математики и некоторых отраслей физики ― в первую очередь, механики сплошных сред. Так что после такой подготовки перейти в машинное обучение не было большой проблемой. Ведь самым большим препятствием может стать недостаток математического аппарата. Он необходим, чтобы не просто брать готовую модель, загружать в неё какие-то данные и получать результат, с которым непонятно, что делать.

― Расскажите, чем именно вы сейчас занимаетесь?

― Я занимаюсь весьма специфической областью машинного обучения ― подбором дифференциальных уравнений для описания динамических систем. Цель моего исследования ― создание алгоритма, который позволил бы получить дифференциальное уравнение на основе данных из самой динамической системы и некоторых априорных знаний о структуре происходящих в ней процессов.

― Зачем это нужно?

― Дифференциальные уравнения являются одним из лучших способов описания физических процессов. Например, течение жидкости описывается уравнением Навье — Стокса, на его основе можно построить физическую модель, используя аналитические методы, математический аппарат, сложные вычисления с учетом закона сохранения энергии и так далее. В моей же работе предполагается определять подобные дифференциальные уравнения только на основе данных.

Человек, который знаком с конкретной наукой, может, смотря на это дифференциальное уравнение, определить, что за ним стоит. Он может определить тип уравнения, определить схожесть процесса с иными физическими системами, и таким образом лучше понять исследуемый процесс. То есть у него есть свойство интерпретируемости ― в отличие от большинства распространенных методов машинного обучения.

Довольно характерный пример «из литературы» — данные по уровню загрязнения воздуха. По ним получаем соответствующее случаю уравнение переноса, и в нём определяем источник загрязнения. Это позволяет нам как моделировать процесс, так и понимать интенсивность источника загрязнения.

― Почему такой подход не использовали раньше?

― Задачи, над которыми мы работаем, близки к тем, что решались в теории уравнений математической физики. Чтобы определить, насколько хорошо модель описывает процесс, нужно сначала решить те самые дифференциальные уравнения, которые мы получаем в результате работы алгоритма. При этом очевидно, что многие из найденных уравнений будут очень далеки от истины ― но чтобы это понять, необходимо их сначала решить.

Но постепенно появляются методы решения произвольных дифференциальных уравнений при помощи нейронных сетей ― в частности, этим занимается мой научный руководитель Александр Хватов. Так что мы работаем над проблемой одновременно с двух сторон: я занимаюсь подбором уравнений, а он ― их решением.

― На какой стадии находится ваше исследование?

― Сейчас мы находимся на стадии валидации, проверяем алгоритм на тех системах, для которые мы знаем правильное уравнение. Из экспериментов мы сосредоточились на уравнении теплопроводности в вязкой жидкости. Мы измеряем значение температуры в этой жидкости и при помощи алгоритма пытаемся определить то уравнение, которое её описывает и на основе которого мы впоследствии будем моделировать физическую систему. В идеале мы должны получить дифференциальное уравнение лишь по некоторому набору измерений ― по скорости изменения уровня теплопроводности во времени и пространстве.

Однако тут есть сложность, которую мы пока ещё только решаем: в уравнении теплопроводности с конвекцией есть функция скорости, которая описывает, как перемешивается эта жидкость. Во многих случаях мы не можем определить другие физические величины, помимо моделируемой, потому что у нас нет приборов, которые позволяют их найти. И сейчас мы работаем над алгоритмом, который позволит нам подбирать эту функцию в процессе поиска уравнения.

― После того, как закончите аспирантуру, планируете остаться в России? Или поедете куда-нибудь за границу?

― До защиты я точно буду здесь, а дальше боюсь загадывать. Если будут интересные предложения по заграничным стажировкам или программам для постдоков, почему бы и нет. Если будет возможность поработать с коллективом мирового уровня, то однозначно стоит попробовать. Но для меня это не самоцель, как для многих.

― Вы не думаете, что вся передовая наука возможна только за рубежом?

― Возможно, у меня просто туннельное зрение и я сфокусирован только на том, что делает наша лаборатория, но мне кажется, что в области ИТ в России всё довольно неплохо. Активно дают гранты, оказывают всевозможную поддержку. Наша новая лаборатория уже выиграла два гранта, так что, кажется, это не слишком большая проблема. Но за другие сферы я не могу сказать.

― Вас устраивает ваше положение в ИТМО?

― Я работаю младшим научным сотрудником, у меня полная ставка в лаборатории. И я не чувствую, что как-то отличаюсь от «полноценных» научных сотрудников ― в современном мире всё совсем по-другому. Тем более наша область науки довольно молодая. Наш коллектив в основном состоит из аспирантов и свежеиспеченных кандидатов наук, поэтому я чувствую себя здесь комфортно.