Наука как часть жизни

Мы поговорили с десятью выпускниками CS центра, повседневная рабочая жизнь которых — это фундаментальные и прикладные исследования в разных областях науки. Они рассказали, как решили стать учёными, чем сейчас занимается современная наука, и дали несколько советов тем, кто только мечтает о карьере исследователя.

Молодые учёные

Я занимаюсь исследованиями и разработкой в области фотограмметрии в компании Agisoft. C 2018 года читаю два курса в CS центре: по вычислениям на видеокартах и по самой фотограмметрии.

У меня были большие шансы найти интересную мне область благодаря разнообразию курсов в CS центре и бакалавриате ИТМО. Для меня самую большую роль сыграл курс по вычислительной геометрии. Меня настолько увлекла эта тема, что дни пар по этому курсу были лучшими на неделе. Я решил пойти работать в эту область, но по стечению обстоятельств передо мной поставили задачи фотограмметрии. Сначала я удивился и даже был разочарован, но спустя время понял, что мне страшно повезло. Фотограмметрия увлекла ещё больше, чем вычислительная геометрия.

Для наглядности расскажу о двух больших рабочих задачах. Первая — это построение карт глубины. То есть зная точное расположение камер, хочется для каждого пикселя каждой фотографии определить расстояние до наблюдаемой поверхности за счёт сопоставления каждой фотографии с остальными кадрами. Задача в общем случае не решаема, особенно, когда есть блики, зеркальные и глянцевые поверхности, бегающие люди и движущиеся тени. Но хочется, чтобы всё работало как можно лучше и устойчивее, даже в таких случаях. Кроме того, необходимо, чтобы алгоритм работал быстро, так как фотографий много и каждая из них очень высокого разрешения. С ускорением очень помогают вычисления на видеокартах.

Вторая большая задача — по построенным для каждой фотографии картам глубины построить общую полигональную поверхность в виде треугольников, чтобы дальше её можно было использовать в играх, кино или иных прикладных задачах. Карт глубины столько же, сколько и фотографий, — суммарный объём информации очень большой, кроме того в картах глубины всегда есть много шума. Нужно уметь отфильтровывать этот шум и строить цельную красивую геометрию. Как сделать это быстро в рамках ограниченного объёма оперативной памяти — большая сложная задача. Статью с описанием придуманного метода приняли на ICCV 2021.

Я родился в Казахстане в Алматы. Учился на механико-математическом факультете Новосибирского государственного университета, в Высшей инженерной школе Франции (ENSTA ParisTech), в Школе анализа данных и в CS центре. Сейчас веду исследования в области компьютерной графики в университете Монреаля. Между этим работал в индустрии: программировал алгоритмы для решения уравнений матфизики и геометрических задач в 3D.

Вообще, я никогда не любил программировать, но в бакалавриате нравилось решать разные уравнения численными методами. Например, интерполяция функций, подсчёт интегралов, решение СЛАУ, дифференциальных уравнений и пр. Особенно меня радовали графики аппроксимаций этих функций, поэтому я решил пойти дальше учиться в направлении вычислительной математики и посвятил этому два года в Высшей инженерной школе Франции (ENSTA ParisTech).

Позже я узнал о машинном обучении. Мне стало интересно, что это такое и где это можно изучить. Я не понимал, как можно написать алгоритм, который смог бы определять, что изображено на фотографии, поэтому я решил поступить в CS центр, тогда ещё новосибирское отделение ШАД. Там мне помогли полюбить программирование и погрузиться в машинное обучение. Именно в CS центре/ШАДе я научился думать над каждой строчкой кода, понимать, как всё устроено внутри и писать эффективные алгоритмы.

Сейчас я учусь в аспирантуре в Монреальском университете в Канаде. Область моих интересов находится на стыке компьютерной графики и машинного обучения. Я занимаюсь задачей восстановления 3D-позы нарисованного персонажа: на вход получаем фотографии рисунка с персонажем (мультфильма или компьютерной игры), а на выходе хотим иметь 3D-модель этого персонажа в нарисованной позе. Всё это для автоматизации рутинного процесса 3D-моделирования, который отвлекает художника от творчества.

Я работаю исследовательницей в лаборатории методов машинного обучения в программной инженерии JetBrains Research, преподаю в СПбГУ и CS центре.

Мою исследовательскую работу можно разбить на две части. Первая связана с изучением компиляторов и устройства языков программирования. Например, тема одного из проектов — рефлексия в compile-time в Kotlin. Рефлексия — это способность компьютерных программ анализировать самих себя. В этом проекте я разрабатываю плагин для компилятора Kotlin, который позволяет перенести рефлексию для Kotlin проектов из run-time в compile-time. Такой подход позволяет ускорить работу ряда приложений. Подробнее о проекте можно почитать здесь. Второе направление работы — это инструменты и алгоритмы, способные помочь при обучении программированию. Например, автоматическая оценка качества кода и генерация персональных подсказок во время решения задач по программированию.

В бакалавриате и магистратуре я пробовала себя и в других направлениях, например, байесовские сети и базы данных, но мне всегда больше нравилось заниматься чем-то на стыке исследований и индустрии. CS центр помог мне найти интересный проект и лабораторию, в которой я сейчас работаю.

Я живу в Петербурге и занимаюсь фундаментальными исследованиями в физике галактик в Пулковской обсерватории и Астрономическом институте СПбГУ.

Мои интересы существенно изменялись, но всегда оставались в рамках астрономии. Дипломная работа в вузе был посвящена физике нейтронных звёзд: я занимался написанием и постановкой численных экспериментов по охлаждению изолированной нейтронной звезды. Уже на этом этапе навыки и знания, приобретённые в CS центре, помогали мне: я понимал, как работать с относительно большим проектом, как писать понятный и масштабируемый код.

Позже, в аспирантуре, я переориентировался на астрофизику высоких энергий: изучал барстеры и транзиентные источники, но в итоге поменял научную группу и руководителя и защищал диссертацию о диффузном свете в компактных группах галактик. Сейчас, помимо углубления ранее полученных результатов, я занимаюсь применением методов компьютерного зрения к астрономическим изображениям.

CS центр, безусловно, очень помог в понимании ценности хорошей команды и качественных взаимодействий в достижении итогового результата — раньше для меня это было не столь очевидно. Также центр сильно расширил мой кругозор, а следовательно, и область моих потенциальных интересов.

Я один из первых выпускников CS центра, и моя научная деятельность связана с астрофизикой. Если конкретнее, то я научный сотрудник Пулковской обсерватории и СПбГУ, занимаюсь физическими вопросами, связанными с галактиками, космической пылью и звездообразованиями. Сейчас я исследую положение очень слабых облаков пыли в нашей Галактике и параллельно занимаюсь применением нейронных сетей для поиска галактик с так называемой Х-структурой. Это довольно специфические вопросы, но очень актуальные в мировой науке.

CS центр сыграл значительную роль в становлении меня как учёного. По большей части, моя работа завязана на программирование, и все знания, которые я получил в центре, применяю ежедневно.

У меня всё началось с CS центра. При поступлении я целился именно на Computer Science направление, так как тогда не хотел заниматься программированием и анализом данных. Для выпуска с него обязательно участие в научно-исследовательской работе. Благодаря ей я познакомился с Максимом Алексеевым, который и увлёк меня биоинформатикой.

В 2017 я получил PhD в The George Washington University, после чего дважды получал место постдока — в Princeton University и Johns Hopkins University. Постепенно от совсем теоретической биоинформатики я двигался к более прикладным задачам. В итоге сейчас работаю исследователем в компании Oxford Nanopore Technologies. Разрабатываю новые вычислительные методы для анализа данных о секвенировании генома с помощью технологии секвенирования длинными ридами.

В своей работе я совмещаю исследования внутри компании в текущих и ещё не анонсированных проектах, а также активно сотрудничаю с академическими группами и помогаю им с использованием наших технологий. Многое, для чего наши секвенаторы могут быть наиболее полезны, находится на переднем крае науки. Такие проекты не имеют гарантий на успех, но могут привести к настоящим научным открытиям и дополнительным возможностям для компании. В подобных проектах наша экспертиза заключается в том, чтобы помочь получить максимум результатов при использовании наших технологий.

Сейчас я работаю с такими проектами: сборка первого полного генома человека, исследование болезни Альцгеймера, исследование раковых заболеваний и т.д. Во всех этих проектах есть необходимость в разработке вычислительных методов для анализа и очистки входных данных, понимания границ применимости и разработки программных комплексов для воспроизводимого автоматического анализа данных. Все те знания, которые я получил в CS центре, либо применяются напрямую в моей работе, либо являются фундаментом для изучения чего-то нового.

Тема моих научных интересов определилась просто. Я учился на отделении математики на математико-механическом факультете СПбГУ. Ещё на втором курсе бакалавриата я подошёл к Эдуарду Алексеевичу Гиршу и сказал, что хочу что-нибудь делать. Он тогда сам занимался теорией сложности, поэтому и задачу дал из этой области. Он принимал непосредственное участие в запуске CS центра и очень рекомендовал мне туда пойти.

После выпуска я долгое время работал в University of California San Diego (UCSD) на позиции visiting assistant professor (фактически, это был постдок). Сейчас я разработчик, но из-за пандемии пока остался в Сан-Диего.

За последние десять лет интересы не менялись, просто я смотрел на них с разных ракурсов: коммуникационная сложность, математическая логика, статистика и прочее. Если попробовать описать область шире, то это сложность вычислений с точки зрения разных метрик.

Область моих научных интересов — теория управления. Это специальность не чисто математическая, она находится на стыке инженерии и прикладной математики. Конкретно я занимаюсь численными методами решения задач управления на основе методов оптимизации. Можно провести аналогию с обучением с подкреплением: решаются похожие задачи, только в данном случае окружением является некоторый динамический объект, например, перевёрнутый маятник, самолёт, биореактор и т.д., а агентом — регулятор, который пытается обеспечить выполнение некоторой цели управления, например, стабилизировать объект в некотором положении.

Увлечение этой темой случилось до CS центра, ещё в университете, — я выпускник и научный сотрудник ЛЭТИ. Центр во многом сформировал моё мировосприиятие и серьёзное отношение к работе. Хоть полученные знания нечасто используются непосредственно в научных задачах, хороший кругозор и полученный опыт помогают мне в другой деятельности, например, в чтении статей.

Я выпускник математико-механического факультета СПбГУ. В период моего обучения там было довольно сложно заниматься теоретической информатикой: мне казалось, что эта тема была мало представлена. Узнав о запуске CS центра, я решил попробовать свои силы. Взял курсы по сложности и алгоритмам и стал развиваться в этом направлении. Это было отличной идеей: я познакомился с Дмитрием Ицыксоном, Эдуардом Гиршем и Александром Куликовым. Вместе с Александром Куликовым и Фёдором Фоминым я начал заниматься экспоненциальными алгоритмами для NP-трудных задач. После окончания матмеха я поступил в магистратуру Академического университета и ещё сильнее погрузился в зоопарк сложностей алгоритмов.

Сейчас я живу в Америке, получаю PhD в Indiana University. Мои интересы сместились в область распределенных алгоритмов с некоторым оттенком communication complexity. В постановках таких задач есть несколько машин, и группа, в которой я работаю, пытается решить задачу, используя как можно меньше ресурсов на коммуникацию. Две самые главные меры сложности общения между машинами — это количество раундов коммуникации и количество битов коммуникации. В одной из наших работ мы, например, изучали вопрос, как эффективно решать задачу линейного программирования (и другие оптимизационные задачи, которые часто возникают в ML) в подобных распределённых системах. Другая наша работа посвящена изучению подходов к решению базовых задач для обучения с подкреплением в аналогичных условиях. В основном, в своей работе я занимаюсь выяснением, насколько количество раундов коммуникации и адаптивность влияют на алгоритмы с точки зрения верхних и нижних оценок.

Я получаю PhD по neuromorphic computing в Université Côte d’Azur в пригороде Ниццы. Мы с коллегами исследуем нестандартные искусственные нейронные сети, такие как самоорганизующиеся карты Кохонена и спайковые нейронные сети. Отдельное внимание уделяем их реализации в железе и вопросам энергопотребления, а также совместимости и понимания работы с точки зрения биологии.

К этой теме я пришёл через собственный интерес, так как всегда увлекался в равной степени математикой, программированием и биологией. Я целенаправленно искал работу на стыке этих областей и очень счастлив, что смог найти подобное место. Особенно радует возможность чувствовать себя частью передовой науки и осознавать, что ты находишься среди тех, кто одним из первых коснётся тайн нашего сознания и через него принесёт прогресс людям.

Обучение в Новосибирском ШАДе и CS центре мне помогло получить очень высокий уровень знаний в области искусственного интеллекта. Сейчас я могу обсуждать актуальные исследования на равных с большими учёными, что впечатляет, учитывая что своё обучение в центре я начал, буквально, с нулевыми знаниями этого предмета.

Мы задали ребятам несколько общих вопросов о карьере учёного и попросили оставить советы для тех, кто только мечтает стать исследователем.

Как учёный зарабатывает?

В России три потенциальных источника дохода в академии.

• Стипендия или ставка научного сотрудника — зарплата в университете или другой образовательной организации. Зачастую не очень высокая: в среднем, доцент получает порядка 40 000 рублей. Но есть и позитивные примеры: зарплата доцента факультета математики и компьютерных наук (МКН) СПбГУ — 120 000 рублей, а профессора — 220 000. рублей.
• За преподавание в разных местах платят по-разному: от 2 до 8 тысяч рублей за пару. Вполне вероятно, что на старте предложат помогать с проверкой домашних заданий, потом вести практику и только через какое-то время — читать лекции.
• Есть много государственных грантов с хорошими деньгами, которые могут значительно увеличить зарплату. Но, чтобы получить их, нужно работать в научной группе, которая активно публикуется и регулярно подаёт на такие гранты.

В США фиксированная зарплата научного сотрудника будет выше (зарплата профессора колеблется от 85000$ до 150000$ за девять месяцев), но её нельзя будет увеличивать грантами и преподаванием. Как следствие, доход стабильнее. Но в разговоре про деньги в Америке нельзя забывать про различные налоги и оплаты медицинских страховок — это «съедает» существенную часть зарплаты.

Работая в индустрии, можно с первых месяцев получать гораздо больше. Но главное отличие академии от IT — это свобода. Кстати, многие крупные компании организовывают или финансово поддерживают научные лаборатории. Иногда они заинтересованы напрямую в результатах исследований для развития своих продуктов, но не всегда. Попасть в такое место — это классный способ заниматься любимым делом и получать хорошую зарплату. Но надо понимать, что количество таких мест сильно ограничено, темы исследований несут, скорее, прикладной и индустриальный характер, а job security обычно ниже, чем в академии.

Какие направления исследований сейчас актуальны?

Если пытаться перечислить конкретные теоретические области, то это, пожалуй, защита персональных данных, машинное обучение и биоинформатика. Если смотреть глобально, то самая горячая тема — применение методов машинного обучения к любым областям деятельности человечества. Ещё несколько лет уйдёт на внедрение алгоритмов искусственного интеллекта в разные сферы жизни, а после люди захотят разобраться, почему же это всё-таки работает или, наоборот, не работает.

Советы тем, кто хочет начать карьеру в науке

Большинство советов ниже будет вокруг одной идеи: расширяйте сеть контактов. Работа в науке — это непрерывное общение с людьми из вашей или смежных областей.

• Пишите исследователям, которые занимаются интересными для вас вещами. Например, текст письма может быть такой: «Добрый день! Меня зовут Сергей, я прочитал вашу статью. У меня есть вопрос ... А задумывались ли вы об этом?...». Автор может заинтересоваться вашим вопросом и идеей и, если вы окажетесь правы, предложить поработать вместе.
• Посещайте конференции, научные школы и общайтесь с людьми. Важно перебороть страх и научиться задавать вопросы. Поверьте, чаще всего люди будут очень рады делиться знаниями в живом общении. Кстати, сейчас это организовать даже проще, чем было пару лет назад — большинство мероприятий проходит онлайн.
• Выбрав интересную лабораторию или научную группу, постарайтесь связаться с бывшими студентами. Не стесняйтесь задавать вопросы, как развивается их карьера и помогал ли научный руководитель.
• Если вы едете в отпуск, то отличной идеей будет зайти куда-то и предложить прочитать доклад на семинаре.
• Открытые семинары лабораторий и научных групп — частое явление и отличный способ поближе познакомиться с темой, найти единомышленников и получить задачу.
• Учите английский: без него будет очень сложно развиваться.
• Читайте статьи и как можно больше: в какой-то момент и вам придётся поучаствовать в написании одной из них, а в этой работе очень важна насмотренность.
• Если вы твёрдо уверены, что хотите переехать в другую страну, то, чем раньше вы это сделаете, тем проще всё организовать.
• Пробуйте разные задачи. Студентам CS центра в этом сильно помогают семестровые проекты.
• Не бойтесь менять область интересов. Это, опять же, расширяет сеть контактов, но главное — увеличивает ваши шансы быть более привлекательным кандидатом с опытом в разных областях.