Победители конкурса персональных грантов имени И.Е. Тамма: Павел Овчинников

В 2022 году Институт наукоемких технологий и передовых материалов объявил конкурс им. И.Е. Тамма для магистрантов на получение персональных грантов общим объемом 1,5 млн рублей. Гранты выделяются для научных исследований в области физики, нанотехнологий, наноматериалов и наноэлектроники, поступившим в магистратуру ДВФУ по направлениям «Физика» и «Электроника и наноэлектроника». Исследования должны быть выполнены в течение первого года обучения в магистратуре. Павел Овчинников, один из победителей конкурса, получил грант на проект «Исследование скрытого перколирующего процесса современными методами машинного обучения».

Персональные гранты имени лауреата Нобелевской премии по физике академика И.Е. Тамма поддержаны Фондом целевого капитала Дальневосточного федерального университета.

О том, как всё начиналось

Я поступил в Школу естественных наук ДВФУ на направление «Информационные системы и технологии», в школе сдавал профильные математику и физику. На первых курсах бакалавриата больше внимания уделялось информационным системам, чем физике, но и ее было достаточно.

На третьем курсе я выбирал тему для диплома, и она оказалась привязана к физике – использование современных методов машинного обучения. Мне интересны нейронные сети, и задача научным руководителем была поставлена исходя из связки теоретической физики и возможностей машинного обучения. Физика – это одно из перспективных направлений применения нейросетей. Ближе к 4 курсу я уже начал активно работать на кафедре, с ребятами из научной группы, участвовать в подготовке публикаций. Тогда же вышла первая статья, где я соавтор.

Тема машинного обучения и нейросетей мне интересна, и я хотел продолжать это направление. Выбрал магистратуру по вычислительной физике, которая максимально соответствует моим научным интересам – в Институте наукоемких технологий и передовых материалов есть ведущая научная школа по теоретической физике под руководством профессора, доктора наук К.В. Нефедева, которая как раз и решает подобные задачи. Когда я поступал в магистратуру, объявили конкурс персональных грантов имени И.Е. Тамма – у претендентов уже должен был быть какой-то научный задел и своя тема исследований. Я подал документы и оказался в числе получателей гранта с темой «Исследование скрытого перколирующего процесса современными методами машинного обучения».

Об возможностях нейросетей и об исследовании

Продолжаю разрабатывать тему, которую начал еще в бакалавриате – это нейронные сети, их возможности для решения задач теоретической физики. Нейросети сейчас очень популярны, все увлеклись красивыми картинками, которые они генерируют. Но моя нейросеть таких картинок не рисует. Вообще, нейросеть – это класс алгоритмов, связанных с анализом и обработкой больших данных. Какой-то искусственный мозг изучает большое-большое количество данных, учится на них и потом что-то умеет делать так, как будто ради этого и был создан. Для анализа изображений нейросети начали применять довольно давно, а с недавних пор ученые заговорили о применении этого класса сетей и к физическим задачам. Принцип тот же самый: физическая система может быть представлена в виде изображения, и оно может быть эффективно исследовано с помощью классических алгоритмов, вроде сверхточных нейронных сетей. И в качестве результата мы, например, можем посчитать энергию системы – быстрее, точнее и эффективнее, чем это делают классические алгоритмы. Исследование сложных систем зачастую недоступно из-за ограничения вычислительных мощностей. Нейросети позволяют обойти эти ограничения.

Моя нейросеть применяется для решения физической задачи – анализа развития перколирующей системы и классификации параметров, при которых эта система развивалась. Я разрабатываю алгоритмы, которые могут смоделировать физические модели, проанализировать их и получить необходимые данные. Это может быть обработка уже известных дата-сетов, но в нашем случае дата-сет создается самостоятельно: сначала строится модель системы, алгоритмы ее анализируют, вычленяют необходимые характеристики, создается большой дата-сет (миллионы данных), и потом уже обучается нейросеть.

Вообще, мне интересно развиваться в сфере машинного обучения и подобных алгоритмов – нравится работать, нравится их программировать. Поэтому работа на кафедре, исследование каких-то все более сложных систем и разработка все более сложных алгоритмов – это очень увлекательно и перспективно.

О стажировке в Сколково и перовскитах

Химик и физик, профессор, доктор наук Д.С. Штарев попросил посмотреть один перспективный алгоритм, который, возможно, поможет его научной группе в предсказании новых классов материалов – перовскитов. Алгоритм называется «Успех» (USPEX), он интересен методами предсказания свойств материалов, основанными на машинном обучении и на нейронных сетях. Алгоритм разработал химик Артем Оганов, автор супер-современных методов, которые позволяют открывать новые материалы. Сейчас он профессор Сколтеха и возглавляет кафедру материаловедения полупроводников и диэлектриков МИСиС.

Алгоритм «Успех» способен предсказывать устойчивые химические соединения и их свойства по набору исходных элементов. Этим алгоритмом может пользоваться любой ученый, кто заинтересован в предсказании свойств или структуры новых материалов в кристаллографии, в химии, в физике твердых тел. В «Успехе» есть модули, связанные с машинным обучением, это больше мой профиль, и было интересно посмотреть, как работает алгоритм, как они используют систему. В процессе работы мы пообщались с разработчиками «Успеха», и в результате меня и еще одного сотрудника пригласили на стажировку в Сколково, чтобы мы могли побольше узнать и поучиться.

Эта сфера применения нейросетей довольно широкая и перспективная. Потому что предсказать материал с нужными свойствами достаточно точно – это очень круто! Если использовать обычные методы, то сначала можно только выдвигать какие-то предположения, какие могут быть свойства у новых перовскитов. Далее их нужно вырастить, измерить, посмотреть на их свойства, провести эксперимент. Это колоссальный объем работы, несколько месяцев, если не лет. И только потом можно определенно сказать, с какими свойствами получился материал. Алгоритм же позволяет пройти эти этапы за несколько дней. Не точно, но хотя бы примерно – допустим, из нескольких миллионов вариантов он нам предложит сто наиболее перспективных, которые уже можно выводить на эксперимент. Это большая экономия времени и ресурсов. А дальше первоскиты уже можно использовать для разработки процессоров, светодиодов или солнечных панелей. Такие открытия сулят очень большие возможности.

О советах школьникам

Не бояться поступать на направления, связанные с наукой, и как можно раньше интересоваться исследованиями, которые ведутся в институте. Я немного жалею, что пришел в науку только на третьем курсе, а первая статья и выступление на конференции случились на четвертом. Лучше с первого курса приходить и интересоваться, кто чем занимается на кафедре, какие научные темы и интересы у преподавателей, кто из них статьи пишет, что происходит в соседних лабораториях – тогда можно будет попробовать что-то разное и найти свою тему. Наука – это очень интересно и перспективно.