Бывает, что ученые не представляют, каким будет конечный результат их работы и найдет ли она в обозримом будущем практическое применение. Высокорисковые исследования принято называть Blue Sky Science, или «наукой голубого неба». В 2022 году в России прошел первый конкурс «Blue Sky Research — Искусственный интеллект в науке», в котором участвовали исключительно такие проекты. А до 27 февраля 2023 года идет прием заявок на участие в конкурсе 2023 года, посвященном исследованиям на стыке искусственного интеллекта и АПК, пищевых технологий. Ко Дню российской науки, который отмечается в России 8 февраля, мы поговорили с молодыми учеными — финалистами первого конкурса. Рассказываем про их проекты, интересы и науку уровня Blue Sky.

В 1976 году в США на мероприятии с участием ученых министр обороны Чарльз Уилсон заявил: «Мне неважно, почему трава зеленая», имея в виду, что наука ради науки не имеет практического значения. Ему возразил кардиохирург Джулиус Комроу: «Еще скажите, что вам неважно, почему небо голубое».

Джулиус Комроу намекал на работу физика Джона Тиндалла. В 1869 году он задался целью объяснить синий цвет неба с помощью стеклянной трубки, куда ввел пары определенных газов. Этот опыт положил начало множеству, на первый взгляд, не связанных друг с другом событий — например, изобретению устройства для оценки чистоты воздуха, бронхоскопа и гастроскопа.

Какими исследованиями вы занимаетесь?

Я материаловед, занимаюсь разработкой материалов и устройств для конкретных задач. Скажем, если изменить состав стекла, можно придать ему другие физические свойства, и в результате мы, например, можем создавать лазеры, работающие при комнатной температуре в непрерывном режиме. Это будет востребовано в медицине. Такая работа во многом предполагает междисциплинарность: нужно понимать и химию, и физику процессов, знать технологические особенности приборов. Нам предложили участвовать в конкурсе Blue Sky Research именно с проектом на стыке нескольких наук: химии, биологии, материаловедения и искусственного интеллекта. Такой симбиоз мне показался интересным.

Каким проектом вы занимаетесь в рамках конкурса Blue Sky Research?

Когда нам предложили участвовать, у нашей группы было изделие-полуфабрикат. Точнее, было два проекта: первый — датчик углекислого газа, а второй — компактный мини-спектрометр. Он измеряет спектр отражения объекта в узком диапазоне волн. Если эту информацию правильно расшифровать, можно что-то полезное выяснить.

Представьте: с одной стороны фонарь, а с другой — глаз. Если между ними что-то есть, глаз видит меньше света. То же и с датчиком: если между ним и источником света оказывается углекислый газ, до датчика доходит меньше излучения. Измеряя эти колебания, мы можем сказать, как меняется концентрация газа. Это полезно для разного рода анализаторов — например, в энергетической области.

К конкурсу Blue Sky мы подошли с проблемой: наше изделие работает, но ведет себя не совсем так, как предполагается. На его точность влияют электромагнитные наводки, наличие раций и помех, изменение температуры. И получается, что измеряемая концентрация далека от реальной.

Мы хотели понять, как бороться с помехами и внешними воздействиями, и решили попробовать научить нейросеть фильтровать сигнал по определенным критериям. Критерии мы знаем: скорость изменения температуры, длительность внешнего воздействия и так далее.

Почему вашу работу можно отнести к исследованиям «голубого неба»?

Нейросети к обработке данных привлекают давно, а вот к обработке динамически изменяющихся сигналов, как в нашем случае, — такого прежде никто не делал. По крайней мере, в открытых источниках данных об этом нет. И конечно, был определенный риск.

Какие возможности дает участие в конкурсах в формате Blue Sky?

Отличие Blue Sky Research от обычной грантовой системы в том, что тут главное — идея. Реализуется она или нет — 50 на 50. Но ты занимаешься именно реализацией. И вся грантовая деятельность, на мой взгляд, должна быть такой.

Грантовая система требует много отчетности. Ты пишешь заявку, выигрываешь — и дальше два месяца тратишь только на отчетные документы. Обычно в качестве заявки ты подаешь уже начатый проект. И на момент подачи должны быть уже какие-то результаты, чтобы заявку одобрили. В итоге первый год работы над грантом ты просто описываешь уже полученные результаты.

А здесь есть возможность сосредоточиться на реализации идеи. Да, у нас уже был прототип, но не было понимания, как его применить для конкретной задачи. И можно ли это сделать. Возможно, если бы мы не участвовали в конкурсе, мы бы не вышли на такое применение нейросети.

При этом участие в конкурсе все-таки предполагает практически ориентированную науку. Нужно найти нечто конкретное, над чем вы можете работать и что может в будущем принести ощутимые результаты. Это может быть частью более крупного решения, но небольшой.

Например, мы обсуждаем наше решение с одной из нефтяных компаний. У них есть определенные задачи, а существующие датчики нужный результат не дают — успешный кейс в рамках Blue Sky Research их заинтересовал. Мы показывали нашу разработку и говорили: существующие датчики несовершенны, но у нас есть алгоритм, который вы можете использовать, и он вам, допустим, снизит частоту ложных срабатываний аппаратуры.

Какими исследованиями вы занимаетесь?

Я окончила бакалавриат по физике, кандидатскую защитила по физико-математическим наукам. Но моя тема касалась методов анализа изображений нейронов, то есть находилась на пересечении биологии и физики. И в проектах конкурса Blue Sky мне эти знания пригодились, так как это междисциплинарные знания на стыке научных областей.

В биологии я скорее практик. Мои студенты на самом деле в биохимии и физиологии разбираются лучше меня, но зато я могу наладить контакт с людьми, которые занимаются не биологией. Например, биологу без технического образования было бы сложно понять принцип работы микроскопа и особенности получения изображений.

Каким проектом вы занимаетесь в рамках конкурса Blue Sky Research?

Я научный заказчик двух проектов. В первом — «Улучшение разрешения микроскопических изображений путем деконволюции с использованием функции рассеяния точки (ФРТ), вычисленной методами машинного обучения» — являюсь автором и руководителем, но о нем подробнее расскажет мой коллега Вячеслав Чуканов — именно он выступил исполнителем научной задачи со стороны ИИ-компетенций. Во втором проекте — «Вычисление функционала плотности (DFT) с помощью нейроморфных сетей» — я выступаю в роли соруководителя, консультанта. Мое участие в нем было неожиданным и стало возможным благодаря случайному знакомству с Михаилом Медведевым из ИОХ РАН, автором проекта, на одной из научных школ-конференций.

У команды Михаила возникла идея, что можно вычислить функционал плотности молекулы с применением нейроморфных вычислений. Вычисление функционала плотности помогает относительно точно определить структуру и энергию молекулы. Это может быть нужно, чтобы понять, что получится в результате химической реакции.

Сейчас для вычисления функционала плотности используют в основном математические методы, но нейроморфные вычисления потенциально могут быть быстрее и точнее. Нейроморфные — значит подобные, хотя бы частично имитирующие те, что происходят в мозге в процессе работы нервных клеток. Пока что такие методы только находятся в разработке.

В мозге происходит очень интенсивный обмен информацией между нейронами. У нейронов есть синапсы, которые осуществляют передачу сигнала. Один синапс может быть связан с тысячами других, и за счет этого мозг обрабатывает информацию быстро и эффективно. Вот эти биологические принципы функционирования можно попытаться перенести в методы построения вычислений.

Многие надеются, что нейроморфные процессоры выведут компьютерное моделирование во многих областях на совершенно новый уровень. Моя роль как нейробиолога в этом проекте была как раз в том, чтобы познакомить коллег-химиков и программистов с работой нервных клеток и немного поучаствовать в обсуждении устройства создаваемой нейронной сети.

Почему эту работу можно отнести к исследованиям «голубого неба»?

Это высокорисковое исследование: нет никаких гарантий, что нужные результаты будут достигнуты. Это не был ступенчатый процесс, когда ты знаешь, каким будет твой следующий шаг. По сути мы просто разведываем те области, в которых еще пока слабо ориентируемся. В этом и заключается подход Blue Sky.

В научной работе вообще много неудач, они случаются каждый день, начиная со случайных факторов — кто-то чихнул, что-то уронил — и заканчивая непредсказуемыми процессами в живых (и не только) объектах исследования. В этом проекте риск заключался в том, что мы не знали, сработает ли наша гипотеза. И если бы ничего не получилось, мы в любом случае отчитались бы — рассказали, каким путем шли и как пытались решить задачу.

Какими исследованиями вы занимаетесь?

Я больше 10 лет работаю в сфере IT. Окончил кафедру прикладной математики, а сейчас руковожу дипломными проектами на основе собственной системы, которая обеспечивает интеграцию образования, бизнеса и науки. Студенты в качестве проекта получают задачу от компании или лаборатории, то есть делают квалификационную работу и одновременно решают практическую задачу. Мне всегда нравились проекты, в которых есть и связь с индустрией, и возможность расширить свои компетенции.

Также я участвую в различных проектах в качестве ведущего разработчика и ML-инженера. Это не чистая наука, а именно прикладные исследования из различных отраслей — например, работа с медицинскими данными, в том числе связанная с компьютерной томографией, а также различные вариации систем ИИ для бизнеса.

Каким проектом вы занимаетесь в рамках конкурса Blue Sky Research?

Это междисциплинарный проект, которым руководит Екатерина Пчицкая. Он вырос из практических потребностей нейробиологов, которым нужно получать четкие изображения синапсов с микроскопов. Искажения, которые вносит микроскоп, могут существенно влиять на качество. Точность передачи деталей здесь очень важна, а оборудование может быть не самым продвинутым.

Можно попробовать математическим путем улучшить разрешение, то есть расстояние между двумя точками, на котором мы можем различить их как два отдельных объекта. Или взять уже готовое изображение и математическим путем вычислить изначальные параметры объекта, однако эксперименты показали, что результаты в таком случае получаются скромные.

Классические алгоритмы плохо подходят для задач, которые имеют сложность в их формальной постановке. Допустим, если у вас есть картинка, на которой всегда красный круг и зеленый квадрат, никогда не пересекающиеся, и алгоритмом можно построить прямую, отделяющую одно от другого. Но когда речь идет о том, чтобы различить детали практически произвольного изображения синапса, обобщенные модели не работают: здесь решение должно быть построено от конкретных данных.

Я предложил использовать нейронные сети — программы, которые обучаются на наборе данных, а дальше вычисляют нужные значения сами. Грубо говоря, вопрос звучал так: если мы выдадим нейросети пару изображений, зашумленное и идеальное, сможет ли она вычислить то искажение, которое внес микроскоп?

Почему вашу работу можно отнести к исследованиям «голубого неба»?

Сложность была в том, чтобы не просто обучить «нейронку», а создать такой инструмент, который бы превосходил математические методы. Такой гарантии не было вообще. Не было работ, которые бы демонстрировали такие результаты. Мы находили лишь работы, в которых решались схожие задачи фильтрации, но с другими данными.

Какие возможности дает участие в исследованиях в формате Blue Sky?

Технологии, которые могут выстрелить в той или иной индустрии, не всегда находят поддержку у инвесторов в классическом понимании. Часто у ученых есть прототип или концепция, но нужны дополнительные исследования. Blue Sky — это как раз высокорисковые инвестиции в науку, которые могут дать толчок внедрению какой-то технологии.

В нашем случае была возможность найти новое решение, которое может быть масштабировано. То есть нашу нейросеть можно в принципе приспособить для обработки изображений с любого подобного микроскопа. Достаточно дообучить ее на данных со снимков, полученных на вашем оборудовании. У нас есть элемент программной оболочки, который разбивает снимки на сферы и из этих сфер создает датасет. Все это делается автоматически.

Возможно, без этого исследования мы бы не получили таких результатов. И теперь мы понимаем, что у нейросети есть конкретные преимущества перед аналитическими методами. Вообще, везде, где есть задачи с распознаванием зашумленных изображений, есть потенциал для применения «нейронки». Но нужны экспериментальные проверки.

Я бы добавил, что Blue Sky — это такая ступенька, от которой молодые разработчики могут оттолкнуться и развиваться дальше. Выше вероятность, что такой проект найдет компанию, которая им заинтересуется и захочет вложиться в его разработку и внедрение.