Расскажи, как ты пришёл к тому, чем сейчас занимаешься?
Во время бакалавриата меня штормило: была куча разных мыслей, куда податься. В какой-то момент хотел стать преподавателем, потом понял, что было бы ещё интересно делать что-то своими руками, а не просто давать теорию.
И в течение четырёх лет я пробовал: бэкенд, машинное обучение, глубинное обучение. В какой-то момент мне понравились нейронные сети, созданные по подобию нейронов человеческого мозга и показывающие невероятные результаты. Стало очень интересно во всём этом разобраться.
После бакалавриата по прикладной математике и информатике в РТУ МИРЭА я поступил в Вышку на магистерскую программу «Науки о данных». Думал, что там более подробно изучу data science и пойду работать в какую-нибудь большую айти-компанию. Но я пришел в лабораторию и классно законнектился с ребятами..
В какой-то момент я испытал диссонанс от этого, но потом мне очень понравилось там находиться. Внутренне меня уже тянуло остаться. Поэтому летом я подал документы в аспирантуру — чтобы продолжить работу над исследованиями.
А в октябре, когда я узнал, что набрал нужное количество баллов для поступления, мне пришла идея поступить в аспирантуру Яндекса — мой научный руководитель к этому времени как раз перешёл в Yandex Research.
Мне сказали, что будет собеседование с будущим научным руководителем из Яндекса. Всё прошло хорошо, и через какое-то время мне пришёл положительный ответ. Сейчас я провожу исследования, а Яндекс наблюдает за моими результатами.
Здорово! А о чём будет твой постер?
Работать над этим исследованием я начал ещё в магистратуре. Там я попал в лабораторию BayesGroup — ею тогда руководил Дмитрий Петрович Ветров. Мне предложили две темы дипломов: применение генеративных нейросетей в 3D-моделировании и изучение пространства ошибок случайных нейронных сетей. Я выбрал первую.
Тогда же, в 2022 году, вышла классная статья на эту тему. Дело в том, что обучить нейросеть генерировать 3D очень сложно. Обучающих данных в интернете мало, ведь 3D-моделей в открытом доступе сильно меньше, чем картинок. К тому же нет эффективной архитектуры для работы с этими данными.
Авторы статьи предложили решение этой проблемы: из диффузионной модели, которая хорошо генерирует изображения, вытащить информацию и использовать её для генерации 3D.
Где-то год я занимался ускорением метода из статьи. Генеративную 2D-модель надо запускать много раз, чтобы получить нормального качества 3D-модель. Мы изучали варианты, как переиспользовать уже полученные выходы этой генеративной 2D-модели и запускать её меньшее количество раз. Получилось даже ускорить генерацию с небольшой потерей качества.




