Отзыв о менторе Сергее Никитине

Участник прошлого сезона Клуба менторов Физтех-Союза и студент МФТИ Егор Батарин поделился с нами своей историей нахождения в клубе.

В начале 5 семестра решил выбрать себе ментора по науке, чтобы лучше определиться с направлением дальнейшей деятельности. Выбор пал на Сергея Петровича Никитина, поскольку он занимается квантовыми технологиями, а мне было интересно разобраться в этой теме.

В ходе нашего первого разговора, Сергей Петрович предложил мне съездить в компанию «Т8», познакомиться с людьми, занимающимися передачей и обработкой сигналов, идущих по оптоволоконному кабелю. Это направление меня также заинтересовало, и я согласился. Впоследствии я познакомился с очень интересным математиком, занимающимся теорией кодирования и машинным обучением. Мне было очень интересно обсуждать с ним проблемы, над которыми он работал. Я и подумать не мог, что дифференциальная геометрия и теория представлений могут быть приложены для восстановления зашумленного сигнала!

В конце семестра Сергей Петрович помог мне и моему другу сделать вопрос по выбору, подсказав тему и поделившись научными статьями. Тема ВПВ: «Реализация квантовых компьютеров на ионных ловушках». Для меня и моего друга это был самый сложный ВПВ за все время обучения. Мы по отдельности никогда не тратили на подготовку ВПВ больше 2 дней, а этот затянулся на неделю! Причем большую часть времени мы затратили на то, чтобы разобраться в том, что вообще происходит. Но сторица окупилась: мы разобрались, как работают квантовые компьютеры, чем отличаются от классических, осознали, какие задачи сейчас решают физики в попытках удержать кубиты и почему это сложно. К тому же, ВПВ был мотивацией, чтобы разобраться с самым сложными билетами ГОСа из квантфиза (они в нашем ВПВ использовались как элементарная база).

Я благодарен Сергею Петровичу за помощь в выполнении ВПВ, за то, что благодаря нему я познакомился с квантовыми технологиями, и за приглашение в компанию Т8, благодаря которому я познакомился с последними достижениями в теории кодирования, а также в активно развивающейся сейчас оптимизации на гладких многообразиях.