Millist eriala sa TalTechis õppisid?

Ma õppisin Tallinna Tehnikaülikoolis tehnilist füüsikat, mis on nüüd rakendusfüüsikaks ümber nimetatud. Nimed muutuvad: bakalaureuses oli tehniline füüsika, magistris tehniline füüsika, doktorit alustasin samuti tehnilises füüsikas, pärast nimetati see ümber füüsikalisteks loodusteadusteks. Kokku õppisin tehnikaülikoolis kümmekond aastat.

Miks otsustasid füüsikat õppida just TalTechis?

Tol ajal ei olnud mul väga konkreetset arusaama, mida täpsemalt õppida tahan. Teadsin, et ma tahan õppida midagi reaalteadustest. Valisin siis midagi, mis arvasin, et annab kõige laiapõhjalisemad teadmised. TalTech tundus parem variant selle koha pealt. Tartus ma füüsikat õppinud ei ole, aga see lihtsalt tundus niimoodi.

Aga miks sa otsustasid peale bakalaureuseõpet edasi ka magistrisse minna?

Bakalaureuses sai põhja alla aga eriala spetsiifilisi asju sai üsna vähe õpitud. Traditsioonilises ülikoolihariduses nii see olema ka peaks- bakalaureus on baasi alla ladumine aga kui tahad spetsialistiks hakata, siis pead edasi magistrisse minema. Samuti tundus juba bakalaureusetööd tehes huvitav, mida saab numbriliste analüüsidega teha ja numbriliste simulatsioonidega näidata. Ilmselgelt oli see vaid algus ja sealt oli võimalik asju edasi arendada- „jäämäe tipp“, nagu öeldakse.

Mis sulle magistriõppe juures kõige rohkem meeldis?

See on selline kahe otsaga asi- nimelt oli meid tehnilise füüsika magistris hästi vähe. See oli hea, sest saime eriala tundides ja loengutes väga personaalse lähemise. Saime õppejõududega otsemalt suhelda, kui muidu oleks saanud. Lisaks andis see õpingutes paindlikkust. Samas oli üliõpilaste vähesuse teine pool, et näiteks valikainetes ei saanud kõiki aineid valida. Oli väga reaalne, et vajaminevat viite inimest kokku ei saanud gruppi ja seetõttu seda valikainet ei avatud.

Kuidas sa jõudsid doktoriõppesse, mis selleni viis?

Tegelikult ma esialgu ei plaaninudki doktorisse minna. Tegin magistri professor Andrus Salupere juhendamisel ära ja kuna mul veel töökohta polnud, kirjutasin ülikoolis suvi otsa artiklit ja tegin natuke muid asju juurde. Aina huvitavam tundus mida kõike numbriliselt näidata saab, kuidas see juba olemasoleva laiema teadusega kokku läheb ning kuidas seda sinna põimida just niimoodi, et see oleks ka uudne. Uudne selles mõttes, et keegi polnud seda varem teinud. Siis selgus, et on võimalus midagi sarnast ülikoolis edasi teha ja uurida. Võtsin sellest võimalusest kinni, kandideerisin ning osutusin valituks.

Palun räägi mida sa tegid doktoriõppes täpsemalt?

Numbrilised meetodid ehk siis ikka rakenduslik matemaatika suures plaanis. Juurde üritasime natuke füüsikat ka jutustada, et millist füüsikalist probleemi me üritame selle abil modelleerida ja lahendada. Aga enamus aega läks siiski numbriliste matemaatiliste lahendite leidmiseks ja nende andmete analüüsimiseks.

Täpsemalt, me lisasime teatud tüüpi lainetel, Haari lainikutel, baseeruvale numbrilisele skeemile, mida on kasutatud päris kaua, arvutamiseks juurde adaptiivse võrgu. Kui muutused on väiksed, siis ei pea kasutama numbriliseks arvutamiseks nii tihedat sammu kui kiirete muutuste piirkonnas. Kumbki (Haari lainik ja adaptiivne võrk) muidugi iseenesest ei olnud uudne, aga nende kahe asja kokkupanemine oli uudne. See oli kõige suurem asi, mis seal ära sai tehtud. Sellest valmis ka pikk artikkel. Täpsem töö lühikirjeldus ja viide tööle on leitav siit: https://taltech.ee/sundmused/doktoritoo-kaitsmine-mart-ratas

Kus sa töötad täna, mis on sinu tööks ja mis selleni viis?

Töötan King's Kolledžis Londonis. Inglismaale tulin 2021 aasta lõpus järeldoktorisse, et näha, kuidas mujal maailmas teadust tehakse. Esialgu olin Reading’i ülikoolis, kus me uurisime informatsiooni liikumist keerukates meteoroloogilistes süsteemides. Väga kaugele me sellega ei jõudnud, kuna tegemist oli üsna lühikese projektiga- minu leping oli alla aasta. Seejärel tahtsin saada kogemusi, kuidas tehakse teadust siinsetes ülikoolides, mis asuvad pingeridades mõnisada kohta eespool ning kandideerisin King's Kolledžisse Londonisse.

Praegu tegeleme AI süsteemi arendamisega, mis kasutab masinõpet, et patsiendi meditsiiniline informatsioon igalt poolt kokku korjata ja kuvada. Suurbritannia on väga suur ning siin on palju erinevaid haiglaid ja erinevaid süsteeme. Patsiendi kohta käiv info on tihtipeale vabas tekstis ja struktureerimata. Tarkvara, mida arendame, võtab eelnevatest tekstidest andmed kokku ja leiab sealt üles need märksõnad, haigused või protseduurid jne, mis patsientidega seotud on. Oluline on see, et tarkvara saab kontekstist aru ning võimaldab kasutada sama asja kirjeldades sünonüüme, näiteks müokardi infarkt või südameatakk või siis isegi lühendeid- kahetähelisi lühendeid, mis tähistavad umbes neljakümmet erinevat asja, on päris palju. Tarkvara kasutab konteksti selleks, et aru saada, milliste terminitega tegelikult tegu on ja võimaldab otsida kiiresti ja lihtsalt infot patsiendi kohta. Muidu peaks otsima kõik erinevad märksõnad läbi, aga nüüd siis saab AI sellega palju paremini hakkama.

Kui palju sa kasutad füüsikat ja matemaatikat väljaspool tööd?

Füüsikat saab kasutada pea igal pool, kasvõi toidu valmistamisel- kui ma panen mikrosse kaks korda rohkem sööki, siis ma ei saa eeldada, et see sama kiiresti valmib. Kui ma sama võimsuse panen, siis on sama palju energiat aga rohkem toitu, järelikult ei lähegi soojaks- see on lihtsalt loogiline mõtlemine. Või siis ka näiteks toasooja hoidmine, ma võin radiaatori maha keerata, aga kui süsteem tahab, et oleks teatud temperatuur toas, siis see lihtsalt kütab kauem. Sellised loogilised ja lihtsad asjad, mis võib-olla otseselt füüsikateadmisi ei vaja aga see aitab neid seletada ja annab arusaama miks või kuidas asjad on või kas ja kuidas ma saan midagi lihtsamini teha.

Matemaatikat läheb igapäevaselt ikka vaja aga sellist kõrgemat matemaatikat, üle integraali ja diferentsiaali, ei ole tegelikult palju vaja. Selle jaoks pead ikkagi otsima ülesandeid mida lahendada. Olen mingitel üksikutel juhtudel sportlikust huvist niimoodi probleeme lahendanud. Samas näiteks geomeetriat võib küll vaja minna mõnes olukorras, kus teoorias saaks ka mõõdulindiga hakkama, aga praktikas ei ole võib-olla kõige mõistlikum.

Aga tuleme siis ülikooliaegade juurde tagasi. Kas sul on meeles mõni õpetlik või lõbus seik ülikooliõpingute aegadest?

Meil oli matemaatilise analüüsi raames vaja teha 4 või 5 erinevat (paljude küsimustega) teooriatööd (neid nimetas professor kollokviumiteks). Igat erinevat tööd tuli eraldi vastata (paberil). Kui ma eelviimase valmis sain ja töö ära andsin, siis professor surus mu kätt ja ütles, et tubli, saad hindeks viis. Ta ei olnud tööd üle vaadanud ja viimast küsimust ma polnud ka ära vastanud. Ma ise arvan, et see oli sellepärast, et ma olin aktiivselt osalenud kõigis loengutes ja harjutustundides, ju siis oli näha, et mingid teadmised mul selles valdkonnas olemas olid. Selline huvitav seik minu jaoks, et osa tööst oli tegemata aga hinne pandi välja. Tundus, et läks hästi.

Milliste soovituse annaksid noortele, kes alles hakkavad eriala valima?

Ülikoolist saab igaüks seda, mille järgi ta tuleb- sõprussuhteid, teadmisi vms. Kõige suurem kasu on ülikoolist, kui tulla teadmisi saama ja looma, sõpru saab ju igalt poolt. Mistõttu on kõige olulisem just see, et oled entusiastlik ja sind huvitab see eriala mida sa õppima lähed. Seega on õige erialavalik kõige keerulisem ja tähtsam.

Kuidas seda valikut paremini teha?

Ei peaks kartma ühendust võtta programmijuhtide, õppejõudude või ka sama eriala lõpetanutega ja üliõpilastega. Näiteks LinkedIni kaudu saab tänapäeval vilistlasi leida, kes on huvipakkuvat eriala õppinud, ja küsida neilt. Isegi kui vastust ei tule, siis tegelikult selle küsimuse formuleerimine võib endale nii mõnegi vastuse juba anda.

Kui tudengil on huvi tulla rakendusfüüsikat õppima, kuid ta veel natuke kahtleb, kas tulla või mitte, kas sul on talle ka midagi soovitada?

Oleneb mille vahel kaheldakse. Iga inimene on erinev. Jube raske on öelda, aga hüpoteetilises situatsioonis ma arvan, et kui valik on lihtsalt kahe reaalteaduse vahel, siis muidugi võib rakendusfüüsikat õppima tulla, see annab väga-väga head laiapõhjalised teadmised.