清华大牛告诉你如何读博士......

本文来源:小木虫,禁止二次转载

为什么要读博士、搞科研?

主要原因:

  1. 想搞个博士学位、自己学到有用的东西,为今后出去混打下好的基础、准备一个好名头;
  2. 对科研感兴趣,梦想进入科学的殿堂,像前辈高人那样发现世界、解释世界、发展世界。

当然了,还有别的一些考虑, 例如家人的看法、 现在找工作或工作的不如意等等,但总的来说,是离不开上面两点——当然,有的人只是因为其中某一点,有的人是两点交织在一起。

至于我,那主要还是第一点,第二点原因也有,但不像第一点那样占主要地位——因为我这人比较现实,知道自己有几斤几两,也知道梦想是不能当饭吃的。

读博士的目的是什么?

  • 一是搞到一个博士学位;
  • 二是学到有用的东西;
  • 三是做出一些研究成果。

当然了,这三点也是相辅相成、交织在一起的。为了实现这三点,怎么办?

老套路——先是在老板的指点下选择一个科研领域的大门,在这大门的高门槛前码上几块砖(最好码牢实一点),踩在砖上跨进去,然后在门内的路上发现问题、解决问题、总结问题的本质,这套路我是相信大伙都知道的,就不详说了, 只是仔细说说我在具体细节上怎么做的或者我的一些看法。

入学后,老板肯定会给你定一个研究方向(或大或小、或粗或细) ,那你就把相关的课程选好、相关的文献找好,前者好办,后者对初学者来说确实有点困难,那么怎么对付文献这一关呢?我当初也是费了半天劲,现在想想,觉得应该这么办——

首先,如果你实验室里有师兄、师姐干过相关领域的研究,那就向他们要他们写过的文献综述、报告、ppt文件等等,先看这些中文的资料垫垫底,也可以去找相关中文书籍来垫垫底,但对于比较前沿的研究就不一定有了。

当然了,这就有个首要前提——要先摸透实验室的人员情况及他们的科研方向和进展, 具体做法就是多问他们,不要怕生、怕不好意思,我当初刚进实验室时也是怯生生的、半天不敢放半个屁,不过,我们实验室有个特点,就是大型设备多,每个新手都得经过长期培训才能使用,培训过程中自然会碰到很多问题,但又不能时时跑去问老师,我没辙、只好厚着脸皮拉到一个师兄/师姐就问,这样就熟了起来——以及多听seminar。

当然了,大伙一定要注意保密原则,别把师兄/师姐们的一些未发表的原创性东西给漏了出去。如果实验室里没有前辈搞过相关研究,怎么办?那就向定方向的老板要几份文献或关键词。老板既然给你定了这个方向,那他肯定是事先曾从某个地方了解的,然后根据这些线索先到中国期刊网上去查,国内经常发些对国外新进展的综述性文章,虽说国际上一般是由期刊向大牛约综述性文章的稿,而国内不大规范、常常由一些学生为了毕业而凑出来,但实在也是很有用的。

这些也没辙的话,可以试着向别的系、别的实验室的师兄/师姐们求教,或者通过网络向一些牛人们请教。当然了,这些方法可以同时进行的。垫了中文的底,那咱们就要上web of science查SCI收录的英文文献,毕竟,英文的国际期刊最全、最新,即使实在没法垫中文的底,也得上。

至于查英文文献的方法,无非是以下三种——通过关键词、通过有名的研究组、通过权威期刊。如何知道这些?请参见前面寻找中文资料的办法。

查英文文献,标题和摘要是一定要看的,即使再多也要都看,看到感兴趣的才去看全文。在通过课程、文献来码砖准备跨门槛的同时,还得码实验技术的砖,咱们刚进实验室最好立即开始接受某些设备仪器的培训、帮师兄/师姐们打打下手,学会必要的实验手段(对于搞计算的,就要熟悉程序等等),同时,通过这些明白自己实验室和相关合作实验室所能达到、能被自己使用的实验手段。

码完砖后, 咱们就能跨进大门了,但进大门后咱们该干什么呢?这就要看看咱们在码砖时的收获了——比如,看文献多看了几篇后就能大概知道现在大伙在干什么、干得怎么样、哪些还没干好、哪些还没干,这些没干好、还没干的地方就是咱们能干和应该干的,但还要结合周围自己所能利用的实验条件,看哪些是自己条件能做的或者是虽然不具备条件但在短期内能解决的,这样,自己要做什么就呼之欲出了。

当然,这个过程要经常跟别人——老板、前辈、同学、工程师等等讨论,不能光自己拍脑袋想。接下来就是你根据自己想做什么定一个初步的研究路线或理论模型,根据这些你设计实验、做实验前的准备,这前面的上述阶段既要做好、也要做快、决不能耗时间过多,更不能长期陷入文献的汪洋大海和清谈讨论之中,一定要找到突破点来动手做,哪怕是特别小的突破点,因为只要你一开始动手做了,就会有各种问题和收获扑面而来,这样就有机会发现更多的可做之物,但要记住,是突破点,不是重复别人的实验,重复别人的实验有时也是很重要的,但那是拿别人的东西来做自己与众不同的东西。

设计实验时,咱们不能想着一蹴而就,要把实验分阶段设计,一个阶段、一个阶段地出成果,每个阶段的成果都能成文,这就慢慢积累了文章,也不能想着这实验就一定能成功。当然,咱们得抱着一定要使它成功的劲头去做,要多设计几个,其中的几个要和主实验同时开始,另外几个做备案,这是为了东边不亮、西边亮。

设计实验时,也要查很多资料,例如原材料的一些性能参数、实验参数的设置等等,但有时你就是费了老鼻子劲,有的资料也就是查不着,那就不能在这准备工作上耗时间太多,这是因为,只有动手做了,才会有更多的科研体验和发现,而且,科研上没有第二、只有第一,你自己独立想出来的新东西说不定有人也在做, 万一他先报道了,你就是白做了。

因此,只要主要资料查到了,一些次要资料实在在短期内查不出来,那就赶快去做。做实验的过程也要快,还是因为上一段所说的原因,而且大家想想,这实验可是自己设计的、做出来的东西可是属于自己的,自己设计的东西在自己的手里从原材料逐渐变成最后有价值、有美感的东西是多么爽啊!

打个比方——哪个父母不盼着自己的孩子早日出生?我虽然没有老婆、没有孩子,但每次想到这些,就坐不住了,只有早日做出来(当然不是老婆和孩子了,指的是实验) 、心里才踏实,因此,我经常在实验进行阶段连续作战。

其实,大家也可以想想,以后咱们写文章、评奖学金、甚至以后到科研院所找工作也是靠它们的,能不尽心做吗?做实验的过程既要快,也要恰当的停一停,什么时候停呢?无外乎实验总是成功不了和有了重大结果的时候。一个实验重复了四五次,总是达不到预期结果,怎么办?

其实,“达不到预期结果”有两种情况,一是没有任何有意义的结果出现、实验做完后样品就是一团糟,一是有了结果出现、但跟预期不一样——这一种实际是你很可能中了大奖、遇到了新东西,碰到这两种情况,都要去跟老板、前辈、同学、其他老师讨论,看如何解决——一般说来,就是回头检查实验各步、根据检查和讨论分析结果重新设计实验,或者通过新的角度解释跟预期不同的实验结果。

解决好了,自然接着做就是——特别是中大奖的那种。解决不好,怎么办?解决不好其实也有两种情况,一是怎么做都没辙、就是不行、也没办法摸出头脑;二是估计自己换个花样做可能解决,但或者是因为实验条件在短期内达不到,或者是因为科研动态或自己的考虑对实验设计有了新的变动,从而觉得即使解决了也没多大意义。

碰到这种情况,我的个人建议是,干脆放弃,赶紧转做别的,或者不完全放弃、利用原有实验基础改作别的。其实,真正做科学研究,是要碰到问题就要把它完全弄清楚,但咱们毕竟有个人精力的限制,更重要的是有毕业的压力、不能老被一个问题绊住,否则的话,即使你费九牛二虎之力最后解决了,说不定黄花菜都凉了。

就像一个老师曾经说过,搞科研是要坐冷板凳,但是坐冷板凳首先你要坐得起,否则,冷板凳还没坐出结果,你倒先冻死了,那就不对了。咱们还是把这些没解决的问题放到以后解决吧。当然了,咱们也不能一碰到障碍就扭头不干了、转到别的,总得经过一定的努力,权衡利弊后再考虑是否放弃。有一定的结果后也要停一停实验, 对这些结果进行分析,其实这是最重要的阶段。

如果用预先设计实验的理论、模型能很好解释结果,那没什么说的,接着做下一阶段的研究, 把这个理论、模型完善。 如果不行的话, 就试试改换角度或模型,这跟上面说的碰到跟预期不一样的结果情形差不多。

这个阶段值得注意的是,一定要小心谨慎,一方面,对实验数据的分析讨论要多跟他人交流交流、不要局限于自己的知识结构,我当初分析一个自己不大懂的拉曼光谱时就出了错误,周围的老师也不大懂、没发现,后来还是化学系的老师指出了,一方面,对于多么小、不起眼的结果也要进行分析,我有一次做了一个预备性的实验,只是打算把它的结果用于后来的阶段、为其服务,做完之后,就想攒篇小文章了事,赶紧做后面的重要实验,但老板不干,一定让我把这个实验的结果说出个为什么,这样,我就被逼出了一篇比较重要的论文,但我最佩服的还是王中林大牛,你看人家能把ZnO的那些环、圈、波浪、弯折等奇怪的结构解释得这么清楚,而且,这种结构往往在产品中只占一小部分,常常被我们忽略了。

实验一阶段一阶段地做完了,理论模型被逐步完善、能跟实验结果相解释,这就算是一个实验课题的成功,但要记住,咱们博士生的培养是要有系统性的,这些实验应该是从基层到上层逐步来的,同类实验要多做几次、以验证每一阶段的理论,但不能只着重于换汤不换药、在同一阶段倒腾来倒腾去,一定要向高里做。

我目前正在往高里做,还没到完善理论模型的地步,那就不多说了。另,在做实验、分析结果的同时,咱们也不要忘了调研文献,一方面是为了跟踪国际动态,一方面是为了吸取知识,说不定你百思不得其解的东西,别人新发表的论文涉及到了,可以用来指导自己。

好了,我就谈这些,实际上,我觉得自己讲的这些大伙都应该早已知道不少,而且我目前主要在做实验,对于博士培训的系统化和讲究理论深度,我也在想办法进行中,正在试图摸出个头脑,很有不足,建议大家注意。


原文发布于微信公众号 - 机器学习算法与Python学习(guodongwei1991)

原文发表时间:2018-08-22

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据文摘

TED视频 | 混搭人文主义,我找到了数据可视化的新玩法

25860
来自专栏PPV课数据科学社区

【聚焦】大数据讨论 值得你思考的问题!

  1,大数据的运用-案例   CieloMar:CaRRot能不能例举一个你们公司里大数据分析的例子,以及如何定价  CaRRot:数据公司的实用案例: 我就...

27940
来自专栏大数据挖掘DT机器学习

评《大数据时代》一点笔记和一些琐碎的感想

《大数据时代》是国外大数据研究的先河之作,本书作者维克托•迈尔•舍恩伯格被誉为“大数据商业应用第一人”,拥有在哈佛大学、牛津大学、耶鲁大学和新加坡国立大学等...

38660
来自专栏专知

我是如何失败的 —— Ian Goodfellow 访谈(PhD’14, Computer Science)

18750
来自专栏机器之心

现场直击 | 谷歌云大会最后一天解读开放性:从TensorFlow开源到开放云平台

机器之心报道 记者:CZ 当地时间 3 月 10 日,Google Cloud Next '17 在美国旧金山顺利闭幕。机器之心作为受邀媒体对这场为期 3 天...

33970
来自专栏机器之心

观点 | 人工智能搁浅了?听一听纽约大学教授Gary Marcus怎么说

选自New York Times 作者:Gray Marcus 机器之心编译 参与:路雪、黄小天 近日,Gary Marcus 在纽约时报上发表了一篇题为《Ar...

380100
来自专栏ATYUN订阅号

赫尔辛基大学AI基础教程:AI的社会影响(6.2节)

在本课程一开始,我们简要地讨论了人工智能在当今和未来社会中的价值,但当时我们讨论的还很浅,因为我们没有引入足够的技术概念和方法来具体讨论。

11730
来自专栏镁客网

堪比魔法水晶球!人工智能变身“占卜师”

17640
来自专栏AI科技评论

剖析|AI可以写剧本了,能写出魔兽那样4天10亿的剧本吗?

GAIR 今年夏天,雷锋网将在深圳举办一场盛况空前的“全球人工智能与机器人创新大会”(简称GAIR)。大会现场,谷歌,DeepMind,Uber,微软等巨头的人...

47690
来自专栏PPV课数据科学社区

吐槽版评《大数据时代》一点笔记和一些琐碎的感想

? 我觉得维克多的“相关关系比因果关系更重要”指的应该是以数据预测为目的的时候,不应该过于看重去通过找寻数据产生的关联性的原因然后去推测规律,而是直接把相关性...

26550

扫码关注云+社区

领取腾讯云代金券