классификатор

Старые карты сокровищ рисовали по слухам: кто-то нашёл золото у реки, кто-то в горах, и каждый копал в своём месте. С высокотемпературными сверхпроводниками вышло похоже: купраты нашли в одних соединениях, пниктиды железа в других, никелаты в третьих, а общей карты не было.

Переводчик отвлекается на каждый шорох в зале — и час совещания превращается в два. Так и молекулярные фундаментальные модели: они выучивают язык молекул на гигантских корпусах, но для каждого нового разговора требуют настройки. Monroe меняет правила: она не учит новый язык, а мгновенно находит общий смысл по нескольким примерам.

На свалке за городом ветер меняет направление, и через пару часов в ближайшем посёлке пахнет тухлыми яйцами. Так пахнет сероводород — газ, который выделяется при гниении отходов и в больших дозах опасен для здоровья. Обычно власти узнают о проблеме, когда жители уже надышались и позвонили с жалобой.

Прибор светит в образец инфракрасным лучом, и молекулы отвечают ему своим узором поглощения — как колокольчики разного тона. Этот узор, спектр, хранит сведения о химическом составе. Но чтобы прочитать его, специалист обычно сверяется с библиотекой готовых записей, а это медленно и не всегда возможно.

Галактика NGC 4254 удалена от центра скопления Девы на полтора миллиона световых лет. Она тащит за собой длинный шлейф остывающего водорода — признак того, что на полном ходу врезается в раскаленный газ. Потеря холодного топлива гасит рождение новых звезд.

Каждое утро десятки телескопов наводятся на Солнце. Их камеры ловят узкую полоску красного света — линию Hα, открытую Иоганном Бальмером. На снимках проступают тёмные, прихотливо изогнутые нити. Они похожи на стежки гигантского гобелена, прошивающего раскалённую корону. Это солнечные волокна.

Сто тысяч звёзд в тесном ядре шарового скопления движутся как стальные шарики в гигантском пинбольном автомате. Каждый «толчок» — гравитационная встреча двойной системы с одиночной звездой — запускает каскад непредсказуемых событий. Пара может разлететься, чужак может выбить одного из партнёров и занять его место, а иногда все трое застревают в запутанном иерархическом танце.

Искусственный интеллект, предсказывающий акустику помещения, напоминает студента на экзамене со шпаргалкой. Если проверочные точки совпадают с учебными, модель просто запоминает звуковой «отпечаток» каждой позиции — как студент, узнающий билет по загибу уголка.

В кастрюле с супом достаточно двух термометров, чтобы понять температуру везде — если знать, что тепло идёт кругами от дна. Так и в науке: по редким замерам нужно восстановить полную картину теплового поля.

Ребёнок, осваивая незнакомую квартиру, ползает от предмета к предмету и запоминает, что видно из каждого угла. Так мозг строит мысленную карту — внутреннюю модель пространства. Алгоритм gradCSCG действует по тому же принципу: он получает видеопоток с камеры и самостоятельно рисует схему помещения, опираясь лишь на смену картинок.

Традиционно алгоритмы машинного обучения действуют в статичном окружении — подобно воде, которая течёт по уже проложенному руслу, не меняя его формы. Новый метод переворачивает эту парадигму: он позволяет агенту одновременно осваивать действия и целенаправленно изменять саму среду, в которой он существует.

Человеческий слух устроен так, что мозг выделяет в первую очередь знакомые паттерны — голос собеседника, шум дождя, сигнал автомобиля. Однако новая система работает по иному принципу: она фиксирует любой звуковой всплеск, даже тот, что никогда не встречался ранее.

Исследователи отобрали 16 повседневных действий — от мытья посуды до приседаний — и разложили движения на элементарные составляющие, подобно тому, как спектроскоп разделяет свет на спектр частот. Они сравнили три подхода к анализу и обнаружили неожиданный ключ к распознаванию: для идентификации действия достаточно усреднённого стоп-кадра, то есть статичной позы.

Сложные технические системы — от дронов до роботов-хирургов — порой ведут себя подобно дикому мустангу: они полны беспорядка и капризов, где лёгкое прикосновение вызывает бурю. Вместо того чтобы заучивать громоздкие формулы, новый метод наблюдает за системой, словно опытный объездчик.

Опытный сыщик не вычисляет путь преступника, решая дифференциальные уравнения движения, — он обращается к картотеке схожих дел. Точно так же действует новый метод предсказания: в его основе не сложные формулы, а гигантский архив уже реализованных траекторий — движений планет, колебаний валютных курсов, сигналов из глубин космоса.

Машинное обучение давно перестало быть просто инструментом — оно становится исследователем, самостоятельно выуживающим законы природы из данных. Но как кремниевый разум приходит к пониманию? Чтобы подсмотреть этот процесс, физики обратились к игрушечной, но глубокой модели — решётке Изинга, где спины танцуют под диктовку температуры.

Гамма-небо, запечатлённое телескопом Fermi, — это грандиозная симфония из тысяч источников. Здесь ритмичные пульсации пульсаров, мощные аккорды активных ядер галактик, но больше всего — неотождествлённых объектов, чья партия остаётся загадкой.

Гравитационные сигналы от умирающих массивных звёзд — это шёпот, долетающий до нас из самых жестоких лабораторий Вселенной. Эйнштейн предсказал эти гравитационные волны более века назад, но лишь сегодня, с детекторами вроде LIGO, мы начинаем их слышать.

Глубины космоса не молчат — они полны зашифрованных посланий. Каждая звезда, каждый квазар посылает свой дрожащий световой код: ритмичный, как морзянка цефеиды, или хаотичный, словно взломанный шифр сверхновой. Астрономы перехватывают эти сигналы миллионами каждую ночь — но как прочесть их без ключа?

Вообразите: филармонический оркестр играет, но микрофон ловит лишь слитный гул — tutti, в котором смешались контрабасы, флейты и литавры. Похожую задачу десятилетиями решают физики, вглядываясь в поля плотности, температуры или магнитной индукции.

Статистические модели — это попытка натянуть идеальную математическую паутину на неровный ландшафт данных. Когда модель сопротивляется, она издаёт напряжение, но мы привыкли его игнорировать. Исследователи часами вглядываются в графики остатков, пытаясь угадать, где модель «трещит по швам». Сквилер переводит это сопротивление в звук.

Солнечные вспышки — мощные взрывы на Солнце, способные вывести из строя спутники и обесточить города. Их предсказание осложнено запутанностью магнитных полей в солнечных пятнах.

Обычные нейросети учатся на примерах, как человек, заучивающий мелодии на слух: они накапливают статистические закономерности, но не понимают глубинных правил. Иной подход — физически-информированные нейронные сети, в архитектуру которых изначально встроены фундаментальные законы физики, такие как уравнения сохранения энергии или уравнения движения.

Поиск нужной молекулы среди миллиардов вариантов похож на поиск одного зёрнышка в мешке риса. Чтобы не перебирать всё вручную, химики всё чаще зовут на помощь нейросети. Но большие модели требуют мощных компьютеров, а маленьким часто не хватает кругозора. GLACIER решает эту проблему, как способный ученик, который учится сразу у нескольких наставников.

Переводчик сидит в зале совещаний и переводит каждое слово. Но вот он замечает, что его перевод можно улучшить, если он будет учиться на своих ошибках. Он начинает записывать, какие фразы вызвали непонимание, и корректирует их. Через час его перевод становится точнее, а совещание проходит быстрее.

Лаборатория отправляет роботу список из тысячи молекул-кандидатов для нового лекарства. Робот-предсказатель, натренированный на старых данных, выдаёт для каждой оценку «подойдёт — не подойдёт». Но когда список приходит из незнакомой области — другого вируса или редкой опухоли — робот начинает путаться. Его уверенность остаётся высокой, а реальные попадания падают до нуля.

Представьте кипящий чайник с плотно закрытой крышкой: бурления не видно, но звук и вибрация выдают мощность нагрева воды. Подобно этому, квантовые системы скрывают свою предельную чувствительность — способность улавливать магнитные поля или гравитационные волны — за сложной внутренней динамикой.

Фотограф снимает ночной лес и пытается поймать в кадр светлячков. Вспышки редкие, слабые, а вокруг — шум ветра и далёкие огни. Примерно так работает огромный детектор Hyper-Kamiokande в Японии: он ловит нейтрино — почти неосязаемые частицы — по крошечным вспышкам света в 260 тысячах тонн воды.

Можно ощупать незнакомый предмет вдоль, поперёк, по диагонали — каждый раз получая новую информацию. Но что, если один способ ощупывания не говорит ровным счётом ничего о том, что покажет другой? Именно так устроены взаимно несмещённые базисы в квантовой механике: измерение в одном из них оставляет нас в полном неведении относительно исхода в другом.

Вы пробуете блюдо в ресторане, но меню не видели. Задаёте официанту вопросы — слишком солёное? с какими специями? — и по ответам пытаетесь угадать, что за повар его готовил. Примерно так же исследователи изучают современные нейросети, когда доступ к ним есть только через API (программный интерфейс, где можно задать вопрос и получить ответ, но нельзя заглянуть внутрь).

Каждый раз, когда вы раздумываете над рискованным шагом — вложить ли деньги в акции или переждать, — в голове идёт внутренний диалог. Обычно учёные пытаются восстановить ход этого диалога по одному лишь итоговому выбору, как если бы детектив восстанавливал разговор двух людей, глядя на фотографию места встречи. Такой картины часто не хватает: одни и те же действия могут родиться из совершенно разных размышлений.

Представьте карту города: перекрёстки — это узлы, улицы — связи между ними. Чтобы алгоритм мог анализировать такую структуру, каждому узлу необходимо присвоить метку. Классический подход, основанный на стандартной модели, действует прямолинейно — присваивает узлам простые ярлыки, подобно номерам домов.

В лаборатории, где изучают кристаллы, лаборант смотрит на экран с россыпью светлых пятен и медленно поворачивает образец, добиваясь, чтобы пятна сложились в симметричный узор. Эта работа похожа на настройку старого радиоприёмника: крутишь ручку, пока шум не сменится чистым сигналом. Теперь эту ручку может крутить машина.

Нос — удивительный прибор. Одна молекула кофе, попав в ноздрю, будит воспоминание об утренней кухне. Другая, почти такая же по форме, пахнет тухлыми яйцами. Как мозг различает эти невидимые ключи? Учёные долго спорили: запах зависит от формы молекулы, как ключ от замка, или от её колебаний, как струна от щипка. Новое исследование проверило это на компьютере.

Лучший ИИ-помощник учёного справился с экзаменом хуже, чем троечник с контрольной. Всего 21% правильных ответов — и это потолок для четырёх сильнейших моделей. Задачи для нового теста писали не программисты, а аспиранты: люди, которые каждый день сталкиваются с настоящей наукой. Тест назвали COMPOSITE-STEM. В нём 70 задач по физике, биологии, химии и математике.

Тепловой поток сквозь твёрдое тело можно представить как воду, текущую по системе труб: в одних материалах он мчится стремительно, в других — едва сочится. Инженеры охотятся за веществами, которые почти не пропускают тепло, — своего рода «забитые трубы» на атомном уровне.

Детекторы частиц, такие как резистивные плоские камеры (RPC), работают как чувствительные ловушки: когда заряженная частица пролетает сквозь них, рождается электрический сигнал. Но иногда камера выдаёт ложный след — как будто кто-то невидимый нажал кнопку звонка. Эти ложные сигналы путают картину и мешают точно определить, куда летела частица.

Обычная модель машинного обучения смотрит на один объект за раз: один мозг, один пациент, один двигатель. Но биологам нужно общее: как устроен мозг вида в целом, а не только конкретной рыбки. Новый метод — глубокий вероятностный синтез моделей (DPMS) — учится сразу на множестве экземпляров, как повар, который пробует десятки яблок, чтобы понять вкус сорта, а не одного плода.

В классической батарейке электролит жидкий, и заряженные частицы — ионы — движутся в нём свободно, почти как пловцы в открытом бассейне. В твердотельной версии электролит заменён на твёрдый материал, и ионам приходится протискиваться сквозь атомные «коридоры», словно пешеходам в узких переходах в час пик.

Детектор частиц на Большом адронном коллайдере работает годами без остановки. Его датчики каждую секунду выдают горы данных, и среди них нужно быстро заметить сбой — например, перегрев или сломанный канал. Раньше за этим следили простые правила, но они часто ошибались.