Пены – от мыльных пузырей и крема для бритья до взбитых сливок – являются неотъемлемой частью нашей повседневной жизни. Долгое время ученые считали, что эти структуры ведут себя подобно стеклу: их мельчайшие компоненты застывают в неупорядоченном, но по сути неподвижном состоянии. Однако новое исследование инженеров из Пенсильванского университета кардинально меняет этот взгляд.
Новаторская работа показала, что, хотя пены и сохраняют свою общую форму, их внутренняя структура находится в постоянном движении. Еще более неожиданным открытием стало то, что математические принципы, описывающие это движение, поразительно похожи на алгоритмы глубокого обучения – технологию, лежащую в основе современных систем искусственного интеллекта. Это наводит на мысль, что обучение в широком математическом смысле может быть общим организующим принципом для физических, биологических и вычислительных систем.
Открытие не только поможет в создании «умных» материалов, способных адаптироваться к окружающей среде, но и позволит лучше понять живые структуры, которым необходимо постоянно реорганизовываться, – например, внутренний каркас клеток. В исследовании, опубликованном в журнале «Proceedings of the National Academy of Sciences», ученые с помощью компьютерного моделирования отследили движение пузырьков внутри влажной пены. Вместо того чтобы со временем замереть, пузырьки продолжали хаотично перемещаться, перебирая множество возможных конфигураций.
Традиционные теории рассматривали пену как твердое тело в макромире, способное сохранять форму и восстанавливаться после сжатия. Пузырьки в этой модели уподоблялись камням, скатывающимся по «энергетическому ландшафту» в самые низкие точки – положения, требующие минимальной энергии для поддержания. Эта аналогия объясняла, почему пена кажется стабильной, подобно валуну на дне долины. Однако реальные данные не соответствовали этой теории. «Мы начали замечать эти расхождения почти 20 лет назад, – говорит соавтор исследования, профессор Джон Крокер, – но у нас не было математических инструментов, чтобы описать, что происходит на самом деле».
Разгадка пришла из мира искусственного интеллекта. Современные нейросети в процессе обучения постоянно корректируют свои внутренние параметры. Ранние подходы стремились привести систему к одному-единственному оптимальному решению, но это делало ИИ «хрупким» и неспособным работать с новыми данными. «Ключевая идея заключалась в том, чтобы не загонять систему в самую глубокую долину, – объясняет другой соавтор, профессор Роберт Ригглман. – Удержание ее в более пологих областях ландшафта, где существует множество одинаково хороших решений, и позволяет моделям обобщать информацию».
Когда команда исследователей применила этот подход к своим данным о пене, сходство стало очевидным. Пузырьки не застывают в глубоких энергетических ямах, а продолжают двигаться в широких областях, где множество конфигураций одинаково стабильны. По сути, пена постоянно «обучается», исследуя пространство возможных состояний. Та же математика, что объясняет эффективность глубокого обучения, описывает и поведение обычных пузырьков.
Это исследование ставит новые вопросы в области, которая многим казалась уже хорошо изученной. Ученые предполагают, что эти же принципы могут быть применимы и к другим сложным системам. Команда Крокера уже планирует пересмотреть с новой точки зрения цитоскелет – микроскопический каркас внутри живых клеток, который, подобно пене, должен постоянно перестраиваться, сохраняя при этом общую целостность. «Почему математика глубокого обучения так точно описывает пену – это захватывающий вопрос, – заключает Крокер. – Это намекает на то, что данные инструменты могут быть полезны далеко за пределами их первоначального контекста».
