Эффект капучино: как обычная пена «думает» так же, как нейросети

Мыльная пена, взбитые сливки, майонез — мы привыкли считать эти субстанции чем-то вроде застывшего хаоса. Ученые полагали, что пузырьки внутри пены ведут себя подобно частицам в стекле: занимают случайные, но по сути неподвижные позиции. Однако оказалось, что это совсем не так.

Мы привыкли считать пену статичным объектом.

Источник: Авто Mail

Используя компьютерное моделирование, специалисты Пенсильванского университета проследили за движением пузырьков во влажной пене. Выяснилось, что вместо того чтобы со временем замереть, пузырьки продолжают постоянно перемещаться, перебирая множество возможных конфигураций. При этом пена в целом сохраняет свою форму — парадокс, который традиционная физика объяснить не могла.

«Пена постоянно реорганизует себя, — говорит соавтор исследования, профессор химической и биомолекулярной инженерии Джон Крокер. — Поразительно, что пена и современные системы искусственного интеллекта, похоже, следуют одним и тем же математическим принципам».

Классическая теория представляла пузырьки как камни, которые скатываются в долину энергетического ландшафта: они движутся туда, где требуется меньше энергии, а затем остаются на месте. Однако реальные данные с этой картиной не совпадали. По словам Крокера, первые признаки расхождения появились еще двадцать лет назад, но подходящего математического языка для их описания тогда не существовало.

Оказывается, пена постоянно реорганизует себя, и в этом ее неожиданное сходство с искусственным интеллектом.

Источник: Freepik

Решение пришло из неожиданной области — машинного обучения. Современные нейросети обучаются, постоянно корректируя свои параметры, не останавливаясь на единственном «идеальном» решении. Более того, разработчики ИИ обнаружили, что слишком точная подгонка под обучающие данные делает систему хрупкой. Гораздо лучше работают модели, которые остаются в «плоских» областях пространства решений, где одинаково хороши разные конфигурации.

Когда ученые взглянули на поведение пены через эту призму, сходство стало очевидным. Пузырьки не застревают в глубоких энергетических минимумах, а продолжают перемещаться в широких зонах, где множество конфигураций равноценны, — точно так же, как параметры обучающейся нейросети.

Это открытие может изменить подход к созданию адаптивных материалов и помочь в изучении живых структур, которые должны постоянно перестраиваться, сохраняя целостность, — например, цитоскелета клеток. Команда Крокера уже начала применять новый подход именно к этой системе.

Понимание принципов машинного обучения может помочь созданию принципиально новых материалов.

Источник: rg_ru

«Почему математика машинного обучения точно описывает пену — это очень интересный вопрос, — говорит Крокер. — Очевидно, инструменты такого обучения могут пригодиться далеко за пределами своего изначального контекста».

Ранее мы рассказали, зачем ученые выращивают компьютеры из клеток человеческого мозга.