sejournal.io

Физики из Стэнфордского университета впервые напрямую зафиксировали квантовые скачки звука в реальном времени. Результаты эксперимента опубликованы в журнале Science.

Учёные работали с фононами — квантами механических колебаний. В привычном мире звук затухает плавно, но на квантовом уровне энергия меняется отдельными порциями. Исследователям удалось зафиксировать момент, когда система резко переходила с одного энергетического уровня на другой.

Квантовые скачки были предсказаны ещё в начале XX века. В 1986 году их впервые наблюдали у захваченных ионов, а в 2007-м — у фотонов. Для фононов ранее получали лишь косвенные подтверждения, но отдельные переходы в реальном времени до сих пор не регистрировались.

Для эксперимента команда создала микроскопический механический резонатор — аналог крошечного камертона, изготовленный с помощью технологий производства чипов. Ключевой особенностью устройства стало долгое время затухания колебаний — около 2 миллисекунд. За этот промежуток исследователи успевали провести сотни измерений и определить момент, когда энергия фонона переходила с уровня 1 на 0.

Резонатор соединили со сверхпроводящим кубитом, который выполнял роль датчика и многократно проверял состояние системы, не разрушая его при каждом измерении. Руководитель исследования Амир Сафави-Наэини отметил, что вибрирующие объекты способны проявлять квантовое поведение, что необходимо для многих операций в квантовых вычислениях и сенсорах.

Наблюдение квантовых скачков важно для коррекции ошибок в квантовых компьютерах: переходы между уровнями в некоторых архитектурах означают сбой, и для его исправления нужно точно определить момент возникновения. Однако текущий эксперимент — фундаментальная работа, а не готовый метод исправления ошибок. Ещё одно направление — сверхчувствительные сенсоры. Команда Стэнфорда вместе с учёными Калифорнийского технологического института уже исследует возможность использования связки резонатора и кубита для обнаружения и идентификации белков внутри клеток. Также технология может найти применение в электронике: более точное управление механическими колебаниями, которые используются в смартфонах и других устройствах, потенциально позволит создавать новые акустические компоненты.

В июне Microsoft Quantum и Quantinuum сообщили о снижении числа логических ошибок в квантовом процессоре в 11–800 раз по сравнению с сопоставимыми физическими схемами, а IBM представила систему поиска новых кодов коррекции ошибок с помощью искусственного интеллекта.

Группа из 25 лауреатов Филдсовской премии опубликовала открытое письмо, в котором осудила гонку ИИ-компаний за решение сложных математических задач. Авторы заявления предупредили, что использование таких достижений для демонстрации возможностей моделей может нанести вред науке и подготовке новых исследователей.

Среди подписавшихся — Теренс Тао, Питер Шольце, Марина Вязовская и Максим Концевич. По словам Тао, документ подготовили за последнюю неделю из-за срочности ситуации, сбор подписей продолжается.

Учёные пояснили: для математики важен не только ответ, но и новые методы, позволяющие глубже понять задачу и развивать исследования. В письме говорится, что быстрое массовое производство утверждений «истинно/ложно» способно «уничтожить плодородную почву вместо того, чтобы вдохнуть жизнь в новые идеи». Спешка с объявлениями не оставляет времени на осмысление доказательств, их связь с предыдущими работами и корректное указание авторства. Кроме того, самостоятельный поиск решений развивает у студентов способность ставить новые вопросы.

При этом математики признали пользу ИИ для исследований, но подчеркнули, что последствия его применения зависят от решений людей, управляющих технологией.

Письмо появилось вскоре после заявления OpenAI о решении одной из «задач тысячелетия» — уравнения Навье — Стокса. Компания сообщила, что её внутренняя ИИ-система получила доказательство для вариантов C и D задачи, допускающих внешнее воздействие на жидкость. Группа из примерно 10 000 агентов нашла решение за 88 часов, ещё 17 часов заняли формализация и проверка в системе Lean. OpenAI опубликовала доказательство и код, отказавшись от претензий на премию Института Клэя.

Результат сопровождался спором о возможном использовании неопубликованной работы математиков Тристана Бакмастера и Левента Алпеге. В OpenAI заявили, что внутренняя проверка не выявила влияния запросов Бакмастера на систему. Сам Бакмастер в комментарии The Guardian отметил: «Сейчас главное в математике — то, что никто больше не хочет ничем делиться».

Также в сентябре Anthropic представила подготовленную Claude формализацию доказательства Великой теоремы Ферма. За 11 дней агенты перевели уже известные математические рассуждения в код для компьютерной проверки.

Вот перефразированный вариант новости на русском языке:

Пока одни спорят о возможном апокалипсисе из-за ИИ, а другие предупреждают об угрозах криптовалют, технологии блокчейна и искусственного интеллекта уже находят реальное применение в медицине и науке. ForkLog собрал подборку самых интересных проектов, которые доказывают, что эти инструменты могут решать практические задачи далеко за пределами финансов.

Приватная передача данных для спасения жизней

В реанимации врачам жизненно необходимо прогнозировать риски смерти пациентов, чтобы вовремя начать агрессивное лечение. Для этого используются ИИ-модели, но они часто обучаются на данных лишь одной больницы. При переносе в другое учреждение точность таких моделей падает из-за различий в демографии и методах работы. Объединение данных из множества клиник могло бы решить эту проблему, но законы (например, HIPAA и GDPR) строго запрещают передачу «сырых» медицинских записей.

Технология федеративного обучения (FL) позволяет обойти этот запрет: больницы обмениваются не данными пациентов, а лишь обновлениями нейросети. Однако в существующих FL-системах были проблемы: отсутствие гарантии согласия пациентов, невозможность проверить целостность данных и уязвимость для атак. Платформа BlockFedMed решает все эти вопросы с помощью блокчейна.

Система построена на Hyperledger Fabric и использует специальную нейросеть (LSTM). Вместо того чтобы полагаться на честность больниц, BlockFedMed создает криптографически проверяемый след. Три смарт-контракта управляют согласием, целостностью и мотивацией участников. Агрегатор устойчив к атакам и принимает только проверенные обновления.

Тестирование на базах данных MIMIC-IV (52 000 случаев) и eICU (200 000 записей из 208 больниц) показало впечатляющие результаты. Точность прогнозирования смертности (AUROC) достигла 0,841 — это на 7,4 пункта выше, чем у локальных моделей, и всего на 3,1 пункта ниже теоретического максимума, который недостижим из-за законов. При этом скорость обработки согласий пациентов выросла на 71%.

Проект пока демонстрационный, но он открывает путь к тому, чтобы сотни клиник по всему миру могли совместно обучать мощные ИИ-модели, не нарушая закон.

Верифицируемый ИИ в фармакогенетике

ИИ уже неплохо предсказывает, какой препарат подойдет конкретному человеку на основе его генома. Но как проверить, что прогноз был сделан честно, а не подогнан постфактум? В медицине, где цена ошибки — жизнь, это недопустимо.

Ученые из Университета Южной Дании предложили модель, которая объединяет ИИ-прогнозирование с блокчейн-верификацией. Система вычисляет прогноз, создает криптографические хеши (отпечатки) входных данных и самой модели, а затем навсегда сохраняет их в блокчейне через смарт-контракт.

Любой участник процесса — врач, регулятор или пациент — может независимо убедиться, что прогноз получен из известной модели и верных данных, не раскрывая при этом сами геномные данные. Эксперименты показали, что модель Random Forest Regressor достигла точности 0,979 (при максимуме 1) в предсказании чувствительности к лекарствам, а проверка целостности подтвердила прозрачность до 70%. Это шаг к тому, чтобы ИИ в медицине стал не только точным, но и юридически доверенным инструментом.

Углеродные рынки на блокчейне

Экосистемы «голубого» углерода (мангровые леса, морские травы) поглощают CO₂ в 5-10 раз эффективнее лесов Амазонки. Однако они почти не участвуют в углеродных рынках из-за непрозрачности, высоких затрат на мониторинг и рисков мошенничества.

Исследователи из Китая представили архитектуру, которая делает мониторинг непрерывным. IoT-датчики круглосуточно передают данные об окружающей среде, а блокчейн на Hyperledger Fabric гарантирует их неизменность. Единый стандарт (CDIS) делает данные читаемыми из любых источников. Управление осуществляется через ДАО, где предприятия и регуляторы сообща устанавливают правила. Чем качественнее данные, тем больше влияния у участника.

Архитектура также позволяет выходить на публичные блокчейны (например, Ethereum) через токенизацию, создавая «углеродные RWA» и открывая возможности для кредитования.

Проектирование фотонных кристаллов

Фотонные кристаллы — это материалы, управляющие светом на нанометровом уровне. Они нужны для оптических компьютеров и квантовых устройств, но спроектировать их вручную практически невозможно.

В Университете Цинхуа разработали механизм AIGP на основе диффузионных моделей. Он работает как генеративная нейросеть: вы задаете параметры (например, «пропускать свет с длиной волны 1550 нм»), и ИИ сам создает структуру кристалла. Симуляции подтвердили высокую точность метода.

Блокчейн здесь решает задачу приватности. Лаборатории могут обмениваться обновлениями моделей, не раскрывая свои секретные разработки. Каждое обновление верифицируется и фиксируется в распределенном реестре. Это исследование — шаг к созданию ИИ-чипов нового поколения, которые будут быстрее и энергоэффективнее современных.

Федеративная зарядка электромобилей

Массовый переход на электромобили создает три проблемы: пиковые нагрузки на сеть, риск утечки данных о владельцах и недоверие к централизованным системам.

Проект PETAL-Grid предлагает решение на основе федеративного ИИ и блокчейна. Система работает в пять этапов: сбор локальных данных, прогнозирование спроса на периферийных устройствах, федеративное обучение (обмен обобщенными прогнозами, а не личными данными), адаптивная координация нагрузки и блокчейн-валидация транзакций.

Блокчейн обеспечивает прозрачность и неизменность всех операций, а смарт-контракты автоматизируют расчеты. Моделирование показало, что PETAL-Grid снижает пиковую нагрузку на 18%, повышает эффективность использования энергии на 17%, а безопасность транзакций достигает 98-99%. Система решает все три проблемы сразу: разгружает сети, защищает приватность и гарантирует честность.

***

Новые технологии всегда привлекают спекулянтов. Информационный шум часто скрывает их реальную пользу. Важно помнить: не все разработки обязательно должны приносить деньги — некоторые просто призваны работать на благо людей.

Вот перефразированная новость на русском языке:

Стартап в сфере искусственного интеллекта Anthropic представил научную платформу Claude Science и объявил о намерении самостоятельно создавать лекарства для терапии трудноизлечимых болезней. Об этом сообщает The Verge.

Презентация новой платформы прошла на мероприятии The Briefing: AI for Science. Заявлено, что решение объединяет разрозненные инструменты и массивы данных, а также способно строить графики и визуализации.

В Anthropic отметили, что продукт уже используется заказчиками из биотехнологической и фармацевтической сфер.

Как пишет The Verge, свои медицинские разработки уже предлагают OpenAI, Amazon и Google. Однако Anthropic стала первой компанией, которая заявила о намерении не просто предоставлять программное обеспечение, но и самостоятельно заниматься разработкой препаратов.

На уточняющие вопросы журналистов о конкретных направлениях исследований и типах заболеваний в компании отвечать не стали.

По информации издания, в последний год Anthropic активно нанимала биологов и обустраивала собственные лаборатории. Профессор Кембриджского университета и сооснователь CardiaTec Намшик Хан рассказал, что компания обращалась к его коллегам из академической среды с предложениями о работе.

По его словам, проект также переманил часть специалистов из AstraZeneca, Novo Nordisk, GSK и других крупных научных организаций.

ИИ в медицине

Опрошенные The Verge эксперты подтвердили, что искусственный интеллект уже применяется на разных этапах разработки лекарств, однако он не заменяет эксперименты и человеческий труд.

Хан перечислил типичные сценарии использования: поиск и оптимизация химических соединений, углубленные исследования, анализ данных, клинические испытания и производство.

Профессор Университетского колледжа Лондона Мэттью Тодд добавил, что «разработка лекарств с помощью ИИ» — слишком общая формулировка. На практике такие системы скорее ускоряют исследования и помогают предварительно проверять гипотезы.

Ученые считают, что до появления одобренных для людей «ИИ-лекарств» еще далеко. Эксперты указали на сложность получения разрешений от регулирующих органов и нехватку качественных общедоступных экспериментальных данных.

Профессор Оксфордского университета Фрэнк фон Делфт заявил, что, несмотря на помощь ИИ, потенциальные лекарства по-прежнему необходимо проверять на эффективность, токсичность, а также на пригодность к хранению и доставке. Самыми дорогостоящими остаются клинические исследования, подчеркнул он.

Напомним, в июле исследовательский институт AIRI представил инструмент GENATATOR на основе нейросети для картирования генов по последовательности ДНК.

Вот перефразированная новость на русском языке:

Российский научный центр AIRI создал нейросетевой инструмент GENATATOR, который позволяет наносить гены на карту, анализируя последовательность ДНК. Об этом сообщает N+1 со ссылкой на пресс-релиз.

Программа определяет границы генов, распознает тип транскрипта и восстанавливает его внутреннее устройство.

Искусственный интеллект работает в несколько этапов: сначала находит вероятные начала и концы транскриптов, затем проверяет промежутки между ними, уточняет их строение и отсеивает ненадежные варианты.

Инструмент предназначен для поиска генов, кодирующих белки, а также генов длинных некодирующих РНК.

Модель обучали на генах человека и 38 других видов млекопитающих, включая моржей и слонов. При тестировании GENATATOR показал высокую эффективность и на других организмах — плодовой мушке, растении резуховидке Таля и пекарских дрожжах.

По точности новая разработка значительно обошла существующие аналоги.

В AIRI отметили, что в отличие от традиционных методов, GENATATOR не опирается на поиск отдельных маркеров кодирующих генов (таких как старт- и стоп-кодоны или сигналы сплайсинга). Система запоминает и усваивает закономерности в последовательностях ДНК целиком.

Благодаря этому инструмент можно применять к геномам немодельных организмов, для которых нет подробных аннотаций.

Теоретически GENATATOR может пригодиться для изучения эволюции, поиска новых генов и исследования древних животных. В медицине он полезен для прогнозирования болезней, создания персонализированных лекарств и биотехнологических разработок.

Модели опубликованы в открытом доступе на платформе Hugging Face. Также доступны веб-сервис и открытая таблица лидеров для оценки качества работы.

Локальная версия работает только на графических процессорах CUDA с выводом данных в формате float32. Запуск на центральном процессоре и режимы с пониженной точностью пока не поддерживаются.

Напомним, что в феврале главы OpenAI, Anthropic, Google DeepMind и Microsoft AI подписали открытое письмо, призывающее законодательно закрепить обязательные проверки клиентов и заказов у поставщиков синтетических ДНК и РНК.