Детекторы лазерно-интерферометрической гравитационно-волновой обсерватории LIGO зарегистрировали уже третье слияние двух черных дыр, на этот раз с массой в 31 и 19 раз превышающих массу Солнца. LIGO сооружена для обнаружения гравитационных волн, предсказанных общей теорией относительности.

Длительность сигнала, воспринятого LIGO, составила менее 0,2 с, но полученной информации хватило, чтобы ученые определили, что черные дыры перед объединением совершили вокруг друг друга около шести оборотов. При слиянии выделилось гигантское количество энергии, отголосок которой в форме гравитационной волны и был замечен обсерваторией.

Слияние произошло на удалении около 3 млрд световых лет от Земли — это рекордная дистанция среди всех трех объединений, зарегистрированных на сегодня LIGO. Еще одной примечательной особенностью нового слияния стало то, что как минимум одна из черных дыр вращалась в направлении, противоположном направлению обращения системы, — по словам ученых, это как карусель, которая крутится в одном направлении, а ее чашки вращаются в другом. Исследователи добавляют, что если найдутся и другие системы такого рода, это можно будет считать подтверждением альтернативной теории образования двойных черных дыр.

Ученые признались, что обнаружить гравитационную волну удалось во многом благодаря внимательному исследователю, который буквально в реальном времени заметил существенные изменения в данных, генерируемых детекторами LIGO.

Две группы исследователей из Массачусетского технологического института придумали, как с помощью разработанного в нем ранее датчика GelSight наделять роботов чувством осязания и придавать им ловкость рук.

GelSight стал простым решением сложной задачи — он представляет собой брусок прозрачной резины, одна из граней которого покрыта металлической краской. Когда эту грань прижимают к предмету, ей передается его форма; отражающая способность краски облегчает алгоритмам компьютерного зрения распознавание геометрии объекта. Степень твердости поверхности, которую ощупывает манипулятор робота с GelSight, определяется по площади контакта датчика с нею при надавливании. Калибровку механизма анализа твердости исследователи провели с помощью машинного обучения; по их словам, им удалось добиться того, что оценки роботов и людей, ощупывавших одни и те же предметы, совпадали.

Вторая группа, дополнив систему компьютерного зрения тактильным датчиком GelSight, придала роботу способность точно определять положение в пространстве небольшого объекта, например, отвертки, уже после того, как робот взял его манипулятором. В этой ситуации задача осложняется тем, что предмет заслонен рукой робота, но благодаря осязанию он понимает, за какую часть он ухватил отвертку.

Победителем конкурса Массачусетского технологического института Entrepreneurship Competition в этом году стала компания Lightmatter, созданная на базе самого МТИ, в которой разработали полностью оптические чипы, выполняющие вычисления с помощью света, благодаря чему они работают во много раз быстрее полупроводниковых процессоров и расходуют гораздо меньше энергии.

По словам разработчиков, чипы Lightmatter, обладающие принципиально новой архитектурой, схожей с биологической нейронной сетью, способны ускорить работу систем искусственного интеллекта на порядки. Исследователи создали прототип, выполняющий несложные задачи распознавания речи.

Второе место на конкурсе досталось роботу-сантехнику Daisy. После помещения в трубу он обследует ее изнутри на наличие течей и выходит наружу на противопололожном конце. Протечку датчик Daisy обнаруживает по локальному изменению давления жидкости. По словам конструкторов, робот способен распознавать течи меньшего размера, чем позволяют современные технологии, что дает возможность обнаружить дефект еще на раннем этапе, предупредив прорыв трубы.

Третье место получил портативный туалет для отдаленных территорий без систем канализации, быстро испаряющий 95% жидкости экскрементов, оставляя лишь компактную сухую фракцию. Разделение осуществляется с помощью разработанной инженерами мембраны нового типа.

Болезнь Паркинсона и другие неврологические заболевания можно лечить посредством электростимуляции с помощью электродов, имплантированных в область мозга, отвечающую за контроль над телодвижениями. Но такие электроды — обычно толщиной в несколько миллиметров, и после их установки из-за трения образуется рубцовая ткань; в связи с этим примерно в половине случаев имплантаты выходят из строя всего за полгода.

Исследователи из Массачусетского технологического института оценили, как на срок службы электродов влияет уменьшение их диаметра и покрытие мягким гидрогелем из полиэтиленгликоля. Экспериментируя со стеклянными волокнами разного диаметра с различной толщиной покрытия, исследователи выяснили к выводу, что рубцовой ткани образуется меньше всего, когда покрытие отсутствует, а диаметр электрода составляет около 30 мкм.

Согласно предварительным оценкам ученых, волокна столь малой толщины можно будет использовать не только для электростимуляции, но также для введения лекарственных средств и регистрации электрической активности мозга — последнее позволило бы прогнозировать наступление эпилептических приступов. Вероятно также использование имплантатов для взятия жидкости головного мозга на анализ для оценки эффективности применяемой терапии.

Стартап NuTonomy, созданный двумя специалистами по робототехнике из Массачусетского технологического института, уже давно проводит испытания самоуправляющихся автомобилей. В августе прошлого года в Сингапуре была запущена даже экспериментальная служба автоматических такси с системами NuTonomy. Соглашение с Groupe PSA, выпускающей автомобили под маркой Peugeot, предусматривает оборудование системой автоматического управления кроссоверов Peugeot 3008. Испытания их начнутся в Сингапуре в сентябре этого года.

Groupe PSA впервые провела испытания самоуправляющихся автомобилей на дорогах общего пользования во Франции в июле 2015 года, а с марта этого года предлагает поучаствовать в испытаниях и неспециалистам. Системы управления экспериментальных машин Groupe PSA соответствуют третьему и четвертому уровням автономности по классификации ассоциации SAE. На третьем уровне системе еще требуется вмешательство водителя, тогда как на четвертом уровне система может реагировать на неожиданные события самостоятельно. Машины Peugeot 3008 с системами NuTonomy смогут, как предполагается, работать на пятом уровне, что подразумевает полную автономность.

Группа нейробиологов МТИ пришла к выводу, что основная функция миндалевидного тела, область головного мозга в височной доле, — не реакция на неприятные события, а прямо противоположная: большая часть нейронов центрального ядра миндалевидного тела участвует в цепи, отвечающей за реакцию на удовольствия.

Исследователи разделили нейроны в изучаемой области на семь групп в зависимости от генетического профиля. Выяснилось, что при воздействии светом на пять из них лабораторные мыши стремятся к повторению этого опыта, так как он доставляет удовольствие. Лишь одна группа нейронов продемонстрировала связь с поведением, обусловленным страхом, а еще одна, как выяснилось, не участвует ни в цепи страха, ни в цепи удовольствия.

Исследователи не исключают, что в центральном ядре миндалевидного тела есть клетки, контролирующие негативное поведение, но отмечают, что уже изученные ими нейроны — это около 90% всей области.

Выяснилось также, что нейроны, связь которых со страхом была подтверждена в рамках исследования, не передают сообщения в область мозга, которая, как считалось, должна принимать соответствующую информацию от центрального ядра миндалины. Реальную схему работы соответствующих цепей еще предстоит выяснить.

Последние десять лет характеризуются бурным развитием систем искусственного интеллекта на основе глубокого обучения нейронных сетей — они широко используются для распознавания образов и речи, а также для финансового прогнозирования и не только. В Массачусетском технологическом институте напоминают, что сама идея обучаемых нейросетей была впервые предложена еще в 1944 году Уорреном Маккалоком и Уолтером Питтсом, научными сотрудниками Чикагского университета, которые в 1952 году перешли в МТИ и основали в нем кафедру когнитивных наук.

Нейросеть может решать определенные задачи после обучения — анализа учебных образцов, которые обычно заранее размечаются человеком. Например, получив тысячи размеченных снимков машин, домов, кофейных чашек и т. д., нейросеть научится обнаруживать характерные черты, соответствующие каждой из меток.

Нейросеть построена по образцу головного мозга человека — она состоит из множества тесно взаимосвязанных простейших вычислительных узлов. Каждый такой узел может быть соединен с несколькими на предыдущем слое, передающем ему данные, и с несколькими на следующем. Каждому из входящих соединений узел присваивает некоторое число — «вес». В процессе работы нейросети узел получает по каждому из соединений разные числа и умножает на соответствующий вес, а получившиеся произведения складывает. Если сумма больше определенного порогового значения, она передается на следующий уровень по всем исходящим соединениям узла.

Изначально веса и пороговые значения выбираются случайным образом, а в процессе обучения они постоянно корректируются, пока учебные данные с одинаковыми метками, подаваемые на вход сети (нижний слой), не будут выдавать одинаковые значения на выходе из нее.

Первая обучаемая нейросеть, «перцептрон», была создана Фрэнком Розенблаттом, психологом Корнельского университета, в 1957 году. В отличие от современных, она имела лишь один слой между входным и выходным. Уже в то время было предсказано, что с помощью перцептрона можно решать практически любые стандартные математические задачи, и до 1969 года нейросети оставались областью активных исследований. Но затем математики МТИ Марвин Минский и Сеймур Пейперт опубликовали результаты исследования, показавшего, что выполнение стандартных вычислительных операций с помощью перцептрона будет отнимать неприемлемо много времени. После этого интерес к нейронным сетям угас и возродился только к 1980-м, когда были разработаны алгоритмы корректировки весов и порогов, позволившие преодолеть ограничения, указанные Минским и Пейпертом.

Нынешнему взрыву развития машинного обучения помогла эволюция графических процессоров, которые содержат множество относительно простых ядер, которые можно использовать в качестве узлов нейросети. Современные видеочипы позволяют строить нейросети не из одного, как в 1960-х, и не из двух-трех, как в 1980-х, а из гораздо большего количества слоев. Именно поэтому «глубокое обучение» получило свое название: глубина — это число слоев нейросети.

Между тем, вопросом, беспокоящим исследователей, остается смысл настроек обученной нейросети — неясно, например, на какие именно особенности изображения она обращает внимание при классификации; изучение весов каждого из соединений ответа на этот вопрос не дает. Что касается продвижения науки на этом фронте, на сегодня решены задачи глобальной оптимизации — получения гарантий того, что сеть нашла настройки, оптимально соответствующие учебным данным, и выявления признаков переобучения — когда сеть настолько сфокусировалась на обучающей выборке, что на любых значениях за ее пределами она работать не сможет.

Чтобы справляться со скачками нагрузки в электросети, поставщики электроэнергии могли бы пользоваться батареями, но существующие технологии аккумуляторов не дают экономических преимуществ по сравнению с применением резервных электростанций. Ученые МТИ предлагают рассматривать совокупность техники «умного» дома и подключающихся к зарядным станциям электромобилей в качестве «виртуальной батареи», которую можно использовать в качестве менее дорогостоящей альтернативы резервным турбинам.

Идею исследователи объясняют на примере офисного здания: поставщик электроэнергии мог бы удаленно менять установленное на термостате значение температуры в пределах плюс-минус полградуса. Если повысить ее, здание будет потреблять больше энергии, и это соответствует «зарядке» виртуальной батареи, а если понизить, то — отдаче запасенной энергии в сеть. Менять свойства «батареи» можно также варьируя время и темпы зарядки электромобилей, припаркованных у офиса.

Соотношение между «емкостью» и скоростью «заряда» и «разряда» виртуальной батареи можно менять на ежедневной основе, добавляют исследователи. Например, если в какой-то день ожидаются сильные ветры, приоритет может быть отдан быстрой зарядке, чтобы воспользоваться мощностью, генерируемой ветряками. А если в другой день предвидится массовое включение кондиционеров, более приоритетной должна быть емкость, чтобы можно было справиться со скачком нагрузки.

Инженеры Массачусетского технологического института задались целью разработать двигатели, на основе которых можно было бы малозатратно создавать миниатюрных роботов с уровнем подвижности, как у машин Boston Dynamics. Идею своего микродвигателя исследователи позаимствовали у природы: принцип его действия — такой же, как у механизма переноса питательных веществ в стволах деревьев.

В деревьях вода, поднимаясь от корней по проводящей ткани одного типа (ксилеме), проходит через мембрану в ткань другого типа (флоему) под действием эффекта осмоса — движения растворителя в сторону большей концентрации растворенного вещества, в данном случае сахара. Тот постоянно вырабатывается листьями, за счет чего движение никогда не прекращается.

Исследователи сконструировали миниатюрное «дерево на кристалле», реализовав аналоги ксилемы и флоемы и добавив источник сахара. Получившийся гидравлический привод, не имея движущихся частей, способен подобно реальным деревьям в течение длительного времени перекачивать воду и сахар.

Исследование частично финансировало Агентство перспективных оборонных исследований DARPA.