Современные материалы, как правило, разрабатываются с расчётом на выполнение сразу нескольких задач. От них ожидают сочетания разных свойств: малой плотности, способности сопротивляться нагрузкам, управляемой деградации, а иногда и «умного» — заранее заданного — отклика на внешние воздействия. Всё это невозможно без работы на нанометровом уровне — там, где решающую роль играет структура, а не только химический состав.
Мы поговорили об этом с кандидатом физико-математических наук Алексеем Салимоном, заведующим кафедрой физической химии НИТУ МИСИС.
Заведующий кафедрой физической химии НИТУ МИСИС Алексей Салимон
— За последние годы материаловедение сильно изменилось. В чём главное отличие современного подхода от того, что было раньше?
— Традиционно в материаловедении основное внимание уделялось химическому составу. Подбор компонентов, их соотношения и степени чистоты долгое время считался главным инструментом управления свойствами. Сегодня ключевым становится управление структурой на разных масштабных уровнях.
Даже без изменения химического состава можно существенно изменить свойства, если целенаправленно формировать специфические нано- и микроструктуры: например, размер и форму включений, характер границ фаз, распределение наполнителей, ориентацию волокон. Фактически материал начинают проектировать под конкретные условия работы.
— Почему именно наноструктурированные композиты считаются материалами нового поколения?
— На наноуровне во многом формируются механизмы длительной прочности, износостойкости и упругости. Именно здесь определяются процессы зарождения дефектов, распространения трещин и релаксации напряжений.
Композиты позволяют сочетать высокую прочность с малой плотностью, что принципиально важно для многих отраслей. Кроме того, появляется возможность задавать дополнительные функциональные свойства — электрические, магнитные, радиопоглощающие. Такие материалы можно адаптировать под конкретные условия эксплуатации, заранее закладывая в них необходимое поведение в ответ на нагрузку, температуру или внешние поля.
— Где подобные материалы уже реально применяются?
— В авиационной и космической технике их активно используют благодаря снижению веса при сохранении прочностных характеристик. В энергетике — например, при производстве лопастей ветрогенераторов и элементов, работающих при высоких температурах и нагрузках.
В судостроении важную роль играет сочетание коррозионной стойкости и малой массы. В строительстве композиты применяются при создании долговечных и устойчивых конструкций. В медицине — при изготовлении эндопротезов, имплантатов и экзоскелетов, где одновременно важны прочность и биосовместимость.
Могу привести примеры из НИТУ МИСИС, так как наш университет является лучшим материаловедческим вузом России. Например, для биомедицины созданы «самоупрочнённые» композиты из сверхвысокомолекулярного полиэтилена, где и волокна, и матрица имеют одну природу, что обеспечивает рекордное сочетание прочности, ударной вязкости и биосовместимости. Наши учёные разработали проводящие полимерные композиты, которые могут заменить металлы в энергетике и электронике, сочетая высокую тепло- и электропроводность с малой массой и технологичностью.
Для энергетики и высокотемпературных применений предложены износостойкие композиты на основе высокоэнтропийных сплавов, упрочнённых наночастицами оксида алюминия, с многократным ростом износостойкости и снижением окисления.
Заведующий кафедрой физической химии НИТУ МИСИС Алексей Салимон
— Какие специалисты сегодня наиболее востребованы в области композитных материалов?
— В первую очередь те, кто умеет работать с реальными материалами, а не только с теориями. Это специалисты, понимающие, как структура влияет на свойства, и способные одновременно участвовать в фундаментальных исследованиях и прикладных проектах.
— Возможна ли такая подготовка в университетской среде?
— Да, если обучение тесно связано с научной работой. В этом случае студенты вовлекаются в проекты уже на этапе обучения — иногда с первого курса. Инфраструктура исследовательского университета позволяет работать с современными методами и оборудованием, что принципиально важно для формирования практических навыков и понимания реальных задач материаловедения.
— Если говорить о подготовке кадров, какие образовательные форматы сегодня наиболее эффективны?
— Обучение должно строиться вокруг реальных исследовательских задач — с возможностью индивидуальной образовательной траектории и работы в лабораториях.
Такой подход, в частности, реализуется в магистерских программах по технологиям наноструктурированных композиционных материалов в НИТУ МИСИС — как части общей научной экосистемы университета, ориентированной на современное материаловедение.
— С какими вызовами сегодня сталкиваются разработчики новых материалов?
— Основная сложность заключается в том, чтобы точно спрогнозировать поведение материала на протяжении всего срока службы. Важно заранее понимать, как именно композит будет разрушаться или деградировать в реальных условиях эксплуатации.
В связи с этим возрастает роль ускоренных методов тестирования, которые позволяют за относительно короткое время получить информацию о процессах, растянутых в реальности на годы и десятилетия. Без таких подходов внедрение новых материалов становится слишком долгим и рискованным.
Моделирование сегодня стало не вспомогательным, а обязательным инструментом. Активно используется анализ цифровых изображений микроструктуры, а математические модели позволяют прогнозировать свойства ещё до создания самих материалов.
Эксперимент и цифровые расчёты работают как единая система. Например, в лаборатории ускоренных частиц НИТУ МИСИС исследование наноструктуры осуществляется с помощью синхротронного излучения методом малоуглового рассеяния. Расшифровка полученных спектров в принципе невозможна без построения цифровой модели наноструктуры материала. Всему этому мы учим на программе специализированного высшего образования «Технология наноструктурированных композиционных материалов», реализуемой в рамках пилотного проекта по переходу на новую модель высшего образования.
Когда вы смотрите на этот экран, вы видите не просто набор пикселей. Вы видите текст, понимаетесмысл. Но между моментом, когда свет попадает вам на сетчатку, и моментом, когда вы осознаете «Это Пикабу», в вашем мозге происходит колоссальная работа. Как из разрозненных данных получается целостная картина мира? Давайте разбираться по порядку.
Ощущение и Восприятие: в чем разница?
Часто эти понятия путают или используют как синонимы, но это совсем разное. Представьте, что вы стоите на кухне и слышите, как закипает чайник.
Ощущение - это когда ваши рецепторы улавливают отдельные свойства. То есть свист чайника, тепло от пара, блеск металлического корпуса. Ощущение отвечает на вопрос: «Каковы свойства?».
Восприятие (или перцепция) - это когда мозг говорит вам: «Это чайник, он закипает, пора заваривать чай». Это не просто сумма ощущений, это их обработка, интерпретация и наделение смыслом.
Ощущение - это отражение отдельных свойств, восприятие - это отражение предметов и явлений в совокупности их свойств, при целостном воздействии на органы чувств.
Восприятие невозможно без ощущений, но оно не сводится к простой сумме ощущений. Это качественно новая ступень познания.
Здесь мы подходим к главному свойству восприятия - предметности и целостности. Мозг ненавидит фрагментарность, ему нужно собрать целый образ.
Закройте левый глаз, а правым посмотрите на +. Медленно приближайте экран или телефон, на расстоянии 15-20 см вы заметите, что круг исчез.
Получилось?
Это эффект слепого пятна (места на сетчатке, где нет рецепторов). Но в обычной жизни мы его не замечаем, потому что мозг достраивает картинку, опираясь на опыт и данные от второго глаза. Он не терпит пустоты.
Восприятие буквально дорисовывает реальность. Если мы видим человека, стоящего наполовину за стеной, мы не думаем, что у него нет половины туловища. Наш перцептивный опыт мгновенно подсказывает, что это целый человек, просто часть его скрыта.
Теперь посмотрите на картинку сверху. Обе кошки по факту одинакового размера, но так ли это воспринимает наш мозг? Это еще один пример константности восприятия.
Теории распознавания образов
Как нам удается мгновенно узнать знакомого в толпе или понять, что перед нами стул, даже если мы видим его под странным углом (например, только три ножки и край сиденья)? На этот счет есть несколько конкурирующих теорий.
Теория шаблонов Самая простая и самая неэффективная идея. Предполагается, что в мозге хранятся эталоны (шаблоны) всех объектов. Чтобы узнать стул, мозг сравнивает увиденное с картинкой «идеального стула» в своей базе данных. Но стулья бывают разных форм, цветов, размеров. Сравнивать каждый стимул с каждым шаблоном слишком затратно для мозга. Эта теория не объясняет гибкость восприятия.
Теория прототипов Более гибкая версия. Мы храним не конкретные копии, а прототипы, то есть усредненные образы категорий. Например, прототип «птицы» - это нечто среднее между воробьем, голубем и орлом (наличие крыльев, клюва, перьев). Увидев страуса (который не летает и выглядит странно), мы сравниваем его с прототипом, видим достаточное сходство и понимаем, что это птица.
Теория признаков Наиболее популярная и экспериментально подтвержденная теория. Согласно ей, мозг работает как детектор. Он раскладывает сложный объект на признаки. Ученые Дэвид Хьюбел и Торстен Визель в 1959 году обнаружили, что некоторые нейроны возбуждаются только тогда, когда видят горизонтальную линию, другие - вертикальную, третьи - угол в 45 градусов. Таким образом, когда вы смотрите на дом, мозг фиксирует признаки («прямые линии», «прямые углы»). Когда смотрите на кошку фиксируются другие признаки («изогнутые линии», «пушистая текстура»).
Именно на этой теории основано узнавание лиц. У нас есть специальная зона (веретенообразная извилина), которая «считывает» конфигурацию признаков лица (расстояние между глазами, форма носа). Так работает эффект Тэтчер. Визуальный феномен, при котором лицо, перевёрнутое вверх ногами, кажется нормальным, даже если его части (глаза, рот) перевёрнуты на 180 градусов. Однако стоит вернуть такое изображение в привычное вертикальное положение, то сразу замечаются искажения.
Есть довольно много таких забавных ошибок нашего восприятия. Например, иллюзия Мюллера-Лайера. Отрезок, обрамлённый «остриями», кажется короче отрезка, обрамлённого «хвостовыми» стрелками. Самая убедительная теория (теория перспективы) гласит, что мозг интерпретирует эти рисунки как трехмерные объекты. «Хвостики» наружу - это внешний угол здания (ближе к нам), «хвостики» внутрь - внутренний угол комнаты (дальше от нас). И наш мозг, наученный законами перспективы, автоматически корректирует размер, делая «дальнюю» линию длиннее.
Восприятие — это сложнейший перцептивный процесс, мост между нами и объективной реальностью. Это сложный аналитический аппарат, который строит модель мира на основе сенсорных данных, прошлого опыта и врожденных алгоритмов.
И как любой аппарат, он иногда дает сбои. Но именно благодаря этим сбоям и их изучению мы понимаем, насколько сложно, интересно и совершенно устроено то, что мы называем простым словом «вижу».
Группа исследователей впервые смоделировала полный жизненный цикл живой бактериальной клетки с наномасштабным разрешением, отследив поведение каждого гена, белка и химической реакции от репликации ДНК до клеточного деления. Результаты исследования, опубликованные в журнале Cell, открывают возможность заменить сотни реальных лабораторных экспериментов одной комплексной 4D-симуляцией.
Смоделированная клетка на ранних стадиях деления
Смоделированная клетка на ранних стадиях деления. В левой половине показана цитоплазма, механизмы деградации мРНК и переносчики сахара. В правой половине добавлены мембрана и рибосомы. Авторы: Zane Thornburg. Источник: Cell.
На иллюстрации представлена трехмерная компьютерная модель бактериальной клетки в разрезе. Клетка имеет вытянутую форму, готовясь к делению. Левая часть демонстрирует плотное скопление синих кубических структур (цитоплазма) с вкраплениями розовых и коричневых элементов у внешней границы. Правая часть показывает полупрозрачную зеленую оболочку (мембрану), под которой скрывается густая сеть красных нитей (ДНК) с множеством мелких желтых сфер (рибосомы). Авторы: Zane Thornburg. Источник: Cell.
Шесть дней ради 105 минут жизни
Ученые представили первую полномасштабную 4D-модель (три пространственных измерения плюс время) минимальной бактериальной клетки. Модель с наномасштабным разрешением учитывает пространственное положение и химические реакции каждого гена, белка и метаболита на протяжении всего клеточного цикла.
Объектом оцифровки стала синтетическая бактерия JCVI-syn3A. Этот организм обладает искусственно сокращенным геномом содержащим всего 493 гена на одной кольцевой хромосоме, минимум, необходимый для роста и поддержания жизни, что делает его идеальным кандидатом для компьютерного моделирования.
Несмотря на генетическую простоту бактерии, вычислительные затраты на симуляцию оказались колоссальными. Для обработки одного жизненного цикла, который в реальности занимает около 105 минут, потребовалось шесть дней непрерывных расчетов на суперкомпьютере Delta. Масштабный проект, потребовавший интеграции огромных массивов экспериментальных данных от протеомики до криоэлектронной томографии, разрабатывался исследователями из Университета Иллинойса, Гарварда и Института Дж. Крейга Вентера в течение нескольких лет.
Синтетический полигон: что скрывается внутри бактерии Syn3A
Бактерия JCVI-syn3A, ставшая прототипом для цифрового двойника, не встречается в природе. Это искусственно созданный в лабораториях Института Дж. Крейга Вентера организм, генетически урезанная версия бактерии Mycoplasma mycoides. Предыдущая версия этого синтетического микроба, известная как Syn3.0, имела еще меньше генов, но из-за этого потеряла способность делиться на ровные, правильные сферы. Чтобы вернуть клетке стабильную морфологию при делении, ученым пришлось вернуть часть генетического кода.
В итоге геном версии Syn3A содержит всего 493 гена, расположенных на одной кольцевой хромосоме (для сравнения, у кишечной палочки их более четырех тысяч). Как и у других бактерий, у нее нет ядра. Каждый компонент этой системы либо является частью внешней мембраны, либо транспортируется снаружи, либо собирается прямо в цитоплазме.
Создавая 4D-анимации на основе полученной модели, исследователи столкнулись с неожиданной проблемой: внутренняя среда Syn3A оказалась настолько плотно набита молекулярными игроками, что разглядеть хоть что-то было невозможно. Чтобы визуализировать, как единственная хромосома протискивается сквозь тесную цитоплазму клетки, ученым пришлось сделать часть белков прозрачными. Именно эта невероятная пространственная теснота и делает обычные математические расчеты неточными: в живой клетке молекулам нужно буквально проталкиваться друг к другу, чтобы вступить в химическую реакцию.
Франкенштейн из алгоритмов: как оживить синтетическую бактерию
Чтобы реалистично сымитировать эту тесноту, команде пришлось гибридизировать сразу несколько независимых вычислительных подходов в один программный комплекс. Метаболизм, где молекулы малы, а их концентрации высоки, описывается классическими обыкновенными дифференциальными уравнениями. Процессы транскрипции генов моделируются через химическое основное уравнение, учитывающее случайность реакций. За физическое перемещение молекул в пространстве отвечает реакционно-диффузное основное уравнение, которое разбивает объем клетки на кубическую сетку с шагом в 10 нанометров.
Самым сложным элементом стала динамика главной молекулы — хромосомы. Ее физическое поведение моделировалось методом броуновской динамики в симуляторе LAMMPS.
В процессе разработки аспирант Эндрю Мэйтин обнаружил критическое «бутылочное горлышко»: расчет репликации и движения запутанной нити ДНК замедлял всю симуляцию настолько, что время расчета жизненного цикла удваивалось и практически останавливалось.
Чтобы физика макромолекул не тормозила химию метаболизма, вычисления разделили на аппаратном уровне. Один графический процессор был выделен исключительно под тяжелую симуляцию динамики ДНК, в то время как второй GPU обрабатывал все остальные клеточные процессы, обмениваясь данными с первым каждые четыре секунды биологического времени. Суммарно на симуляцию 50 уникальных жизненных циклов ушло около 15 000 GPU-часов работы ускорителей NVIDIA A100.
Искусственная сила и пределы современной биологии
Точность симуляции превзошла ожидания авторов. При многократных запусках с незначительно меняющимися стартовыми условиями виртуальная клетка удваивала свой размер и делилась в среднем за время, отличающееся от реальных 105 минут не более чем на две минуты. Время репликации самой хромосомы составило около 51 минуты.
Модель точно предсказала динамику копирования генома — соотношение между стартовыми и конечными участками репликации хромосомы совпало с реальным. В симуляции этот показатель составил 1.28, что плотно коррелирует с результатами физического секвенирования ДНК живых клеток 1.21. Это подтверждает, что виртуальная бактерия копирует свой генетический материал с той же скоростью и частотой, что и настоящая.
Однако наиболее интересными результатами стали расхождения и физические ограничения симуляции. Постдок Зейн Торнбург отметил, что заставить мембрану и растущую ДНК корректно взаимодействовать при одновременном движении было крайне тяжело. Когда клетка начинала делиться на две дочерние, физического моделирования работы белков-конденсинов и топоизомераз оказалось недостаточно, чтобы распутать две новые хромосомы. Модель не могла самостоятельно развести их по разным половинам клетки за адекватное время машинных расчетов.
Чтобы деление завершилось, ученым пришлось внедрить в код «физический костыль» — искусственную силу отталкивания величиной примерно 12 пиконьютонов, которая принудительно растаскивала дочерние хромосомы. Это наглядно демонстрирует, что наука до сих пор не до конца понимает биомеханические механизмы сегрегации хромосом у организмов, лишенных стандартных белковых систем распределения ДНК.
Кроме того, симуляция выявила легкий дефицит в производстве крупных белков. Анализ показал причину: в текущей модели каждая матричная РНК может считываться только одной рибосомой за раз. В живой природе на длинных мРНК формируются полисомы — цепочки из нескольких рибосом, одновременно синтезирующих белок. Интеграция диффузии массивных полисом в виртуальную клетку пока оказалась слишком вычислительно дорогой задачей.
Хаос как норма: почему каждая клетка уникальна
Запустив модель 50 раз, биологи получили 50 совершенно разных жизненных историй. Благодаря тому, что модель учитывает пространственную диффузию, распределение макромолекул (например, рибосом или белков) по двум новым дочерним клеткам при делении оказалось абсолютно случайным, подчиняясь биномиальному распределению. Ни одна дочерняя клетка не получала идеальную половину ресурсов.
Еще более удивительным оказалось поведение генов. Поскольку запуск транскрипции зависит от того, столкнется ли РНК-полимераза с нужным участком ДНК в пространстве, процесс носит случайный, «взрывной» характер. Анализ показал, что 81 ген (из 493 существующих) вообще ни разу не был считан полимеразой на протяжении одного-трех виртуальных клеточных циклов. Иными словами, клетка может прожить всю жизнь, ни разу не обратившись к части своей ДНК. При этом виртуальный организм выживал за счет белков, унаследованных от предыдущего поколения.
Тестирование гипотез без пробирок
Возможность наблюдать за живой системой в таком разрешении меняет подход к клеточной биологии. По словам Зан Латей-Шультен, цельноклеточная модель прогнозирует множество параметров одновременно. Исследователь может локально изменить параметры нуклеотидного метаболизма и мгновенно увидеть, как это повлияет на скорость репликации ДНК на другом конце клетки и сборку рибосом в центре цитоплазмы.
Сейчас в науке набирает популярность использование искусственного интеллекта для прогнозирования состояния клеток. ИИ способен генерировать моментальные «снимки» клеточных процессов на основе огромных массивов данных. Команда из Иллинойса предлагает фундаментально иной путь — их 4D-модель не угадывает следующее состояние, а математически рассчитывает его, опираясь на строгие законы биофизики. В перспективе это позволит превратить суперкомпьютеры в универсальные виртуальные чашки Петри, где можно тестировать генетические мутации и лекарственные препараты без проведения сотен долгих лабораторных экспериментов.
Ученные Сиднейского университета создали прототип нанофотонного процессора для искусственного интеллекта, который обрабатывает данные с помощью света вместо электрического тока. В ходе экспериментов чип успешно классифицировал десятки тысяч медицинских изображений с точностью до 99 процентов. Новая архитектура выполняет вычисления за пикосекунды (триллионные доли секунды), полностью исключая проблему тепловыделения, и демонстрирует альтернативу перегревающимся кремниевым серверам современных дата-центров.
Фотография нанофотонного процессора под микроскопом
Снимки сканирующего электронного микроскопа чипов MNIST (20×20 мкм) и MedNIST (30×20 мкм), созданных на платформе кремний-на-изоляторе. Авторы: Joel Sved et al. Источник: Nature Communications.
На изображении представлены увеличенные микроскопические снимки нанофотонных ускорителей. Показаны оптические волноводы, подводящие свет к структуре с топологически оптимизированным материалом, где происходят физические вычисления. На нижних фрагментах видна интеграция чипа на печатную плату с золотыми контактами для взаимодействия с управляющей электроникой. Авторы: Joel Sved et al. Источник: Nature Communications.
Физика света против кремниевых ограничений
Исследовательская группа по фотонике Сиднейского университета под руководством профессора Сяокэ И представила работающий прототип сверхкомпактного оптического процессора. Устройство предназначено для выполнения математических операций, лежащих в основе машинного обучения. Особенность разработки заключается в полном отказе от перемещения электронов по металлическим проводникам — процесс обработки информации базируется на управлении фотонами.
Традиционные вычислительные системы при высоких нагрузках неизбежно выделяют колоссальный объем тепла из-за электрического сопротивления. Фотонный чип решает эту проблему на фундаментальном уровне. Свет проходит через наноструктуры без сопротивления, что делает генерацию тепла практически нулевой. Скорость выполнения одной операции при этом сокращается до пикосекундного диапазона — триллионных долей секунды. Это время, за которое свет физически успевает преодолеть структуру чипа.
Разработка была протестирована на базах данных MNIST (рукописные цифры) и MedNIST (более 10 000 биомедицинских изображений, включая МРТ грудной клетки и брюшной полости). В симуляциях система показала точность до 99 процентов. В реальных аппаратных экспериментах чип продемонстрировал точность классификации в 89 процентов для базы MNIST и 90 процентов для MedNIST, уверенно распознавая визуальные паттерны заболеваний на медицинских снимках.
Топологическая оптимизация вместо транзисторов
Индустрия искусственного интеллекта стремительно упирается в «энергетическую стену». Вычислительные центры требуют мегаватты электричества и миллионы литров воды для охлаждения серверов. Фотонные нейронные сети рассматриваются как логичный выход из кризиса, однако до сих пор их слабым местом оставались габариты. Создать оптический элемент сложнее, чем вытравить миллиард кремниевых транзисторов на одном квадратном миллиметре.
Австралийские исследователи обошли это ограничение с помощью метода обратного проектирования, основанного на 3D-моделировании электромагнитных полей. Вместо того чтобы строить нейросеть из классических оптических компонентов вроде интерферометра Маха-Цендера, инженеры позволили алгоритму самостоятельно рассчитать оптимальную форму материала.
Получившийся чип представляет собой сложную, визуально хаотичную наноструктуру из кремния и диоксида кремния. Внутри этой структуры световые волны (на длине волны 1550 нанометров) многократно рассеиваются и интерферируют. Проходя через материал, свет физически выполняет операцию умножения матриц. Размеры рабочей зоны составляют всего 20×20 микрометров для задачи распознавания цифр и 30×20 микрометров для медицинских изображений. По оценке создателей, такая архитектура обеспечивает феноменальную вычислительную плотность — около 400 миллионов обучаемых параметров на один квадратный миллиметр.
Решение проблемы нелинейности: опыт Массачусетского технологического института
Успех австралийской команды опирается на десятилетие предшествующих исследований в области физики оптических вычислений. Долгое время главным камнем преткновения для фотоники оставались нелинейные операции — функции активации, которые позволяют нейросети решать нешаблонные задачи и выявлять сложные закономерности. Фотоны практически не взаимодействуют друг с другом, из-за чего создание оптической нелинейности требовало огромных затрат энергии. В ранних системах оптические данные приходилось конвертировать обратно в электрические сигналы, отправлять на цифровой процессор для применения нелинейной функции, а затем снова переводить в свет.
Решение этой проблемы ранее предложила группа ученых из Массачусетского технологического института под руководством Дирка Энглунда и Саумила Бандиопадхьяя. В их архитектуре, описанной в журнале Nature Photonics, были применены нелинейные оптические функциональные блоки. Эти элементы отводят минимальную часть света на фотодиоды для преобразования в слабый ток, управляя нелинейностью без внешних усилителей.
В результате чип MIT смог выполнить весь цикл вычислений глубокой нейросети — как линейные, так и нелинейные операции — исключительно в оптическом домене менее чем за половину наносекунды с точностью выше 92 процентов. Исследователи доказали, что оптические процессоры могут обучаться в режиме реального времени, потребляя лишь малую долю энергии по сравнению с кремниевыми аналогами.
Коммерциализация: от стеклянных лабораторий к дата-центрам
Пока академические группы бьются над повышением точности и миниатюризацией вычислительных ядер, технологические компании уже адаптируют фотонику для нужд гиперскейлеров. Основное узкое место современных ИИ-кластеров — не только скорость самих вычислений, но и скорость передачи данных между видеокартами (GPU).
Компания Lightmatter выводит на рынок технологию 3D Co-Packaged Optics. Их решения, такие как фотонный суперчип Passage M1000, объединяют электронные интегральные схемы с фотонными напрямую в едином компактном модуле. Это снимает классические ограничения пропускной способности медных соединений, возникающие из-за физической нехватки места для контактов по периметру печатных плат. Что критически важно для обучения гигантских языковых моделей.
Фотонные модули Lightmatter способны передавать до 448 гигабит данных в секунду по одному оптическому каналу. Для достижения таких сверхскоростей применяется технология PAM4 — особый формат многоуровневой амплитудной модуляции, который позволяет «упаковывать» в каждый сигнал в два раза больше информации по сравнению с традиционными методами кодирования. Кроме того, архитектура системы позволяет производить горячую замену оптоволокна прямо в серверных стойках дата-центров.
Масштабирование оптического будущего
Команда Сиднейского университета уже подала патентную заявку на свою технологию нанофотонных чипов и работает над ее масштабированием. Следующим шагом станет объединение множества подобных блоков в крупные оптические сети для обработки фрагментированных данных по принципу сверточных нейросетей. Архитектура разрабатывается с расчетом на стандартные производственные процессы CMOS-фабрик. Переход индустрии на оптику — процесс не быстрый, однако успешная интеграция света на микроуровне доказывает, что у кремниевой монополии появился фундаментально обоснованный конкурент.
Физика света: от холодного вычисления в непрозрачном кремнии до природной инженерии
Чтобы понять фундаментальную разницу между классическим и оптическим процессором, достаточно спуститься на уровень элементарных частиц. В основе работы любого современного графического ускорителя лежит направленное движение электронов. Электрон — частица с ненулевой массой покоя и отрицательным электрическим зарядом. Когда миллиарды этих частиц под действием напряжения продираются сквозь кристаллическую решетку полупроводника, они неизбежно сталкиваются с ее атомами.
В физике твердого тела этот процесс называется рассеянием, а на практике он работает как микроскопическое трение. Электроны отдают часть своей кинетической энергии решетке, заставляя атомы вибрировать сильнее. На макроуровне эта вибрация превращается в стремительный нагрев. Именно из-за этого фундаментального физического ограничения современные серверные стойки с видеокартами требуют гигантских радиаторов, мощных вентиляторов и тысяч литров воды для охлаждения.
Фотонная архитектура меняет сами правила игры, отказываясь от заряженных электронов в пользу фотонов. У фотона нет ни электрического заряда, ни массы покоя. Когда инфракрасный луч лазера попадает в наноразмерный кремниевый волновод оптического чипа, он движется по нему, не испытывая классического электрического сопротивления.
Фотоны не взаимодействуют друг с другом так, как это делают заряженные частицы, и не «трутся» об атомы направляющей среды (для длины волны 1550 нанометров кремний абсолютно прозрачен). Они проходят сквозь сложную топологию чипа без передачи паразитной энергии материалу. В результате математические операции — интерференция и рассеяние света, заменяющие умножение матриц — происходят не только с максимально возможной физической скоростью, но и без генерации тепла. Фотонному процессору не нужны системы охлаждения просто потому, что в нем нет трения.
Парадоксы кремниевой фотоники: свет в непрозрачном кристалле
На первый взгляд использование кремния для создания оптического процессора кажется абсурдом. В нашем привычном понимании кремний — это основа классической микроэлектроники, серый кристалл с металлическим блеском, сквозь который невозможно ничего разглядеть. Как материал, абсолютно непрозрачный для человеческого глаза, может стать микроскопической магистралью для лазерных лучей?
Разгадка кроется в длине волны. То, что является непреодолимой стеной для видимого спектра, для инфракрасного излучения оказывается открытой дверью. На длине волны 1550 нанометров (именно она используется в разработке Сиднейского университета и является стандартом для оптоволоконной связи) чистейший кристаллический кремний становится прозрачным, словно высококачественное оконное стекло.
Однако просто пропустить свет сквозь материал недостаточно — физикам нужно заставить луч поворачивать, делиться и интерферировать на площадке размером тоньше человеческого волоса. Для этого инженеры используют технологическую платформу «кремний-на-изоляторе». Тончайший слой кремния укладывается на подложку из диоксида кремния, после чего в верхнем слое вытравливаются микроскопические дорожки — оптические волноводы.
Здесь начинает работать фундаментальный закон оптики — полное внутреннее отражение. Кремний имеет очень высокий показатель преломления по сравнению с окружающим его диоксидом. Когда инфракрасный лазер попадает в такой кремниевый канал, резкий контраст оптических плотностей материалов превращает границы волновода в идеальное зеркало. Свет оказывается запертым внутри: он отскакивает от стенок кремниевой «проволоки» и мчится по извилистому наноразмерному лабиринту чипа, не рассеиваясь наружу. Именно этот физический трюк позволяет ученым использовать традиционное оборудование заводов по производству электроники для создания сложнейших световых процессоров.
Оптический обман: архитектура бабочки
Глядя на микроскопический снимок нового нанофотонного процессора, можно заметить, что его рабочая зона совершенно не похожа на строгую прямоугольную геометрию классических электронных микросхем. Она выглядит хаотичной, текучей, почти органической. Подобный подход к управлению светом за счет сложнейшей физической формы ученые давно подсмотрели у самой природы. Самый яркий пример такой оптической инженерии — крылья тропических бабочек рода морфо.
Знаменитый пронзительно-синий цвет их крыльев возникает не благодаря биологическим пигментам или химическим красителям. Если измельчить чешуйку такого крыла в пыль, сияющий оттенок исчезнет, оставив лишь невзрачную серую массу. Секрет кроется в явлении структурной окраски. На поверхности крыла расположены миллионы микроскопических элементов со сложной, напоминающей ветвящиеся деревья, наноструктурой. Когда свет попадает на этот рельеф, он многократно преломляется и интерферирует. Физическая архитектура чешуйки выверена эволюцией так, что световые волны синего спектра накладываются и усиливают друг друга, в то время как волны других цветов взаимно гасятся.
Создавая свой ИИ-чип методом топологической оптимизации, австралийские инженеры применили ровно тот же фундаментальный принцип. Алгоритм буквально «вылепил» из кремния сложнейший нанорельеф, который работает как идеальный оптический лабиринт. Точно так же, как крыло бабочки манипулирует светом для создания безупречного синего цвета, кремниевая структура процессора заставляет инфракрасные лазерные волны интерферировать и рассеиваться по строго заданным математическим векторам. В обоих случаях сложнейший результат — будь то потрясающий визуальный эффект или нейросетевая классификация медицинского снимка — достигается исключительно за счет виртуозной геометрии наноструктур: хитина у бабочки и кремния в процессоре.
Исследователи совершили прорыв в нейробиологии, успешно реконструировав динамичное видео исключительно по активности клеток зрительной коры мыши. Пока животные смотрели черно-белые ролики со спортивной гимнастикой и рестлингом, алгоритм считывал вспышки кальция в восьми тысячах нейронов и покадрово восстанавливал увиденное. Технология достигла беспрецедентной точности: на итоговых кадрах можно различить силуэты людей и контуры предметов. Это приближает науку к пониманию того, как именно мозг искажает физическую реальность.
Реконструкция видео из активности зрительной коры мыши
Слева направо: оригинальные кадры и то, как их «увидел» алгоритм, считав активность нейронов мыши. Авторы: Joel Bauer, Troy W Margrie, Claudia Clopath. Источник: eLife / The Guardian.
На изображении представлены раскадровки: в верхнем ряду показаны оригинальные черно-белые кадры из видеороликов, а в нижнем — размытые, но узнаваемые силуэты, восстановленные искусственным интеллектом исключительно на основе активности нейронов зрительной коры мыши. Авторы: Joel Bauer, Troy W Margrie, Claudia Clopath. Источник: eLife / The Guardian.
Прямая трансляция из коры головного мозга
Команда нейробиологов под руководством Джоэла Бауэра из Центра Сейнсбери Уэлком при Университетском колледже Лондона (UCL) опубликовала результаты уникального эксперимента. Ученые смогли восстановить десятисекундные видеоролики с частотой 30 кадров в секунду, используя исключительно записи активности клеток зрительной коры живых мышей. Результаты исследования были представлены 10 марта 2026 года в научном журнале eLife.
В ходе эксперимента грызунам показывали черно-белые клипы, на которых люди занимались различными видами спорта, включая спортивную гимнастику, верховую езду и рестлинг. В это время исследователи фиксировали активность мозга животных с помощью двухфотонной кальциевой микроскопии. Этот метод позволяет визуализировать локальные всплески кальция в тканях, точно определяя, какие именно клетки мозга возбуждаются в конкретную долю секунды. Для каждой из десяти мышей, участвовавших в проекте, ученые собрали данные примерно от восьми тысяч отдельных нейронов.
Для расшифровки полученного массива данных применялась динамическая модель нейронного кодирования, изначально созданная для научного соревнования Sensorium 2023. Алгоритм анализировал не только оптические стимулы, но и физиологические параметры мыши, поскольку зрительная кора грызунов сильно реагирует на сторонние факторы. Сопоставив нейронные реакции с видеорядом, система достигла пиксельной корреляции между оригиналом и реконструкцией на уровне 0.57. Это более чем в два раза превышает результаты предыдущих попыток чтения статических изображений из мозга мышей.
Предел разрешения: от МРТ к отдельным клеткам
В последние годы новости о чтении мыслей появляются регулярно, однако большинство громких прорывов связано с функциональной магнитно-резонансной томографией (фМРТ) человека. Проблема фМРТ заключается в ее низком пространственном и временном разрешении. Томограф фиксирует приток крови к обширным зонам мозга с задержкой в несколько секунд. Чтобы получить из этого красивую картинку, исследователи обычно используют генеративные нейросети вроде Stable Diffusion, которые дорисовывают детали на основе семантического смысла. Иными словами, если мозг человека реагирует на концепцию красной машины, ИИ просто рисует красивую красную машину из своей базы данных, а не то конкретное изображение, которое видят глаза.
Эксперимент британской команды радикально отличается от этого подхода. Ученые не использовали готовые генеративные сети для дорисовки смысла. Они опирались на сырые данные, считывая импульсы отдельных нейронов с частотой восемь герц на площади мозга размером 630 на 630 микрометров. Они напрямую заглянули в операционную систему зрения млекопитающего, а не пытались угадать ассоциации.
При этом ИИ-модели пришлось учитывать крайне специфическую физиологию грызунов. Активность нейронов в первичной зрительной коре мыши сильно зависит от уровня ее возбуждения и физической активности. То, как мышь воспринимает картинку, меняется в зависимости от того, бежит она по беговой дорожке или стоит на месте, а также от диаметра ее зрачка. Алгоритму пришлось интегрировать эти поведенческие переменные в свои вычисления, чтобы отделить чистый визуальный сигнал от моторного шума.
Градиентный спуск на пустом экране
Механика того, как алгоритм достает картинку из мозга, напоминает обратную инженерию восприятия. Ученые не обучали нейросеть напрямую переводить кальциевые вспышки в пиксели. Вместо этого они взяли модель, которая хорошо предсказывает, как поведут себя нейроны при просмотре определенного видео. Затем исследователи подали на вход модели пустой серый экран и заставили ИИ предсказать реакцию нейронов на эту пустоту.
Естественно, предсказанная реакция на серый экран не совпала с реальной записью мозга мыши, смотревшей рестлинг. Тогда алгоритм начал покадрово изменять пиксели серого экрана с помощью метода градиентного спуска. Пиксели корректировались тысячу раз до тех пор, пока виртуальный отклик модели полностью не совпал с физиологической записью из мозга грызуна. Как только математическая ошибка между симуляцией и реальностью свелась к минимуму, на экране из серого шума проступили узнаваемые контуры людей и движущихся объектов.
Чтобы добиться максимальной чистоты изображения, авторы применили метод ансамблирования. Однократный прогон модели давал картинку, переполненную высокочастотным пространственным и временным шумом. Ученые обучили семь независимых версий алгоритма на разных наборах данных, заставили каждую реконструировать видео, а затем усреднили их результаты. Это позволило повысить качество итогового ролика почти на треть.
Исследователи также выяснили, насколько критично количество записываемых клеток. В ходе компьютерной симуляции они попробовали искусственно отключать часть нейронов. Оказалось, что удаление половины из восьми тысяч клеток снижает качество видео лишь на десять процентов. Однако потеря трех четвертей массива обрушивает точность уже на четверть. Это дает ценный ориентир для будущих нейробиологических экспериментов: для стабильного чтения зрительных образов достаточно плотности порядка десяти-двадцати тысяч нейронов на квадратный миллиметр коры.
Каково это — быть летучей мышью
Хотя восстановленные ролики выглядят зернистыми, они полностью соответствуют физиологическим ограничениям самих животных. Зрение мыши примерно в шесть раз хуже человеческого, поэтому алгоритм физически не мог бы восстановить сверхчеткие детали, которых мозг грызуна просто не регистрирует. Тесты с синтетическим визуальным шумом показали, что модель перестает корректно собирать картинку на высоких пространственных частотах, выходящих за рамки мышиной остроты зрения.
Джоэл Бауэр подчеркивает, что мозг не хранит идеальную попиксельную копию мира. Зрительный тракт искажает и трансформирует картинку, усиливая одни признаки и подавляя другие. Эти отклонения от реальности — не баг, а эволюционная фича, отражающая то, как разум адаптирует сенсорную информацию под задачи выживания.
Успех на животных неизбежно вызывает вопросы о применении технологии к людям. Бауэр смотрит на такую перспективу с осторожностью, отмечая, что если технология сможет реконструировать не только то, что человек видит глазами, но и то, что он воображает, возникнет колоссальная угроза приватности.
Тем не менее для фундаментальной биологии открываются невероятные перспективы. Если система может считывать внутренние образы напрямую из нейронов, в будущем ученые смогут выяснить, что именно видят животные во сне, поддаются ли они человеческим оптическим иллюзиям и какие визуальные искажения они испытывают под воздействием психоделиков. Как отметил Бауэр, эта технология может привести человечество к очень глубокой форме эмпатии по отношению к другим видам, наконец позволив нам научно ответить на классический философский вопрос: каково это — воспринимать мир мозгом другого существа.
Что дальше: за пределами черно-белых силуэтов
В ближайших планах команды — расширение поля зрения при реконструкции. Текущие алгоритмы работают с данными, собранными только с одного участка зрительной коры, что дает эффект узкого замочного окна. В будущем ученые намерены объединить сигналы от обоих глаз животного, чтобы создать панорамную картину его зрительного опыта. Главный же открытый вопрос заключается в том, удастся ли с помощью этого метода отследить, как меняется репрезентация одних и тех же объектов в мозгу по мере того, как животное обучается или переносит фокус своего внимания.
В предыдущей статье мы изучили зрительные ощущения, а сегодня разберемся с самым загадочным, "шестым чувством" - проприоцепцией. Попробуйте закрыть глаза и коснуться указательным пальцем кончика носа. Получилось? Поздравляю, вы только что успешно воспользовались проприоцепцией, самой недооцененной сенсорной системой нашего организма!
В отличие от зрения или слуха, у проприоцепции нет очевидного органа. У нас нет «глаз в мышцах» или «ушей в суставах». Именно поэтому великий русский физиолог Иван Михайлович Сеченов назвал проприоцептивные ощущения «темным мышечным чувством».
Сегодня разберем, как мы чувствуем положение собственного тела, как удерживаем равновесие и почему осязание - это сложнейшая система восприятия мира.
Термин «проприоцепция» происходит от латинского proprius - «собственный» и receptio - «принятие». Это способность нашего организма воспринимать положение и перемещение в пространстве собственного тела и его отдельных частей.
Когда вы идете по улице и смотрите по сторонам, ваше зрение занято витринами, а слух шумом города. Но кто следит за тем, чтобы ваши ноги переставлялись правильно? Это работа проприоцепции. Она работает всегда, обеспечивая то, что в психологии называется «схемой тела» (внутренней картой вашего тела в мозге).
Современные исследователи выделяют четыре основных компонента проприоцепции:
- Ощущение положения сустава (активное и пассивное) - способность определить, под каким углом сейчас находится ваш локоть или колено. - Кинестезия - ощущение движения. Это чувство, которое позволяет вам танцевать. - Ощущение силы - понимание того, сколько мышечных усилий нужно приложить, чтобы поднять чашку кофе, а не отправить её в полет к потолку. - Ощущение скорости - способность контролировать, как быстро вы двигаетесь.
Раз у проприоцепции нет единого органа, значит, у нее должна быть армия «шпионов», разбросанных по всему телу. Проприоцептивные рецепторы расположены в мышцах, сухожилиях, суставных капсулах, связках и даже в надкостнице. Есть разные виды этих рецепторов: - Мышечные веретена. Это сложнейшие сенсорные устройства. Они расположены прямо в толще наших мышц и реагируют на их растяжение. Когда вы сгибаете руку, мышечные веретена в бицепсе укорачиваются, а в трицепсе наоборот удлиняются, отправляя в мозг подробный отчет о том, что происходит.
- Сухожильные органы Гольджи. Эти ребята расположились на границе между мышцей и сухожилием. Их главная задача - контролировать напряжение. Если вы решили блеснуть силой и попытались поднять неподъемную штангу, органы Гольджи включат защитный механизм, расслабляя мышцу, чтобы вы не порвали сухожилия.
- Суставные рецепторы. Эти рецепторы находятся в капсулах суставов и реагируют на изменение угла в суставе. Они наши главные помощники в определении положения конечности без движения.
Все эти рецепторы отправляют сигналы по толстым миелинизированным (быстропроводящим) нервам в спинной мозг, а оттуда - в головной. Конечная цель этого путешествия теменная доля коры больших полушарий, где и формируется целостная картина положения тела.
Нарушение проприоцептивной чувствительности (деафферентация) ведет к полному развалу координации движений. Человек не может ходить, брать предметы, даже сидеть прямо.
Более того, проприоцептивные импульсы - мощнейший активатор ретикулярной формации (сети нейронов в стволе мозга), которая отвечает за уровень бодрствования и внимания. Оказывается, сигналы от мышц будят наш мозг эффективнее, чем зрительные или слуховые! Когда вы утром делаете зарядку, вы не просто будите мышцы - вы пробуждаете свой мозг.
Акробаты, танцоры и спортсмены высокого класса обладают феноменальной проприоцептивной чувствительностью. Они могут выполнять сложнейшие движения в полной темноте, полагаясь исключительно на «мышечное чувство». Но и обычные люди могут развить эту способность (именно на этом основано освоение слепой печати на клавиатуре).
Теперь перейдем к системе, которая тесно связана с проприоцепцией, но является самостоятельной и не менее удивительной. К ощущению равновесия!
Вестибулярный аппарат расположен во внутреннем ухе, по соседству со слуховой улиткой. Это наш внутренний гироскоп, и состоит он из двух основных частей :
Отолитовый аппарат. Представьте себе стакан с водой, на дне которого лежит несколько камешков. Если вы наклоните стакан, вода перельется, а камешки останутся на дне, но их положение относительно стенок изменится. Примерно так работают отолиты. В мешочках находятся волосковые клетки, покрытые студенистой массой с кристаллами карбоната кальция - отолитами (от греч. «отос» - ухо и «литос» - камень) . Под действием силы тяжести отолиты давят на те или иные волоски, сообщая мозгу, где верх, а где низ. Отолитовый аппарат реагирует на положение головы (статику) и на прямолинейные ускорения (например, когда вы разгоняетесь в лифте) .
Полукружные каналы. Это три дугообразные трубки, расположенные в трех взаимно перпендикулярных плоскостях. Внутри них тоже есть жидкость (эндолимфа) и чувствительные волосковые клетки, собранные в «гребешки» - ампулы. Когда вы поворачиваете голову, жидкость в каналах по инерции отстает от движения стенок, смещает студенистую массу (купулу) и раздражает волоски . Так мозг узнает о вращении.
Жутковатая картинка, да?
Сигналы от вестибулярного аппарата идут по вестибулярному нерву в мозг. Основные центры обработки находятся в продолговатом мозге и мозжечке.
При этом большинство вестибулярных рефлексов у человека «автоматизированы» и редко доходят до сознания. Мы не задумываемся, какие мышцы напрячь, чтобы не упасть, поскользнувшись на льду. Более четкие ощущения мы получаем только при сильных или длительных раздражениях (например, при вращении).
Все мы знаем неприятное чувство укачивания в транспорте. Это результат конфликта сигналов. Ваш вестибулярный аппарат чувствует качку, глаза видят неподвижный салон, а проприоцепция сообщает, что вы сидите на месте. Мозг путается и, не найдя другого выхода, решает !внезапно! вас стошнить. Зачем? Эволюционно тошнота - реакция на отравление. Мозг думает, что его сенсорные системы так расходятся во мнениях, потому что было съедено что-то не то, и начались галлюцинации. Надо срочно очистить желудок»
Хорошая новость! Вестибулярный аппарат можно тренировать. Летчики, моряки, космонавты, балерины проходят специальную подготовку, чтобы уменьшить чувствительность к укачиванию. Постепенно мозг учится игнорировать несущественные рассогласования сигналов.
Вот вам парочка упражнений
Мы подошли к самому, пожалуй, многогранному чувству - осязанию. Ранее неосмотрительно был использован термином "осязание" в статье о кожных ощущениях (читать тут), нужно поправить информацию.
И.М. Сеченов и И.П. Павлов подчеркивали, что рука «учит» глаз. В детстве мы сначала ощупываем предмет, и только потом учимся узнавать его форму зрительно.
Ну и напоследок несколько феноменов и нарушений, о которых интересно узнать!
Иллюзия резиновой руки. Один из самых знаменитых экспериментов в современной психологии. Испытуемому кладут на стол резиновую муляж руки, а его настоящую руку прячут за ширмой. Затем экспериментатор одновременно поглаживает кисточкой настоящую (скрытую) руку и резиновую (видимую). Через пару минут у испытуемого возникает полное ощущение, что резиновая рука — это его собственная. Если потом по резиновой руке ударить молоточком, человек вздрагивает и отдергивает свою настоящую руку. Этот эксперимент показывает, насколько пластична наша «схема тела» и как легко мозг готов менять её под влиянием зрительной информации .
Фантомные конечности. Пациенты, потерявшие руку или ногу, часто продолжают чувствовать её - это фантомные ощущения. Иногда они бывают мучительно болезненными (как будто рука все время сжата в кулак). Невролог Вилейанур Рамачандран придумал гениально простое решение - «зеркальный ящик». Пациент помещает здоровую руку в ящик с зеркалом и смотрит на её отражение там, где должна быть отсутствующая рука. Когда он двигает здоровой рукой, мозг «видит» движение фантомной конечности. Это помогает «разжать» воображаемый кулак и снять боль.
Проприоцепция и старение. С возрастом проприоцептивная чувствительность снижается. Именно поэтому пожилые люди часто стоят неуверенно и падают. Они хуже чувствуют положение своего тела в пространстве. Современные исследования показывают, что с помощью специальных тренировок и даже вибрационной стимуляции мышц можно улучшить проприоцепцию у пожилых людей и пациентов с неврологическими заболеваниями, такими как детский церебральный паралич.
Предлагаю подвести итоги!
Проприоцепция - это «шестое чувство», позволяющее нам ощущать свое тело без помощи зрения. Вестибулярный аппарат - наш внутренний гироскоп, отвечающий за равновесие. Осязание - сложнейший комплекс тактильных, температурных и болевых ощущений. Схема нашего тела пластична и может меняться под влиянием опыта, а иногда и обманываться (как в эксперименте с резиновой рукой) .
Понимание этих механизмов - ключ к пониманию того, как человек взаимодействует с миром, как формируются двигательные навыки, как возникает восприятие собственного «Я». Наше тело - это та первая реальность, с которой мы сталкиваемся в момент рождения, и которая остается с нами до самого конца.
Упругость воздуха это свойство, при котором воздух сопротивляется изменению своего объема при сжатии, разряжении, изменении температуры или давления. Упругость в широком смысле это мера сжимаемости материи.
Возьмем велосипедный насос и закроем патрубок. Нажмем на ручку насоса она надавит поршень, воздух внутри сожмется, давление станет выше атмосферного, отпустим поршень и видим как поршень возвращается обратно, потому что сжатый воздух стремится прийти к начальному объему. Следовательно воздух сопротивляется сжатию.
Возьмем велосипедный насос, нажмем на ручку насоса она надавит поршень и выдавит весь воздух внутри. Заткнем патрубок. Вытянем поршень, внутри насоса будет создано разряжение, вакуум, давление станет ниже атмосферного, отпустим поршень и видим как поршень возвращается обратно, потому что разряженный воздух стремится прийти к начальному объему. Следовательно воздух сопротивляется разряжению.
Таким образом воздух сопротивляется изменению своего объема при сжатии и разряжении благодаря свойству упругости.
Воздух можно сжать, то есть уменьшить объем емкости в которой он заключен при приложении давления выше атмосферного. Если высокое давление убрать, воздух расширится до первоначального объема, благодаря своей упругости.
Воздух можно разрядить (расширить), то есть увеличить объем емкости в которой он заключен при приложении давления ниже атмосферного (вакуума). Если низкое давление убрать, воздух сожмется до первоначального объема, благодаря своей упругости.
Накачивая воздух в шарик мы говорим "расширяется шарик", понимая, что расширяется только объем оболочки самого шарика, а сам воздух при этом не расширяется, а наоборот сжимается. Однако откачивая воздух из баллона, мы говорим "воздух расширяется", понимая, что объем баллона остается постоянным, а меняется только объем самого воздуха. В случае с надуванием шарика мы говорим "расширяется шарик", а в случае когда мы откачиваем воздух из баллона, уже расширяется сам воздух. Чтобы исключить эту путаницу достаточно понять, что когда говорят "расширение воздуха" под этим понимается его разряжение.
В предыдущем посте разобрались со слухом (читать тут), теперь поговорим о зрительных ощущениях человека! Именно через зрение человек получает до 80% информации об окружающем мире.
Зрительные ощущения - это результат преобразования энергии электромагнитного излучения (света) в нервные импульсы, которые мозг интерпретирует как образы. Это активный процесс, а не пассивное фотографирование. Мы не просто смотрим, мы видим, обрабатываем, интерпретируем. И чтобы понять этот процесс, нам нужно начать с самого начала - с природы света.
Физическим стимулом для зрения являются световые волны - электромагнитное излучение. Глаз человека эволюционно настроен воспринимать лишь узкий диапазон электромагнитного спектра - от примерно 380 до 780 нанометров (нм). Этот диапазон мы и называем видимым светом.
При этом длина волны определяет цветовой тон. Короткие волны (380-450 нм) мы воспринимаем как фиолетовые и синие, средние (450-590 нм) - как зеленые и желтые, длинные (590-780 нм) - как оранжевые и красные.
А интенсивность (амплитуда) волны определяет яркость или светлоту (довольно странное слово, да? будто его только что придумали) ощущения. Чем больше амплитуда, тем больше энергии излучения, и тем более ярким мы видим объект (при прочих равных условиях).
Все наши цветовые ощущения делятся на две большие группы:
Хроматические цвета — это все цвета спектра и их оттенки (красный, синий, зеленый и т.д.), а также пурпурные (которые отсутствуют в спектре, их невозможно получить, пропустив белый свет через призму, они получаются смешением крайних — синего и красного).
Цветовой круг
Хроматические цвета в свою очередь обладают тремя характеристиками:
- Цветовой тон. Это основное качество цвета, которое определяется доминирующей длиной волны в спектре излучения . Именно цветовой тон позволяет нам назвать предмет "красным" или "синим".
- Светлота. Это степень близости цвета к белому или черному. Любой хроматический цвет можно высветлить, добавив в него белого (например, из красного получится розовый), или затемнить, добавив черного (получится темно-бордовый) . Интересно, что разные цвета спектра обладают разной собственной светлотой. Желтый - очень светлый (близок к белому), а синий или фиолетовый - темные . Это легко проверить, если сфотографировать цветной мир и перевести снимок в черно-белый режим.
- Насыщенность. Это характеристика, описывающая степень отличия хроматического цвета от ахроматического (серого) той же светлоты . Простыми словами - это чистота, "густота" цвета. Чем меньше в цвете примесей серого или белого, тем он насыщеннее .
Вторая большая группа это ахроматические цвета. Цвета, у которых отсутствует какой-либо цветовой тон. К ним относятся белый, черный и все оттенки серого . Эти цвета различаются только по светлоте.
Почему один лист бумаги мы называем белым, а другой - черным? Дело не в том, сколько света на них падает, а в том, сколько света они отражают.
Коэффициент отражения - это доля падающего света, которая отражается от поверхности. Белая бумага имеет коэффициент отражения близкий к 0,8-0,9 (она отражает 80-90% света), в то время как черный бархат - около 0,03-0,05 (отражает лишь 3-5% света) .
Это физическая характеристика, которая непосредственно влияет на субъективную светлоту. Чем выше коэффициент отражения, тем более светлым нам кажется объект.
Дальше поговорим о чувствительности наших глаз. Глаз обладает потрясающей способностью адаптироваться к разному уровню освещенности - от яркого солнечного дня (тысячи люкс) до почти полной темноты (сотые доли люкс). Максимальная чувствительность глаза в условиях сумеречного зрения смещена в сторону сине-зеленой части спектра (около 510 нм). В условиях яркого света максимум чувствительности приходится на желто-зеленую область (около 555 нм) . Это называется эффект Пуркинье: в сумерках красные цветы кажутся черными, а синие — более светлыми, чем днем.
Сетчатка человека содержит два основных типа фоторецепторов.
- Палочки. Обладают огромной светочувствительностью (в 500 раз выше, чем колбочки) и отвечают за зрение в сумерках (скотопическое зрение). Они не способны различать цвета и обеспечивают ахроматическое зрение. Из-за их высокой чувствительности мы в темноте видим мир как черно-белый. Палочек в сетчатке около 120 миллионов. В них содержится пигмент родопсин, максимум чувствительности которого приходится на 510 нм .
- Колбочки. Работают в условиях яркого света (фотопическое зрение) и отвечают за цветовое зрение и высокую остроту зрения. Их около 6-7 миллионов, и они сконцентрированы преимущественно в центре сетчатки - в желтом пятне.
Острота зрения - это способность глаза различать мелкие детали и раздельно видеть две близко расположенные точки. Количественно она измеряется как величина, обратная угловому расстоянию в минутах между двумя точками, которые глаз видит как раздельные. Нормальная острота зрения (1.0) соответствует способности различать детали с угловым расстоянием в 1 минуту.
Вернемся немного назад к восприятию цвета. Как вообще люди к этому пришли?
В 1672 году Ньютон поставил свой знаменитый опыт с призмой. Он разложил солнечный луч в спектр, показав, что белый свет - это смесь лучей разного цвета. Он же предложил первый цветовой круг, расположив в нем семь спектральных цветов (от красного до фиолетового) и пурпурный, замкнув тем самым круг. Ньютон считал, что цвета существуют объективно в свете.
В начале XIX века Томас Юнг выдвинул гениальную гипотезу: поскольку глаз может воспринимать бесконечное множество цветов, но при этом в нем нет бесконечного множества разных рецепторов, должен существовать ограниченный набор первичных рецепторов. Позже, в середине XIX века, Гельмгольц развил эту идею в теорию.
Важно отметить, что задолго до Гельмгольца, в 1756 году, великий русский ученый Михаил Васильевич Ломоносов в своем труде "Слово о происхождении света, новую теорию о цветах представляющее" высказал идею о трехкомпонентной природе цветового зрения. Он предположил, что цвет зависит от возбуждения трех родов "эфира" в глазу.
Сегодня эта теория, подтвержденная физиологически, называется теорией трехцветного зрения Ломоносова-Юнга-Гельмгольца. Суть ее в следующем: В сетчатке глаза человека находятся три типа рецепторов (колбочек), чувствительных к разным участкам спектра:
L-колбочки (Long) - наиболее чувствительны к красно-желтой области (длинные волны).
M-колбочки (Medium) - к зелено-желтой области (средние волны).
S-колбочки (Short) - к сине-фиолетовой области (короткие волны) .
Любой цвет - это результат разной степени возбуждения этих трех типов колбочек. Если все три типа колбочек возбуждены примерно одинаково, мы видим белый или серый цвет. Теория блестяще объясняет, почему мы видим желтый цвет при смешении красного и зеленого света на экране.
К сожалению, этот совершенный механизм может давать сбои.
Цветовая слепота (дальтонизм). Это нарушение цветового зрения, чаще всего врожденное. Оно связано с отсутствием или недостаточностью одного или нескольких типов колбочек.
Протанопия: отсутствие L-колбочек (слепота на красный цвет). Красный цвет кажется темным, путается с зеленым и синим.
Дейтеранопия: отсутствие M-колбочек (слепота на зеленый цвет). Зеленый неотличим от красного.
Тританопия: отсутствие S-колбочек (слепота на синий цвет). Встречается крайне редко.
Людей, у которых работают все три типа колбочек, называют трихроматами. Те, у кого работает только два типа, называют дихроматы. Полное отсутствие цветового зрения (монохромазия) встречается очень редко.
Еще одно нарушение так называемая "куриная слепота" (гемералопия). Это резкое ухудшение зрения в сумерках и полная потеря ориентации в темноте. Причина - нарушение работы палочек. Это может быть связано с недостатком витамина А (необходимого для синтеза родопсина), некоторыми заболеваниями сетчатки или врожденными патологиями. Человек с гемералопией днем видит нормально, а с наступлением сумерек перестает различать предметы.
Также очень важно для психологии зрительных ощущений понимать, что наше зрение инертно. Зрительное ощущение не возникает и не исчезает мгновенно вместе с действием раздражителя, а имеет некоторый период "последействия". Это явление лежит в основе последовательных образов.
Есть положительный последовательный образ. Это если вы посмотрите на яркий источник света, а затем закроете глаза или переведете взгляд на темный фон, вы еще какое-то время будете видеть светлое пятно той же формы. Это след от возбуждения сетчатки. Он соответствует по светлоте и цвету исходному стимулу.
А есть отрицательный последовательный образ. Это более интересный феномен. Если вы пристально посмотрите на ярко окрашенный предмет (например, красный квадрат) в течение 20-30 секунд, а затем переведете взгляд на белую стену, вы увидите на стене квадрат, но... зеленого цвета.
Попробуйте!
В чем же дело?
Этот эффект объясняется утомлением колбочек. Когда мы долго смотрим на красный цвет, интенсивно работают L-колбочки (чувствительные к красному), и их чувствительность временно падает (они "устают"). Когда мы переводим взгляд на белую стену, которая отражает все цвета, M и S колбочки (зеленые и синие) работают нормально, а уставшие L-колбоки посылают ослабленный сигнал. В результате суммарный сигнал от сетчатки оказывается сдвинут в сторону дополнительного цвета, в данном случае, голубовато-зеленого (циан), который является дополнительным к красному.
Вот еще довольно знаменитая иллюзия, построенная на этом принципе:
30 сек. смотрите на черную точку, потом переведите взгляд на белое поле
Помните, что восприятие цвета - это не просто физика и физиология. На него влияет окружение (цветовая индукция), прошлый опыт и даже наше эмоциональное состояние. Зеленый лист для художника-импрессиониста в тени может быть синим, и это будет правдой его восприятия.
Но об этом мы поговорим в другой раз!
P.S. Будет здорово, если вы будете дополнять или поправлять информацию в комментариях. Думаю в статье охвачено не всё многообразие наших зрительных ощущений.
