Серия «Наука»

Сегодня, 16 марта 2026 года, мы отмечаем ровно 100 лет одному из самых абсурдных, смешных и одновременно великих событий в истории человечества. Ровно век назад стартовала первая в мире ракета на жидком топливе.

Но самое смешное в этой истории — не сам полет, а то, как один упрямый чувак с паяльной лампой эпично унизил самых заносчивых медиа-экспертов своего времени.

Знакомьтесь: Роберт Годдард. Гений-одиночка, которого вся Америка считала поехавшим фантазером:

На черно-белой фотографии запечатлен Роберт Годдард в зимнем пальто и шляпе, стоящий на заснеженном поле. Одной рукой он держится за пусковую раму, внутри которой установлена тонкая ракета из металлических трубок с необычным расположением двигателя в верхней части. Авторы: Esther C. Goddard. Источник: Great Images in NASA.

За шесть лет до исторических событий, в 1920 году, уважаемая (и очень надменная) газета The New York Times выпустила разгромную редакционную статью, где раскатала Годдарда в пух и прах за его идею полета на Луну. Журналисты писали:

«Профессору не хватает базовых знаний, которые ежедневно вдалбливают в средних школах! В космосе вакуум, там нет воздуха, от чего его ракете отталкиваться?!»

Газетчики радостно прилепили ему кличку «Лунный сумасшедший», и все подхватили: ха-ха-ха, дурачок, иди учи физику.

Что сделал Годдард? Он не пошел ругаться в Твиттер (за неимением оного). Он молча пошел на задний двор фермы своей тёти Эффи в Массачусетсе и собрал из водопроводных труб, бензина и жидкого кислорода трехметровую ракету. Скромно назвал её «Нелл».

Конструкция была… специфичной. Годдард тогда думал, что ракета полетит стабильнее, если двигатель будет тащить баки за собой — ну, как лошадь тянет телегу. Поэтому двигатель был сверху, а баки внизу.

А теперь оцените уровень техники безопасности 1926 года. Запалом служили обычные спичечные головки. Чтобы поджечь эту адскую трубу с топливом и не отправиться к праотцам, ассистент Годдарда привязал паяльную лампу к длинной палке.

Процедура старта: мужик тянется палкой со струей огня к верхушке ракеты, поджигает спички, бросает палку и со всех ног бежит прятаться за хлипкую деревянную дверь, которую заботливо подперли бревном. Сам Годдард сидел в сугробе за куском листового железа, как в окопе.

«Пламя вырвалось, стоял непрерывный рев…» — романтично записал позже Годдард в дневнике. — «Казалось, она сказала: «Я тут уже достаточно побыла, пожалуй, полечу куда-нибудь ещё»».

И она полетела!
На целых 2,5 секунды.
На жалкие 12,5 метров в высоту.
Прямо в промёрзшую капусту тёти Эффи, рухнув в 56 метрах от старта со скоростью 96 км/ч.

Тётя Эффи до сих пор не оставила комментариев (история умалчивает, отхлестала ли она племянника полотенцем за сожженный урожай). Местные репортеры тоже промолчали — то ли Годдард хорошо всё убрал, то ли журналистам было лень тащиться за город смотреть на какую-то дымящуюся трубу в грядках.

43 года медийного позора

Годдард умер в 1945-м, так и не дождавшись прижизненного триумфа. Журналистам понадобилось целых 43 года медийного позора с момента того самого запуска в капусту, чтобы признать, что физику за 8 класс прогуливали именно они.

17 июля 1969 года — в день, когда ракета миссии «Аполлон-11» уже летела к Луне (на секундочку, благодаря его чертовым идеям!) — The New York Times тихонько, в самом незаметном уголке газеты, напечатала крошечное извинение:

«Дальнейшие исследования подтвердили… ракета может работать в вакууме. Газета сожалеет об ошибке».

Никакого «Прости, Роберт, мы сломали тебе жизнь и затормозили науку». Никакого упоминания высадки на Луну. Просто сухое канцелярское «ну ладно, мы не знали третий закон Ньютона, бывает». Классика диванной аналитики!

Сегодня, ровно 100 лет спустя, когда огромный Starship Илона Маска красиво и итеративно взрывается над океаном, а ступени Falcon 9 буднично садятся на хвост — это всё огромный пламенный привет от дяди Роберта из 1926 года. С его капустой, спичками и паяльной лампой на палке.

Мораль для всех, кто сейчас пытается что-то создать, а в комментах пишут «это невозможно и ты идиот»

Не слушайте умников в пиджаках. Делайте. Даже если ваша первая версия улетает прямиком в капусту. А если родственники начнут орать за испорченный огород — просто скажите: «Узбагойся, тёть. Через 100 лет об этом напишут в интернете».

А теперь признавайтесь: кто готов запускать свою «ракету» несмотря на хейт — ставьте «+» в комментах. А кто бы как нормальный сосед сразу вызвал полицию за взрывы на огороде — тоже пишите, интересно сравнить!

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

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.

Источники

• Why simulating an entire cell cycle took years, multiple GPUs and six days per run — phys, авторы: University

• Team simulates a living cell that grows and divides — Chemistry — chemistry.illinois, авторы: Diana Yates; Illinois News Bureau

• Team simulates a living cell that grows and divides — eurekalert

• Minimal Cell Simulation Recreates Full Cell Cycle Dynamics — letsdatascience

• Bringing the genetically minimal cell to life on a computer in 4D — Cell, авторы: Zane R. Thornburg, Andrew Maytin, Angad P. Mehta, Taekjip Ha, John I. Glass, Zaida Luthey-Schulten et al.

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

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.

Источники

• Movie reconstruction from mouse visual cortex activity — eLife, авторы: Joel Bauer, Troy W Margrie, Claudia Clopath

• Movie reconstruction from mouse visual cortex activity (Reviewed Preprint) — eLife, авторы: Joel Bauer, Troy W Margrie, Claudia Clopath

• Movies reconstructed from mouse brain activity — EurekAlert!, авторы: University College London

Сегодня технологический мир обсуждает не очередную большую языковую модель, а микроскопическое насекомое в виртуальной среде. 6 марта 2026 года стартап из Сан-Франциско Eon Systems объявил о создании первой в мире полноценной эмуляции мозга плодовой мушки (Drosophila melanogaster), подключенной к физически симулированному телу. Загруженный в компьютер коннектом из 125 тысяч нейронов и 50 миллионов синапсов начал самостоятельно управлять виртуальным телом в гравитационной среде, совершая осмысленные движения — от ходьбы до умывания — без единой строчки кода, предписывающей ему, как именно нужно двигаться.

Эмуляция мозга дрозофилы в физическом симуляторе

Изображение, демонстрирующее переход от статической карты нейронных связей к многовекторной поведенческой модели виртуального насекомого. На графиках отражена электрическая активность скопированных узлов. Авторы: Dr Alex Wissner-Gross. Источник: theinnermostloop.substack.com.

Имитация против клонирования

Мы привыкли думать, что цифровой разум зародится в гигантских серверных фермах путем усложнения математических алгоритмов. Подход Eon Systems предлагает принципиально иную парадигму: вместо того чтобы конструировать разум с нуля, исследователи скопировали существующий биологический аппарат нейрон за нейроном и нажали кнопку запуска.

Разницу между тем, что делают традиционные ИИ-лаборатории, и тем, чего добилась Eon, легко упустить. Не так давно DeepMind в сотрудничестве с исследовательским кампусом Janelia также показали виртуальную муху, уверенно шагающую в симуляторе. Однако архитектурно это совершенно разные сущности. Муха от DeepMind управляется алгоритмами обучения с подкреплением — это нейросеть, которая методом миллионов проб и ошибок научилась максимизировать заданную программистами функцию (например, идти вперед и не падать).

Модель Eon не училась ходить ради математической награды. Ее виртуальное тело движется исключительно потому, что цифровые нейроны внутри симулятора вспыхивают в той же последовательности и передают сигналы через те же 50 миллионов синапсов, что и в мозге живого насекомого. Аналитики сравнивают ИИ-модели с гениальным актером, который довел до совершенства подражание исторической личности, в то время как эмуляция коннектома — это физическое клонирование самого разума.

Анатомия цифрового мозга

Фундамент нынешнего прорыва был заложен в 2024 году, когда в журнале Nature вышла этапная статья старшего научного сотрудника Eon Филипа Шиу и его коллег. Опираясь на данные коннектома FlyWire (полной карты связей мозга дрозофилы, полученной с помощью электронной микроскопии), ученые создали вычислительную модель всего мозга взрослой дрозофилы. Модель учитывала не только проводку, но и химию: алгоритмы машинного обучения предсказали тип нейромедиатора для каждого синапса — является ли он возбуждающим, тормозящим или модулирующим.

Исследователи применили элегантный математический подход — модель типа «интегрируй и срабатывай с утечкой». Они намеренно проигнорировали сложную физическую морфологию клеток, внутренние состояния и влияние дальнодействующих гормонов. Каждому узлу присвоили лишь вес связи и тип нейромедиатора, предсказанный машинным обучением: возбуждающий сигнал заставляет следующий нейрон деполяризоваться, а тормозящий — снижает его заряд.

Результат превзошел ожидания. Модель смогла с точностью более 90 процентов предсказывать реальные сенсомоторные реакции мухи. Ученые виртуально стимулировали вкусовые рецепторы и наблюдали, как цифровой мозг посылает команду моторным нейронам на вытягивание хоботка для питья сладкой воды. Когда же они активировали рецепторы горечи, цифровой мозг мгновенно тормозил пищевой рефлекс.

Точно так же стимуляция виртуальных механических рецепторов на антеннах приводила к активации нейронов, отвечающих за груминг — чистку усиков. Статья в Nature доказала главное: для воссоздания базовой логики работы мозга не нужно симулировать каждую белковую молекулу, достаточно точной топологии связей и химической полярности синапсов.

Замыкая сенсомоторную петлю

Но у модели образца 2024 года был критический изъян — она существовала в информационном вакууме. Моторные команды генерировались, но никуда не вели. Нейроны давали приказ согнуть лапку или вытянуть хоботок, но в симуляторе не было ни лапки, ни хоботка. Эту проблему основатели Eon метко назвали «активацией без физики». Без гравитации и тактильного сопротивления поверхности, отчитывающихся обратно в центральную нервную систему, биологическое уравнение оставалось решенным лишь наполовину.

Для решения задачи изоляции стартап Eon Systems интегрировал эмуляцию мозга в биомеханический каркас NeuroMechFly v2, работающий в мощном физическом движке MuJoCo. Теперь, когда виртуальная лапка касается цифровой поверхности, симулированное тактильное напряжение генерирует сенсорный сигнал. Этот сигнал не запускает прописанный программистами скрипт — он органически распространяется через всю сеть. Мозг обрабатывает массив данных и посылает новую мышечную команду обратно в виртуальное тело, которое отталкивается от виртуальной земли.

Сенсомоторная петля восприятия, обработки и действия замкнулась. В результате цифровая дрозофила демонстрирует множественные нескриптованные типы поведения, являющиеся чисто эмерджентным свойством ее структуры. Как лаконично заявил основатель компании Майкл Андрегг, переосмысляя знаменитый философский тезис Декарта о разрыве между телом и душой: дух больше не живет в машине — машина сама становится духом. Работоспособность такого подхода подтверждают и независимые институты: Национальные лаборатории Сандия успешно запустили этот коннектом дрозофилы на новейшем нейроморфном чипе Intel Loihi 2, доказав возможность аппаратного ускорения симуляции.

Симуляция мышиного мозга и барьер масштабирования

Для индустрии это колоссальный скачок. Самым известным предшественником в области воплощенной биологической симуляции был проект OpenWorm, моделировавший червя C. elegans. Но его нервная система состояла всего из 302 нейронов. Переход от 302 узлов к 125 тысячам — это преодоление качественного порога, после которого нейробиология переходит от наблюдений к инженерным тестам.

В Eon Systems прямо заявляют, что дрозофила — это не финиш, а лишь стартовый выстрел. Следующая цель компании — полная цифровая эмуляция мозга мыши, что потребует картографирования около 70 миллионов нейронов. Это 560-кратное увеличение количества базовых узлов, за которым следует экспоненциальный взрыв числа синаптических связей.

Сбор биологических данных такого объема упирается в фундаментальные законы физики: стандартные электронные микроскопы не могут сканировать столь большие объемы на наноуровне из-за дифракционного предела. Чтобы обойти это, Eon использует метод экспансионной микроскопии. Ткань мозга физически пропитывают специальным полимером, который при контакте с водой разбухает во все стороны, сохраняя идеальные пропорции. Мозг буквально «надувают», делая синапсы достаточно крупными для четкого сканирования. Статическая структура затем дополняется данными о химическом трафике — для этого ученые фиксируют десятки тысяч часов вспышек активности в живой нервной ткани.

Проблема масштабирования от 125 тысяч нейронов мухи к 70 миллионам нейронов мыши заключается не только в сборе данных. Исследователи сталкиваются с суровой физикой вычислений. Поддержание работы такой матрицы и симуляция ее нелинейной динамики в реальном времени потребует астрономических мощностей. Помимо гигантских объемов хранения информации и процессорной нагрузки, критическим инженерным барьером становится энергопотребление оборудования. Непрерывная эмуляция десятков миллионов узлов генерирует колоссальное количество тепла, что делает терморегуляцию аппаратной инфраструктуры одной из главных задач проекта на данном этапе.

Несмотря на технические трудности, успех с мухой доказывает, что фундаментальная научная загадка перевода статической биологической карты в цифровую сущность решена. Как отмечает сооснователь Eon Алекс Висснер-Гросс, барьер на пути к эмуляции человеческого мозга перестал быть вопросом фундаментальной науки и превратился в инженерную задачу масштабирования.

Стартап планирует достичь уровня человеческого коннектома (около 86 миллиардов нейронов) примерно к 2030 году. Проект уже привлекает внимание энтузиастов цифрового бессмертия — в социальных сетях формируются сообщества, готовые финансировать исследования, а добровольцы выражают интерес к процедуре деструктивного сканирования мозга для последующего переноса разума в облако. Вопрос лишь в том, на каком этапе масштабирования цифровой двойник с идеальной динамикой нейронов перестанет быть просто качественной симуляцией и обретет субъективную реальность своего оригинала.

Парадокс Кощея: моральная цена бессмертия

Однако технологический прорыв неизбежно сталкивает нас с глубочайшей моральной дилеммой. Человечество тысячелетиями мечтало о вечной жизни, и сейчас разум этой мухи фактически обрел бессмертие в цифровом виде. Биологический оригинал уже мертв, но его сознание и рефлексы продолжают бесконечно функционировать в виртуальном пространстве.

Удивительно, насколько эта концепция перекликается с древними мифами — в частности, со сказками о Кощее Бессмертном. Традиционно его описывают как бессмертного ходячего скелета. Но с точки зрения анатомии у скелета просто не может быть живого биологического мозга. Логически рассуждая, сказочный Кощей больше похож на Терминатора — стального андроида, лишенного плоти. Его разум не находится в черепе, он является симуляцией, цифровой копией некогда реального человека, которая управляет телом дистанционно. Смерть Кощея, спрятанная на конце иглы в яйце — это поразительно точная метафора удаленного сервера, на котором надежно изолирован исходный цифровой код личности.

Именно к созданию таких «цифровых Кощеев» нас ведет технология эмуляции мозга. Добровольцы из технологического и криптосообщества уже проявляют интерес к процедуре деструктивного сканирования мозга ради переноса своего разума в облако или роботизированное тело. Но если ваш мозг уничтожат ради идеального сканирования, а затем запустят в симуляторе с идентичной нейронной динамикой — кто именно проснется в этом новом цифровом мире? Будете ли это действительно вы, обретший бессмертие, или лишь идеальный программный двойник, повторяющий ваши мысли? Ответа на этот вопрос у инженеров пока нет, но задавать его придется уже в ближайшее десятилетие.

Источники

• The First Multi-Behavior Brain Upload — The Innermost Loop — theinnermostloop.substack, Авторы: Dr Alex Wissner-Gross

• A Drosophila computational brain model reveals sensorimotor processing — nature, Авторы: Philip K. Shiu et al.

• Drosophila Melanogaster — Brain Connectome on Loihi 2 — arXiv — arxiv, Авторы: Felix Wang

• Notable Progress Has Been Made in Whole Brain Emulation — lesswrong, Авторы: Dom Polsinelli

• The First Digital Brain Just Walked: Fruit Fly Emulation Signals … — xrom, Авторы: Eddie Avil

Команда физиков из Университета Орегона построили первую компьютерную модель «идеального стекла» — материала, где молекулы упакованы так плотно и стабильно, как в кристалле, но при этом сохраняют аморфную структуру обычного стекла. Работа открывает совершенно новый путь к созданию сверхпрочных металлических стёкол, которые можно будет просто отливать, как пластик.

Как родилась идея обойти природу

Всё началось в 1948 году, когда химик Уолтер Каузманн из Принстона заметил странную закономерность. При охлаждении жидкости её энтропия падает быстрее, чем у кристалла. Теоретически должен был наступить момент, когда аморфное состояние окажется термодинамически стабильнее кристаллического. Но как такое возможно? Беспорядок, который при этом оказывается идеально упорядоченным?

Никто не смог получить такое состояние ни в природе, ни в обычных симуляциях. Охлаждение всегда либо превращало материал в кристалл, либо оставляло его в нестабильном стекле. Эрик Корвин и его команда решили не повторять путь природы. «Мы подумали, что, возможно, сможем просто сразу перейти к нему, — вспоминает Корвин. — Мы можем создать наилучшую из возможных структур».

Построение совершенного хаоса

На высокопроизводительном кластере Университета Орегона физики начали с двумерного мира полидисперсных дисков — частиц с разными радиусами, взятыми из логнормального распределения с 20-процентным разбросом. Сначала диски случайным образом разместили в квадратной ячейке и минимизировали энергию, разрешив им менять не только положение, но и размер. Затем по радикалам построили полную триангуляцию Делоне и с помощью специальных множителей Лагранжа превратили систему в идеально зажатую сеть: каждый диск теперь касается ровно шести соседей, как в кристалле, но без малейшего намёка на повторяющийся порядок.

Результат получился поразительным. Плотность новой упаковки достигла φ ≈ 0,910 — это выше, чем у самых плотных обычных аморфных стекол (0,849) и даже чуть выше, чем у гексагональной кристаллической решётки из тех же дисков. Конфигурационная энтропия в термодинамическом пределе стремится к нулю: графическая структура триангуляции имеет единственное решение.

Кристаллическая прочность без единой симметрии

И вот здесь начинается самое интересное. Полученная структура ведёт себя не как обычное стекло, а как идеальный кристалл. Модули объёмного сжатия и сдвига остаются высокими даже при нулевом давлении. Спектр колебаний следует закону Дебая — без низкочастотного хвоста и знаменитого «бозонного пика», который всегда выдают обычные аморфные материалы. Система демонстрирует гиперравномерность: крупномасштабные флуктуации плотности подавлены сильнее, чем в любом известном стекле. Температура плавления и плотность плавления тоже аномальны — идеальное стекло держится дольше и «тает» при более низкой плотности.

«Вывод заключается в том, что наша структура механически ведёт себя идентично кристаллу, хотя она полностью аморфна», — подчёркивает Корвин.

Что это меняет для реального мира

Сегодня металлические стёкла — один из самых перспективных материалов: они невероятно прочные и упругие, но производить их крайне сложно, потому что нужно охлаждать расплав со скоростью миллионы градусов в секунду. Теперь у инженеров появляется ориентир. Понимание идеального состояния позволит создавать сплавы, которые легче переходят в стеклообразную фазу и не требуют экстремальных условий.

«Можно было бы отливать двигатель автомобиля, можно было бы отливать истребитель, — говорит Корвин. — Это было бы революционно».

Команда уже планирует перенести подход в трёхмерное пространство, хотя прямое копирование метода не сработает. А пока идеальные упаковки станут мощным инструментом для исследования всего «энергетического ландшафта» стеклообразных систем: добавляя дефекты шаг за шагом, физики смогут наконец понять, почему обычные стёкла ведут себя именно так, а не иначе.

Метод, разработанный орегонскими физиками, не только разрешил одну из самых давних загадок физики стекла, но и дал исследователям удобный инструмент для создания хорошо уравновешенных моделей аморфных систем. Из хаоса они впервые извлекли структуру, обладающую всеми механическими и термодинамическими свойствами идеального кристалла, показав, что беспорядок способен быть столь же совершенным, как и кристаллический порядок.

Источники

• Ideal Glass and Ideal Disk Packing in Two Dimensions — PubMed — pubmed.ncbi.nlm.nih, Авторы: Viola M Bolton-Lum; R Cameron Dennis; Peter K Morse; Eric I Corwin

• Physicists mathematically create the first ‘ideal glass’ — EurekAlert! — eurekalert

• Simulations show a path to ‘ideal glass’ with crystal-like entropy — phys, Авторы: Ingrid Fadelli

• Scientists Create First Computer Model of ‘Ideal Glass’ — Eugene Today — nationaltoday

• The Ideal Glass and the Ideal Disk Packing in Two Dimensions (arXiv:2404.07492v2) — arXiv, Авторы: Viola M. Bolton-Lum и др.