Fizycznie rzecz biorąc, piana to układ dyspersyjny gazu w cieczy. Przykładem może być piana do kąpieli, pianka do golenia, bita śmietana czy piana gaśnicza. Pod pewnymi względami piany mechanicznie przypominają ciała stałe: mniej więcej zachowują swój kształt i mogą odkształcać się pod wpływem nacisku. Jednak na poziomie mikroskopowym są materiałami „dwufazowymi”, zbudowanymi z pęcherzyków zawieszonych w cieczy lub ciele stałym. Ponieważ są stosunkowo łatwe do wytworzenia i obserwacji, a jednocześnie wykazują złożone właściwości mechaniczne, od dawna służą jako systemy modelowe do badania innych materiałów, w tym żywych komórek.

Przez dziesiątki lat naukowcy zakładali, że piany zachowują się jak szkło, a ich mikroskopijne składniki są uwięzione w statycznych, nieuporządkowanych konfiguracjach.

Jak jednak odkryli inżynierowie z University of Pennsylvania School of Engineering and Applied Science (USA), choć piana zachowuje swój zewnętrzny kształt, wewnątrz zachodzą ciągłe ruchy pęcherzyków. Co może się wydawać niezwykłe, pod względem matematycznym owe ruchy pęcherzyków przypominają procesy głębokiego uczenia się wykorzystywane do trenowania nowoczesnych systemów sztucznej inteligencji.

Odkrycie to może sugerować, że uczenie się, w szerokim sensie matematycznym, może być wspólną zasadą organizacyjną w systemach fizycznych, biologicznych i obliczeniowych oraz stanowić podstawę koncepcyjną dla przyszłych prac nad projektowaniem materiałów adaptacyjnych. Odkrycie to może również rzucić nowe światło na struktury biologiczne, które nieustannie się przebudowują, zachowując jednocześnie ogólną strukturę – na przykład cytoszkielet, wewnętrzne rusztowanie żywych komórek.

Autorzy wykorzystali symulacje komputerowe do śledzenia ruchu pęcherzyków w pianie. Zamiast ostatecznie pozostać w miejscu, pęcherzyki meandrowały, przechodząc przez możliwe konfiguracje. Matematycznie rzecz biorąc, proces ten przypomina ciągłe dostosowywanie parametrów systemu sztucznej inteligencji w procesie głębokiego uczenie się. Ucząc się, systemy sztucznej inteligencji nieustannie dostosowują swoje parametry – wartości liczbowe, które kodują to, co „wiedzą”.

Głębokie uczenie się używa algorytmów optymalizacyjnych związanych z matematyczną techniką „gradientu spadkowego”, która polega na wielokrotnym przesuwaniu systemu w kierunku, który najbardziej poprawia jego wydajność. Gdyby wewnętrzna reprezentacja danych treningowych AI była krajobrazem, optymalizatory kierowałyby system w dół, krok po kroku, w kierunku konfiguracji, które zmniejszają błąd – tych, które najlepiej pasują do wcześniejszych przykładów.

„Piany nieustannie się reorganizują” – wskazał John C. Crocker, profesor inżynierii chemicznej i biomolekularnej (CBE) i współautor artykułu. „Uderzające jest to, że piany i współczesne systemy sztucznej inteligencji zdają się kierować tymi samymi zasadami matematycznymi. Zrozumienie, dlaczego tak się dzieje, wciąż pozostaje otwarte, ale może zmienić nasze podejście do materiałów adaptacyjnych, a nawet systemów żywych” - dodał.

Paweł Wernicki (PAP)

pmw/ agt/