Для многих перспективных технологий и открытий необходимы переохлаждённые среды. Традиционно для этого используется жидкий гелий и его изотопы. Международная группа учёных во главе с китайскими исследователями нашла потенциальную замену гелию, который Китай вынужден импортировать на 94 %. Этой заменой может стать ещё неисследованная ранее разновидность сверхтекучего твёрдого тела на основе кобальта.

Почему ИИ никак не сесть на безматричную диету

Фитнес-браслет HUAWEI Band 10: настоящий металл

Пять причин полюбить HONOR Magic7 Pro

Обзор умных часов HUAWEI WATCH 5: часы юбилейные

Пять причин полюбить HONOR X8c

Пять причин полюбить HONOR Pad V9

Hollow Knight: Silksong — песнь страданий и радостей. Рецензия

HUAWEI FreeArc: вероятно, самые удобные TWS-наушники

ИИ-генерация «сверхтекучее твёрдое тело». Источник изображения: ИИ-генерация Кандинский 3.0/3DNews

Сверхтекучие твёрдые тела (supersolid) ещё никто не пытался использовать в качестве рабочего тела криогенной установки. Учёные обнаружили, что изучаемый ими «квантовый магнитный» материал на основе кобальта оказался способным понижать температуры до уровня ниже 1 К. Но следует сделать оговорку, это стало возможным только после охлаждения экспериментальной системы до 4 К. Тем самым совсем от охлаждения гелием отказаться нельзя, но повысить эффективность рефрижераторов можно. Это тем более важно, что самыми сложными являются последние этапы при достижении областей вблизи абсолютного нуля.

Изучением свойств сверхтекучих твёрдых тел для целей охлаждения занимались учёные из специализированной лаборатории Китайской академии наук, Школы физики Бэйханского университета и Центра нейтронных наук Института Лауэ-Ланжевена во Франции.

«Это исследование показывает, что теоретически мы можем достигать чрезвычайно низких температур, не полагаясь на гелий», — говорят авторы работы, которая недавно была опубликована в ведущем научном журнале Nature.

Китай оказался зависим не только от гелия и его изотопов. Под санкции также попали поставки в Китай таких криогенных установок, как рефрижераторы растворения. Понемногу в Китае учатся сами производить такие системы. Например, осенью прошлого о разработке собственной версии рефрижератора растворения заявила компания Origin Quantum, о которой мы недавно писали в связи с выделением в облачный доступ 72-кубитового квантового компьютера Wukong. Но для работы этой установки нужны изотопы гелий-3 и гелий-4, что снова возвращает к зависимости Китая от гелия. Поэтому можно не сомневаться, что если тема охлаждения с помощью сверхтекучих твёрдых тел будет иметь отчётливую перспективу, то она будет разработана по максимуму.

Стратегия HP в отношении продажи и поддержки принтеров уже давно является предметом претензий от клиентов из-за жёсткой позиции компании в отношении расходных материалов сторонних производителей. Владельцы принтеров HP, использующие неоригинальные картриджи, регулярно могут столкнуться с ситуацией, когда их принтер блокируется и отказывается печатать. Всё дело в том, что эти клиенты — «плохая инвестиция» для HP.

HUAWEI FreeArc: вероятно, самые удобные TWS-наушники

Фитнес-браслет HUAWEI Band 10: настоящий металл

Пять причин полюбить HONOR Pad V9

Обзор умных часов HUAWEI WATCH 5: часы юбилейные

Пять причин полюбить HONOR X8c

Hollow Knight: Silksong — песнь страданий и радостей. Рецензия

Пять причин полюбить HONOR Magic7 Pro

Почему ИИ никак не сесть на безматричную диету

Источник изображения: HP

Это лишь одно из бестактных высказываний, которые позволил себе генеральный директор HP Энрике Лорес (Enrique Lores) во время недавнего интервью телеканалу CNBC. Сначала вполне конструктивный разговор шёл о тенденциях рынка ПК и о влиянии на него искусственного интеллекта. Но после вопроса о коллективном иске, поданном против HP из-за её непреклонной политики в отношении расходных материалов для принтеров, Лорес заявил, что блокировкой принтеров при использовании неоригинальных картриджей HP защищает свою интеллектуальную собственность.

«Для нас важно защитить нашу интеллектуальную собственность. Существует много интеллектуальной собственности, которую мы встраиваем в картриджи с чернилами и в печатающие головки принтеров. И когда мы определяем картриджи, которые нарушают нашу интеллектуальную собственность, мы прекращаем работу принтера», — заявил Лорес.

Лорес уверен, что чернила сторонних производителей использовать нельзя, поскольку они не разработаны HP для её продуктов. В чём-то это обосновано — неоригинальные чернила сомнительного качества могут засорять печатающую головку. Но Лорес пошёл дальше — по его словам, картриджи сторонних производителей представляют угрозу безопасности. Он утверждает, что в них «могут внедряться вирусы», которые затем распространяют вредоносное ПО на принтер и, в конечном итоге, на компьютер пользователя.

По словам Лореса, HP стремится максимально упростить процесс печати, а картриджи сторонних производителей препятствуют этому стремлению. Комментируя претензию клиентов на искусственно завышенную стоимость чернил HP, Лорес откровенно заявил, что HP теряет деньги при продаже оборудования, а продажа чернил и других аксессуаров является частью бизнес-модели, при помощи которой HP получает прибыль.

«Мы объявили об этом несколько лет назад: нашей целью было сократить количество тех, кого мы называем “убыточными клиентами”, потому что каждый раз, когда клиент покупает принтер, для нас это инвестиция. Мы инвестируем в этого клиента, и, если он печатает недостаточно или не использует наши расходные материалы, это плохая инвестиция», — сказал Лорес.

Настоящая мотивация руководителя HP заключается в том, что компания стремится изменить саму модель взаимодействия с клиентом, стараясь внедрить «печать по подписке». Причём Лорес утверждает, что подобный подход должен «устранить препятствия для печати». Конечно, модель подписки может дать некоторые преимущества. Однако принуждение клиентов к переходу на неё может оказать обратный эффект, ведь клиенты голосуют своими кошельками, а альтернативы на рынке печатающих устройств имеются.

Загадочная физика так называемых странных металлов 40 лет ставит учёных в тупик. Проблески в понимании вопроса уже есть, но исследования продолжаются и открывают всё новые и новые необъяснимые свойства вещества. Свежее исследование показало, что электрический ток в странных металлах течёт с нарушением известной нам физики и учёные пока не понимают, почему это происходит.

Пять причин полюбить HONOR X8c

Пять причин полюбить HONOR Pad V9

Пять причин полюбить HONOR Magic7 Pro

Почему ИИ никак не сесть на безматричную диету

HUAWEI FreeArc: вероятно, самые удобные TWS-наушники

Фитнес-браслет HUAWEI Band 10: настоящий металл

Обзор умных часов HUAWEI WATCH 5: часы юбилейные

Hollow Knight: Silksong — песнь страданий и радостей. Рецензия

Источник изображения: ИИ-генерация Кандинский 2.2/3DNews

Странные металлы условно занимают промежуточное положение между диэлектриками и проводниками. У них уже есть свободные электроны, способные переносить электрический заряд (обеспечить течение тока), но они пока ещё не становятся проводниками в полном смысле этого слова. Начать понимать природу странных металлов помог синтез квантовой и классической физики. В то же время он показал, что тот же эффект электрического тока, например, мы понимали, скорее всего, неправильно.

В основе современной теории электрического тока лежит перенос заряда квазичастицами, представленными коллективными действиями электронов. Дискретная природа электрического тока проявляется в случае так называемого дробного шума, когда ток в сети проявляется всплесками, а не в виде равномерного переноса заряда постоянной величины. Чтобы узнать, как ток течёт в странных металлах, учёные создали такие условия, чтобы можно было следить едва ли не за каждым электроном.

В основе измерительного стенда лежали нанопроводники из соединения иттербия, родия и кремния (YbRh₂Si₂) шириной 200 нм и длиной 600 нм. Это соединение относится к странным металлам и, как и прочие странные металлы, обладает нетипичными свойствами вблизи абсолютного нуля. Если бы электрический ток тёк через этот материал так, как мы представляем — дискретно группами коррелированных электронов в виде квазичастиц, то ничего странного не произошло бы. Однако в ходе эксперимента учёные убедились, что ток продолжал течь плавно без свойственных дробному шуму флуктуаций как вода по широкому жёлобу.

Говоря иначе, заряд отчасти передавался как будто без участия электронов, что представляется невероятным. Возможно, в металлах происходит всё то же самое, и носителем заряда служит нечто другое помимо электронов. Несомненно в этом проявляются квантовые эффекты, но каким образом, физикам ещё предстоит объяснить.

Ответ на этот вопрос поможет приблизить открытие сверхпроводимости при обычной температуре, ведь одним из коренных свойств странных металлов является совершенно отличное от металлов поведение удельного сопротивления вблизи абсолютного нуля. У металлов оно меняется скачком от нуля до высокого, а у странных металлов вместо скачка оно растёт постепенно и линейно. Дотянуть бы его небольшим до высоких температур, и будет всем счастье в энергетике.

Исследователи Google DeepMind объявили, что им с помощью искусственного интеллекта удалось открыть 2,2 млн ранее неизвестных кристаллических материалов, из которых 380 тыс. признаны стабильными. Многие из них могут быть полезны в разных технологических областях: от батарей до сверхпроводников. Учёные с помощью роботизированной лаборатории смогли воспроизвести части этих материалов. Прежде на это ушли бы годы, а сейчас — полмесяца.

Почему ИИ никак не сесть на безматричную диету

Пять причин полюбить HONOR Magic7 Pro

Пять причин полюбить HONOR Pad V9

Фитнес-браслет HUAWEI Band 10: настоящий металл

HUAWEI FreeArc: вероятно, самые удобные TWS-наушники

Hollow Knight: Silksong — песнь страданий и радостей. Рецензия

Обзор умных часов HUAWEI WATCH 5: часы юбилейные

Пять причин полюбить HONOR X8c

Источник изображения: Google

Лаборатория A-Lab с помощью роботов оперирует самыми разными ингредиентами, такими как оксид никеля и карбонат лития, предназначена для получения новых и интересных экспериментальных материалов, некоторые из которых могут найти применения в будущих аккумуляторах. Результаты могут быть непредсказуемыми. Даже ученый-человек обычно не создаёт то, что нужно с первого раза. Поэтому иногда роботы производят просто красивый порошок. В других случаях это расплавленное клейкое месиво, или всё испаряется, и ничего не остаётся.

«В этот момент человеку придется принимать решение: Что мне теперь делать?», — говорит Гербранд Седер (Gerbrand Ceder), материаловед из Лаборатории Лоренса Беркли (LBL, Laboratory of Lawrence Berkeley) в Калифорнийском университете Беркли. Роботы должны то же самое. Они анализируют то, что получилось, корректируют рецепт и пробуют снова. И ещё раз. И снова. «Утром вы даёте им несколько рецептов, а когда возвращаетесь домой, у вас может получиться новое прекрасное суфле, — отмечает материаловед Кристин Перссон (Kristin Persson), сотрудница Седера в LBL. — А может быть, вы вернётесь в сгоревший беспорядок! Но, по крайней мере, завтра они сделают суфле намного лучше».

Недавно ассортимент «блюд», доступных роботам в LBL, вырос в геометрической прогрессии благодаря программе искусственного интеллекта, разработанной Google DeepMind. Алгоритм, получивший название GNoME, был обучен на основе данных из проекта «Материалы» — бесплатной базы данных, содержащей 150 000 известных материалов, которую курирует Перссон. Используя эту информацию, система искусственного интеллекта предложила проекты материалов, содержащие 2,2 миллиона новых кристаллов, из которых 380 000 были признаны стабильными. Они не разлагаются и не взрываются, а значит, наиболее подходят для синтеза в лаборатории, что расширило диапазон известных стабильных материалов почти в 10 раз. В статье, опубликованной сегодня в Nature, авторы пишут, что в этой расширенной базе данных может скрываться следующий инновационный твердотельный электролит, или материал для солнечных батарей, или высокотемпературный сверхпроводник.

Поиск иголок в стоге сена начинается с их изготовления, что является ещё одной причиной для быстрой и непрерывной работы. В ходе недавних экспериментов автономная лаборатория Седера в LBL смогла создать 41 теоретический материал с помощью GNoME за 17 дней, что помогло подтвердить дееспособность как модели ИИ, так и роботизированных методов лаборатории.

При принятии решения о том, можно ли на самом деле изготовить материал, будь то человеческими руками или руками робота, одним из первых вопросов является вопрос о его стабильности. Как правило, это означает, что совокупность атомов находится в минимально возможном энергетическом состоянии. В противном случае кристалл захочет превратиться во что-то другое. На протяжении тысячелетий люди постоянно пополняли список стабильных материалов, первоначально наблюдая за теми, что встречаются в природе, или открывая их благодаря элементарной химической интуиции или случайности. В последнее время материалы стали разрабатывать с помощью компьютеров.

Проблема, по мнению Перссон, заключается в предвзятости: со временем коллективные знания стали отдавать предпочтение определенным знакомым структурам и элементам. Материаловеды называют это «эффектом Эдисона»: знаменитый изобретатель активно использовал метод проб и ошибок при создании нити накаливания. В ходе подбора материала для неё были испытаны тысячи видов углерода, прежде чем учёный пришел к разновидности, полученной из бамбука. Венгерской группе потребовалось ещё десять лет, чтобы придумать использовать вольфрам. «Он был ограничен своими знаниями, — утверждает Перссон. — Он был предвзят, он был предубеждён».

Подход DeepMind призван преодолеть эти предубеждения. Команда начала с 69 000 материалов из базы данных, которая является бесплатной и финансируется Министерством энергетики США. Это было хорошее начало, поскольку база данных содержит подробную энергетическую информацию, необходимую для понимания того, почему одни материалы стабильны, а другие — нет. Но этих данных недостаточно, чтобы преодолеть то, что исследователь Google DeepMind Экин Догус Кубук (Ekin Dogus Cubuk) называет «философским противоречием» между машинным обучением и эмпирической наукой.

Как и Эдисон, ИИ борется за то, чтобы генерировать действительно новые идеи, выходящие за рамки того, что он видел раньше. «В физике вы никогда не займётесь изучением того, что уже знаете, — говорит он. — Вы почти всегда хотите обобщить то, что вам уже известно, — будь то открытие другого класса материалов для батарей или новой теории сверхпроводимости».

GNoME использует подход, называемый активным обучением. Сначала графовая нейронная сеть (GNN) использует базу данных материалов для изучения закономерностей в стабильных структурах и выяснения того, как минимизировать энергию атомных связей в новых структурах. Используя весь диапазон периодической таблицы Менделеева, она выдает тысячи потенциально стабильных кандидатов в материалы. Следующий шаг — их проверка и корректировка с помощью метода квантовой механики, называемого теорией функционала плотности, или DFT. На следующем этапе эти уточнённые результаты снова подключаются к обучающим датасетам, и процесс повторяется.

Источник изображения: Jenny Nuss/Berkeley Lab

Исследователи обнаружили, что при многократном повторении этот подход позволяет генерировать более сложные структуры, чем те, которые изначально были в датасете Materials Project, включая некоторые, состоящие из пяти или шести уникальных элементов. (Датасет, использовавшийся для обучения ИИ, в основном ограничивался четырьмя). Эти типы материалов включают так много сложных атомных взаимодействий, что они обычно не поддаются человеческой интуиции.

Но DFT — это только теоретическое обоснование. Следующий шаг — это реальное создание чего-либо. Поэтому команда Седера выбрала 58 теоретически возможных кристаллов для создания в лаборатории A-Lab. Учитывая возможности лаборатории и доступные компоненты, выбор был случайным. И поначалу, как и ожидалось, роботы терпели неудачи, а затем система неоднократно корректировала рецепты. После 17 дней экспериментов A-Lab удалось получить 41 стабильный материал, или 71 % от изначально выбранного перечня, причём иногда после опробования десятка различных рецептов.

Тейлор Спаркс (Taylor Sparks), материаловед из Университета Юты, не принимавший участия в исследовании, говорит, что видеть, как автоматика работает над синтезом новых типов материалов, многообещающе. Но использование искусственного интеллекта для предложения тысяч новых гипотетических материалов, а затем погоня за ними с помощью автоматики, просто нецелесообразна, добавляет он. GNN широко используются для разработки новых идей для материалов, но обычно исследователи хотят направить свои усилия на создание материалов с полезными свойствами, а не на слепое воспроизведение сотен тысяч таких материалов. «У нас уже есть слишком много вещей, которые мы хотели бы исследовать, но физически не смогли, — говорит он. — Я думаю, проблема в том, приближается ли этот масштабный синтез к количеству предсказанных материалов? Даже близко нет».

Лишь часть из 380 000 материалов, описанных в статье Nature, может быть создана на практике. Некоторые из них включают радиоактивные элементы, слишком дорогие или редкие. Некоторые потребуют синтеза в экстремальных условиях, которые невозможно создать в лаборатории, а каким-то нужны составляющие, которые учёным просто неоткуда взять. Это, скорее всего, относится даже к материалам, которые могут стать потенциально полезными при создании фотоэлектрического элемента или батареи следующего поколения. «Мы придумали много классных материалов, – утверждает Перссон. – Их изготовление и тестирование неизменно оказываются узким местом, особенно если речь идет о материале, который ещё никто не делал. Число людей, которым я могу позвонить из своего круга друзей и сказать: «Конечно, давайте я займусь этим для вас», – всего лишь один или два человека». «Действительно, неужели так много?» – с улыбкой спрашивает Седер.

Даже если материал может быть создан, предстоит долгий путь превращения базового кристалла в продукт. Перссон приводит в пример электролит внутри литийионного аккумулятора. Предсказания об энергии и структуре кристалла могут быть применены для решения таких задач, как определение того, насколько легко ионы лития могут перемещаться по нему – это ключевой аспект производительности. Но что не так легко предсказать, так это то, вступит ли этот электролит в реакцию с соседними материалами и не разрушит ли он всё устройство? К тому же, как правило, полезность новых материалов становится очевидной только в сочетании с другими материалами или при манипулировании ими с помощью химических добавок.

Тем не менее, расширение спектра материалов увеличивает возможности синтеза, а также предоставляет больше данных для будущих программ искусственного интеллекта, говорит Анатоль фон Лилиенфельд (Anatole von Lilienfeld), материаловед из Университета Торонто, который также не принимал участия в исследовании. Кроме того, это помогает материаловедам отвлечься от своих предубеждений и устремиться к неизведанному. «Каждый новый шаг, который вы делаете, – это фантастика, – восхищается он. – Этот шаг может открыть новый класс соединений».

Google также заинтересована в изучении возможностей новых материалов, созданных GNoME, говорит Пушмит Кохли (Pushmeet Kohli), вице-президент по исследованиям в Google DeepMind. Он сравнивает GNoME с AlphaFold, программным обеспечением компании, которое поразило структурных биологов своим успехом в предсказании того, как складываются белки. Обе программы решают фундаментальные проблемы, создавая архив новых данных, которые ученые могут изучать и расширять. Далее компания планирует заняться более конкретными проблемами, такими как поиск интересных свойств материалов и использование искусственного интеллекта для ускорения синтеза.

Обе эти задачи являются сложными, поскольку для начала обычно имеется гораздо меньше данных, чем для прогнозирования стабильности. Кохли говорит, что компания изучает возможности более непосредственной работы с физическими материалами, будь то привлечение сторонних лабораторий или продолжение академического партнерства. Он также добавил, что компания может создать собственную лабораторию, ссылаясь на Isomorphic Labs, подразделение DeepMind, занимающееся разработкой лекарств и основанное в 2021 году после успеха AlphaFold.

Всё может стать сложнее для исследователей, пытающихся применить материалы на практике. Проект «Материалы» популярен как среди академических лабораторий, так и среди корпораций, поскольку он допускает любой тип использования, включая коммерческие предприятия. Кандидаты в материалы, созданные Google DeepMind, выпускаются под отдельной лицензией, которая запрещает коммерческое использование. «Они выпускаются для академических целей, – поясняет Кохли. – Если люди захотят исследовать и изучить возможность коммерческого партнерства, мы будем рассматривать их заявки индивидуально в каждом конкретном случае».

Многие ученые, работающие с новыми материалами, отметили, что неясно, какое право голоса будет иметь компания, если тестирование в академической лаборатории приведет к возможному коммерческому использованию материала, созданного GNoME. Идея нового кристалла, не имеющая конкретного применения, как правило, не подлежит патентованию, и отследить её происхождение по базе данных может быть непросто.

Кохли также говорит, что, хотя данные и публикуются, в настоящее время нет планов выпускать модель GNoME. Он ссылается на соображения безопасности – по его словам, программное обеспечение теоретически может быть использовано для создания опасных материалов, – а также на неопределенность стратегии Google DeepMind в отношении материалов. «Трудно делать прогнозы относительно того, каким будет коммерческий эффект», – поясняет Кохли.

Спаркс ожидает, что его коллеги-ученые будут возмущаться отсутствием кода для GNoME в открытом доступе, как это делали биологи, когда AlphaFold была первоначально опубликована без полной модели. (Позже компания выпустила ее). «Это неприемлемо», – возмущается он. Другие материаловеды, вероятно, захотят воспроизвести полученные результаты и изучить способы улучшения модели или её адаптации к конкретным условиям использования. Но без модели они не смогут сделать ни того, ни другого.

Тем временем исследователи Google DeepMind надеются, что сотен тысяч новых материалов будет достаточно, чтобы теоретики и синтезаторы — как люди, так и роботы — не остались без дела. «Любая технология может быть улучшена с помощью лучших материалов. Это узкое место, – поясняет Кубук. – Вот почему мы должны развивать эту область, открывая новые материалы и помогая людям производить их ещё больше».