Самособирающиеся наноструктуры: от молекулярной липучки до сложных объектов.

Исследователи разработали строительные «наноблоки» на основе ДНК, которые могут самособираться, образуя сложные структуры, такие как наноконтейнеры и небольшие нанометрические объекты. Метод основан, в частности, на естественной способности ДНК к сворачиванию, что позволяет создавать универсальные и настраиваемые наноструктуры. Это может открыть путь для различных применений, особенно в биотехнологии и электронике.

ДНК является прекрасным материалом для самосборки наноструктур благодаря наличию специфических мест связывания, а также лёгкости синтеза и химической модификации. Один из наиболее перспективных подходов — «ДНК-оригами», основанный на естественной способности нитей складываться. Длинные одноцепочечные ДНК складываются и собираются в сшитые наноструктуры, используя более короткие нити в качестве скрепок для формирования двухспиральных ДНК.

Однако практическое применение ДНК-оригами ограничено по мере увеличения длины и сложности наноструктур. Длина нитей, используемых для складывания, обычно не превышает 10 000 нуклеотидов. Исследования показали, что оригами-сборка субъединиц ДНК может стать ключом к преодолению этого ограничения. Однако этот подход даёт низкий выход двумерных наноструктур, а трёхмерным не хватает стабильности.

С другой стороны, существующие подходы обычно опираются на фиксированные связи между субъединицами для достижения высокого уровня стабильности. Однако для реконфигурации наноструктур требуется высокий уровень гибкости и легко перепрограммируемые модули.

Чтобы преодолеть эти трудности, команда из Наноинститута при Сиднейском университете (Австралия) предлагает модульные ДНК-«воксели» с внутренними и внешними связями, которые можно переключать между неактивным, жёстким и гибким состояниями. Воксели являются трёхмерными, в отличие от пикселей, которые являются двумерными. Это позволяет создавать универсальные оригами из ДНК, способные самособираться в сложные трёхмерные структуры.

Такая универсальность позволяет создавать высокопрограммируемые наноструктуры, приспособленные к выполнению определённых функций. По словам Шелли Викхэм (Shelley Wickham) из Сиднейского университета, соавтора исследования: «Полученные результаты немного напоминают те, что получаются при использовании детской инженерной игрушки Meccano. Но вместо того чтобы использовать металл или струны в макроскопическом масштабе, мы используем биологию в нанометрическом масштабе для создания роботов с огромным потенциалом».

Самостоятельная сборка блоков с помощью молекулярной липучки.

 Первый этап подхода, описанный в журнале Science Robotics, включает в себя изготовление вокселей из ДНК, выделенной из вируса-бактериофага. ДНК сворачивалась в цилиндры, образуя отдельные строительные блоки. Чтобы сформировать более крупные структуры, воксели самособираются с помощью более коротких синтетических нитей, которые выступают в качестве программируемых мест связывания в заранее определённых местах.

Исследователи синтезировали 300 таких коротких нитей, каждая из которых имела уникальную последовательность, чтобы они могли специфически связываться с соответствующими частями. «Эти участки действуют как липучки разных цветов, созданные таким образом, чтобы соединять только нити соответствующих цветов (по сути, комплементарные последовательности ДНК)», — объясняет ведущий автор исследования Минь Три Луу. Такой подход позволяет точно контролировать способ соединения вокселей, что даёт возможность создавать настраиваемые наноструктуры.

Чтобы проверить эффективность и точность своей методики, исследователи создали более 50 нанометрических структур, включая дракона, динозавра и крошечную карту Австралии шириной всего 150 нанометров. Сложность этих структур требует компактных и гибких деталей, которые невозможно собрать случайным образом. «Наша работа иллюстрирует многообещающий потенциал ДНК-оригами для создания универсальных и программируемых наноструктур», — говорит Луу.

Наноструктуры, созданные исследователями в качестве доказательства концепции, и диаграммы, описывающие процесс сборки вокселей. © Сиднейский университет.

Потенциальные применения в наномедицине и электронике.

Технология может быть использована для создания наноконтейнеров, способных целенаправленно доставлять лекарственные препараты. В частности, их можно будет сконструировать таким образом, чтобы они реагировали на определённые биологические сигналы (температура, pH, уровень гормонов и т.д.), и лекарство доставлялось только один раз в целевую область. Такой подход может повысить эффективность лечения при минимизации побочных эффектов. Автономные нанороботы, предназначенные для обнаружения и уничтожения раковых клеток, также могли бы найти интересное применение.

В настоящее время исследователи изучают возможность создания новых вокселей, способных изменять свои свойства в ответ на раздражители окружающей среды. «Эта работа позволяет нам представить мир, в котором нанороботы могут выполнять широкий спектр задач, от лечения человеческого тела, до создания футуристических электронных устройств», — объясняет Уикхем.

Команда также исследует энергоэффективные методы обработки оптических сигналов. Используя свойства ДНК-оригами, этот подход может повысить скорость и точность обработки оптических сигналов, что откроет путь для новых технологий визуализации и обнаружения.

Видео, демонстрирующее воксели, которые самособираются, образуя наноразмерного «динозавра»: https://vkvideo.ru/video-61971...

Источник: https://new-science.ru/samosob...

В.К. Помнится в конце девяностых или начале двухтысячных, сейчас уже не помню, на портале Макспарк в разделе "Изобретения", я предложил идею молекулярных самостыкующихся электрических разъёмов и проводников на базе ко-валентных молекулярных связей. Разъёмы, можно сказать, вечные с большими возможностями. И вот похоже, к нечто подобному уже приходим.

И вот ещё хотелось бы кое-что добавить по этой тематике, не имеющего отношения к наноматериалам и нанотехнологиям, но определённо относящееся к отношения людей с природой в понимании её сути и, к тому же, несколько с критической токи зрения. И, на мой взгляд, это важно.

Китай окружил «Море смерти» зелёным поясом.

В Китае завершилось создание зелёного защитного пояса вокруг пустыни Такла-Макан, известной как «Море смерти», в Синьцзян-Уйгурском автономном районе. Этот проект стал важным шагом в сохранении экологического баланса региона. Защитный пояс сыграет ключевую роль в борьбе с опустыниванием, предотвращая дальнейшее распространение песков.

Часть зелёного пояса пустыни Такла-Макан / © SCMP.

Площадь пустыни Такла-Макан составляет 337 600 квадратных километров, а длина окружности — 3046 километров, что делает её крупнейшей пустыней в Китае и второй по величине подвижной песчаной пустыней в мире.

Зелёный пояс призван предотвратить опустынивание и стимулировать местную экономику.

Источник: https://naked-science.ru/commu...

В.К. На мой взгляд, хорошее начинание, но только как начинание. Необходимо не окружать пустыню "зелёным поясом", а всю её превращать в зелёный пояс иначе, пустыня сожрёт весь этот "зелёный пояс".

И ещё одно, касающееся ИИ.

Сильный ИИ — пока утопия: специалист объяснил, почему подобная человеку нейросеть не появится в ближайшие 20 лет.

Математические расчёты нейросетей всегда верны. Однако людей часто не устраивают результаты этих вычислений — тогда говорится об ошибках ИИ. Больше всего этой проблеме подвержены большие языковые модели (large language model, LLM), такие как ChatGPT. Кроме того, их работа требует огромных затрат электроэнергии. Об этом в интервью RT рассказал генеральный директор Smart Engines доктор технических наук Владимир Арлазаров. По его словам, ажиотаж вокруг LLM может смениться разочарованием, и тогда из отрасли начнётся отток инвестиций, как это было в 1970-е, во время первой «зимы искусственного интеллекта». Завышенные ожидания от ИИ могут сослужить технологии плохую службу. При этом прикладные, «скучные» нейросети могут значительно улучшить повседневную жизнь людей.

Gettyimages.ru © gorodenkoff.

— Генеративные нейросети «врут» почти в 60% случаев. Это выявил новый бенчмарк (тестировщик) SimpleQA компании OpenAI. Как показало тестирование, даже самые передовые модели демонстрируют крайне низкие показатели успешности. Ошибки какого рода чаще всего допускают нейросети?

— Начну с того, что генеративные нейросети и большие языковые модели (large language model, LLM) — это не одно и то же. Здесь речь идёт именно об LLM — ярким примером такой нейросети является ChatGPT.

Большие языковые модели оперируют последовательностями слов. На любой вопрос они должны дать ответ — любой. Проверить его достоверность они не могут, поскольку не обладают полнотой знаний о мире, какая есть у человека. Задача лингвистических моделей не дать правдивый ответ, а выстроить согласованную цепочку слов и фраз. Данные рассматриваются не с точки зрения соответствия нашей, человеческой истине, а как кирпичики для создания внешне связного текста. То есть воспроизводится не суть и содержание речи, а её внешняя форма.

Так что если какие-то типы нейросетей станут прародителями так называемого генерального — или сильного — искусственного интеллекта, то это будут, скорее всего, не LLM.

И при этом именно LLM стали объектом ажиотажного интереса в последнее время. Несколько лет назад даже сообщалось о появлении целого культа ИИ, подобного квазирелигии (её основал бывший сотрудник Google Энтони Левандовски). Хотя это то же самое, что поклоняться квадратному уравнению.

— А как тогда обстоят дела с ошибками в случае нейросетей других типов, не LLM?

— Это то же самое, что спрашивать, как часто ошибаются люди. Нейросетей великое множество, у каждой своя статистика ошибок. Для каждой решаемой нейросетью задачи создаётся бенчмарк — программа для проверки корректности её работы. И всё равно нейросети ошибаются. Например, так было с распознаванием автомобильных номеров. Тесты показывали 100%-ную эффективность нейросети, а в реальных условиях оказалось, что она не работает. Конечно, потом это исправили, но пример показательный. Он говорит о том, что бенчмарки не всегда могут правильно оценить работу нейросети.

— Какие типы нейросетей сегодня существуют, на каких принципах они основаны?

— Сразу скажу, что сегодня чуть ли не ежедневно появляется множество новых нейросетей, так что какой-то чёткой классификации нет. Условно все нейросети можно разделить на те, что работают с одним объектом, и те, которые могут работать с их последовательностью — в частности LLM, поскольку язык является последовательностью знаков.

Принцип работы классических нейросетей основан на теореме универсального приближения (аппроксимации). В математике аппроксимацией называют замену одних объектов другими, близкими к исходным. Заданные, известные точки функции — узлы — позволяют высчитать недостающие значения. Чем больше узлов и чем проще функция, тем быстрее и точнее производится расчёт. Разновидностей же архитектур нейросетей много — есть свёрточные, есть рекуррентные и т. д. Это уже математические тонкости, понятные специалистам. Суть в том, что под разные задачи применяются разные нейросетевые архитектуры.

Человеческий мозг Gettyimages.ru © SEBASTIAN KAULITZKI / SCIENCE PHOTO LIBRARY.

Фактически нейросеть — это алгоритм с большим набором коэффициентов. Если у вас есть бесконечное множество коэффициентов, выбранных верным образом, вы сможете со стопроцентной точностью решить любую задачу. С конечным набором задача решается уже не так точно. Очень большой рост качества ИИ дало применение математического механизма внимания (attention), который позволяет нейросети выделять важное и концентрироваться на нём. У человека этот механизм заложен природой и работает великолепно.

Одно из отличий человека и в целом живого мозга от нейросети — человек способен делать обобщения на основе очень малого количества примеров. Нейросеть же может этому научиться только на очень большом количестве примеров. Отмечу, что все человеческие понятия, такие как «обобщать», «ошибаться», «запоминать», мы используем, только чтобы как-то объяснить неспециалистам работу нейросетей. На самом деле это просто хороший расчётный алгоритм, у которого нет никаких стремлений и механизмов познания. И он не ошибается — просто нас могут не устраивать результаты расчётов, но сами расчёты всегда математически верны.

— Что можно сделать, чтобы результаты расчётов были более полезны для нас?

— Нужно правильно выстраивать систему обучения нейросети. Кстати, именно из-за дообучения на пользовательских данных порой «портятся» большие языковые модели, начинают выдавать какие-то некорректные, с нашей точки зрения, ответы. Правда, всё зависит от целей. Вообще говоря, такие нейросети, как ChatGPT, не предназначены для решения серьёзных задач. Это просто имитатор общения — забавный, вызывающий большой интерес у людей. Но не более того. Не следует ждать от таких нейросетей, что они будут качественно решать какие-то задачи, — они изначально создавались не для этого. Вообще, то, что происходит с LLM, очень интересно для социологов, потому что они выступают в качестве нашего зеркала, отражают наши, человеческие интересы и склонности. Для математиков, программистов ничего интересного в этом нет: с самого начала было ясно, что языковые модели будут именно такими.

Дообучение специализированных, а не развлекательных нейросетей проводится строго специалистами, ни о каком стихийном самообучении тут речи не идёт.

Хирургический робот проводит операцию во время Всемирной конференции по искусственному интеллекту 2023 года Gettyimages.ru © VCG / VCG.

— То есть опасения, связанные с внедрением нейросетей в такие области, как медицина, безопасность и т. п., не имеют под собой оснований?

— Здесь мы переходим от технических вопросов к этическим и юридическим. В данном случае важно то, кто будет нести ответственность за ответы нейросети. Потому что, конечно, любые нейросети тоже могут ошибаться — меньше, чем среднестатистический врач, но больше, чем очень хороший и опытный специалист, доктор медицинских наук, например. Какой процент ошибок допустим в таких чувствительных сферах — простых ответов на эти вопросы нет.

— Возможно, будет правильно, если в случае ошибки медицинской нейросети будет нести ответственность компания-разработчик?

— Отвечу с позиций разработчика, хотя мы занимаемся не медицинской тематикой. Если разработчик соблюдает протокол тестирования, информирует заранее о том, каким будет процент ошибочных ответов, то разве можно считать его виновным? Просто нужно, чтобы результаты нейросети проверялись специалистом. И тогда совместные усилия машины и человека дадут максимально хороший результат. Напомню, что мы не говорим о замене нейросетями медиков, а просто о том, что они станут подспорьем для врачей. Пока что главная проблема в том, что нейросети не умеют обосновывать свои ответы. Если бы система выдавала не просто ответ, есть у пациента рак или нет, а расписывала последовательность «умозаключений», врач мог бы проследить их и заметить где-то фактические или логические несоответствия. Поэтому создание такого ИИ, который мог бы объяснять свои ответы, — одна из ключевых задач, которая стоит сегодня перед учёными. Такие исследования ведутся, определённые результаты есть, но это пока начало пути, конечно.

Искусственный интеллект в обучении Gettyimages.ru © CHOLTICHA KRANJUMNONG.

— Хотя были опасения, что нейросети вытеснят людей из ряда сфер, пока этого не происходит, поскольку они не могут работать самостоятельно. Не схлопнется ли весь информационный, финансовый пузырь, который раздулся вокруг темы ИИ в последние годы?

— Да, и это не новое явление. Первая «зима искусственного интеллекта», период резкого охлаждения общества к цифровым технологиям, наблюдался в 1970-х. Причиной потери интереса и сокращения финансирования стало то, что технология не оправдала изначально завышенные ожидания, когда люди думали, что первые программы решат вообще все задачи. Но, конечно, научные исследования всё равно продолжились, учёные всегда будут заниматься этой темой, потому что она им интересна. Сейчас из-за ажиотажа вокруг LLM, прежде всего ChatGPT, происходит то же самое, идёт новый цикл. Люди думают, что такие нейросети-болталки заменят половину специалистов и чуть ли не уподобятся человеку. Это разгоняет инвестиционную активность. Когда эти иллюзии развеются, придёт разочарование и спад интереса. Кстати, в таких компаниях, как Open AI, это понимают. Недаром они выпустили новость о большом проценте ошибок нейросетей — пытаются заранее отрезвить общество, чтобы не было потом резкого разочарования.

— Какие перспективы развития у нейросетей, какие направления должны стать приоритетными?

— Я считаю, что очень важно заниматься развитием таких нейросетей, которые способны решать прикладные, конкретные задачи. В здравоохранении, автомобилестроении, распознавании документов и т. д. и т. п. Конечно, было бы здорово создать так называемый сильный ИИ, который был бы действительно подобен человеку, но это пока утопия, по крайней мере в перспективе ближайших лет 20. Не надо пытаться играть в Бога — нужно решать насущные проблемы.

Тем более что у условно универсальных нейросетей, таких как ChatGPT, есть огромный минус — они потребляют колоссальные объёмы энергии. Энергопотребление одной такой программы может быть равно энергетическим затратам небольшого городка. Энергоэффективность современного ИИ чудовищно низкая — это уже становится проблемой. Поэтому говорить о повсеместном внедрении таких систем сложно — у нас просто не хватит для этого электроэнергии или придётся жертвовать другими сферами. Не говоря уже о создании сильного ИИ — он станет потреблять ещё больше энергии, если будет когда-то создан.

Источник: https://russian.rt.com/science...

В.К. Здесь необходимо понимать, что никакая искусственно созданная механическая, даже самая сложная, система не является аналогом любой самой простой природной системы, поскольку в основе их создания и существования лежат совершенно разные принципы. Любая искусственно созданная система - это инструмент как молоток. Природная система - это жизнь, которая явлена далеко не только своими внешними и функциональными возможностями, которые, кстати, мы, можно сказать, совсем не знаем, а они довольно обширны.