Китайские ученые воспроизвели в эффективном устройстве пассивного охлаждения структуру языка собаки.
Иллюстрация создана с помощью ChatGPT
СОБАКА ЛАЕТ - ТЕМПЕРАТУРА ПОНИЖАЕТСЯ
В ситуации повышенной температуры люди начинают обмахиваться, что термодинамически усугубляет ситуацию, так как эта манипуляция требует сокращения мышц, производящих, в свою очередь, больше тепла. А что же у собак, некоторые представители которых могут за сутки пробежать до 300–400 км? У них нет потовых желез, поэтому собаки в плане регулирования водного обмена полагаются на свой язык, являющийся прекрасным «водообменником». Это доказали сотрудники пекинского Института физикохимии и их коллеги из Университета науки и технологии в г. Хэфэй, изучив тонкое строение собачьего языка. Результаты этих исследований опубликованы в журнале ACS Nano. В качестве испытуемого объекта была выбрана собака породы бигль, язык которого, как и всех других собачьих, постоянно увлажняется слюной. Она быстро испаряется в ходе терморегуляции организма. На поверхности языка авторы обнаружили нановорсинки (nanovilli), плотным слоем покрывающие микрососочки (papillae). Китайские ученые смоделировали биоповерхность (Bioinspaired Cross-Scale Surface, BioCCS) с интегрированными микробороздками и нанопроволочками. Первые обеспечивают постоянное увлажнение и распределение жидкости, а наноструктуры модулируют взаимодействие воды с поверхностью. При этом обеспечивается ослабление на поверхности водородных связей в молекуле Н2О. Их разрыв ведет к испарению и образованию льда, объем которого на 12,5% больше исходного объема воды. Таков, по мнению авторов исследования, механизм испарения созданной ими архитектуры BioCCS. Испытание модели собачьего языка при +80 °С показало ее высокую эффективность, скорость испарения составила 31,4 кг/час с квадратного метра. Система пассивного охлаждения, имитирующая «архитектуру» собачьего языка, оказалась на 150% эффективнее по сравнению с немодифицированной поверхностью. Таким образом, BioCCS могут использоваться в качестве автономных охладителей, не требующих подведения энергии.
Игорь Лалаянц
ВСЕ БУДЕТ ПУЧКОМ
Исследователи Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Института ядерной физики СО РАН разработали RLABC – программу, которая помогает подбирать оптимальные настройки ускорителя частиц. В компьютерном эксперименте программа настроила модель так, что до конца ускорителя доходило около 70% частиц. Исследование опубликовано в журнале Computer Physics Communications. Частицы в ускорителях движутся пучками – узкими потоками. Электрические поля разгоняют их, а магнитные – направляют и фокусируют. Если магниты настроены неудачно, часть частиц отклоняется от траектории и теряется. При этом изменение настройки одного магнита влияет на то, как пучок пройдет через следующие. Поэтому специалистам приходится подбирать удачное сочетание десятков параметров. Расчеты нужны и при проектировании ускорителя, и после его запуска, когда их приходится уточнять уже на самой установке. Программа RLABC позволяет использовать алгоритмы машинного обучения в сочетании с программой Elegant, которой физики пользуются для расчета движения пучков. «В этой системе нейросеть по очереди задает параметры магнитов в компьютерной модели, а Elegant рассчитывает, что при этом происходит с пучком. RLABC передает результат обратно нейросети вместе с оценкой ее действий. Чем больше частиц удается провести дальше, тем выше оценка. После множества попыток сеть учится выбирать настройки все лучше», – поясняет стажер-исследователь Анвар Ибрахим из Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ.Разработку испытали на компьютерной модели, созданной на основе комплекса ВЭПП-5 Института ядерной физики Сибирского отделения РАН. Она состоит из 11 магнитов с 37 настраиваемыми параметрами. В среднем до конца канала дошло 70% частиц. При подборе всех 37 параметров результат составлял около 66%. Программу также испытали на модели с другой схемой расположения магнитов, где удалось провести 71% частиц. По словам автора исследования, решения модели сопоставимы с настройками, которые предлагают специалисты по ускорительной технике. Таким образом, инструмент можно использовать, хотя его возможности еще предстоит проверить на более сложных транспортных каналах. В дальнейшем исследователи планируют испытать программу на реальных ускорителях.«У каждого ускорителя есть особенности, поэтому удачный способ настройки одной установки может хуже работать на другой. RLABC позволяет проверять разные конфигурации и выяснять, в каких задачах обучение с подкреплением будет работать хорошо. При этом мы предполагаем, что алгоритм может подобрать удачные сочетания параметров, которые человек раньше не рассматривал», – отмечает один из авторов исследования, заведующий Научно-учебной лабораторией методов анализа больших данных Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ Денис Деркач.Код RLABC открыт и опубликован, поэтому другие исследователи могут использовать и дорабатывать программу. Исследование выполнено при поддержке гранта для исследовательских центров в области искусственного интеллекта, предоставленного Минэкономразвития России.
По информации пресс-службы НИУ ВШЭ
