Русский
Русский
English
Статистика
Реклама

Мода

Xакерский мерч Мантия невидимка

26.10.2020 20:10:07 | Автор: admin

Как выжить в условиях современного урбана? [участник проекта Red Bull Basement]

Поддержать проект вниманием: https://basement.redbull.com/cs-cz/projects/3359

Цифровая нефть?

Сегодня человечество живет в эпоху развития цифровой экономики. Нефтью будущего стала цифровая информацией о нас, простых жителях глобального Интернета. Местом добычи этого ресурса являются наши персональные устройства, например, мобильный телефон. Защита наших данных от государства, корпораций и преступников становится все более сложной задачей.

Мобильник?

Сегодня мобильный телефон стал продолжением нашей руки, а цифровая сущность продолжением нашей личности.

Многие люди почти не расстаются с мобильником в течении дня. Но смартфон, это не только доступ ко всем знанийм накопленным людьми, но и доступ к вашей персональной информации.

Под колпаком?

Операторы мобильной связи знают обо всех Ваших передвижениях в течение дня. Наши мобильные телефоны постоянно пингуют себя у ближайшей мобильной вышки.

Многие разработчики приложений запрашивают доступ к микрофонам, камерам и другим датчикам устройств для сбора личной информации о своих пользователях.

По умолчанию платформ провайдеры имеют доступ к любой информации о пользователе и его устройстве за весь период использования.

В то же время, во многих крупных городах правительства запускают системы видеонаблюдения с распознаванием лиц. Часто в таких системах существуют бек-доры для несанкционированного доступа, поэтому есть потенциал нелегального использования.

Цель одна - поднять бабла, как завещал Витя Ака.

Как решить проблему кибер-безопасности городской среды?

Мы пришли к выводу, что решение проблемы может лежать в симбиозе между модой и технологиями. Мы начали работу над коллекцией одежды "Водомерка", которая будет рефлексировать на тему современной городской среды.

Первый кейс - использование ткани с мателической нитью для экранирования электромагнитного излучения носимых устройств, так как электропроводящие металлы, такие как медь, могут отражать и поглощать радиоволны и, следовательно, мешать их передаче.

Вы становитесь кибер-невидимкой, пока ваш телефон в кармане. (когда это нужно)

Первая вещь в коллекции - Мантия неведимка.

Куртка со специальным карманом, который полностью поглощает все электромагнитные излучения от устройства. Таким образом отследить ваше положение становится не возможным, в то же время это защитит ваши внутренние органы от постоянного излучения от телефона. Кроме этого, ткань не пропускает внешний звук, что защищает пользователя от записи личных разговоров, когда телефон находится в закрытом кармане.

Капюшон с маской скрывает ваше лицо от камер безопасности и защищает вас от вируса ковидов.

Что дальше?

Наша команда участвует в конкурсе проектов от Red Bull Basement, если вас понравилась идея, вы можете поддержите проект голосом:
https://basement.redbull.com/cs-cz/projects/3359


Одновременно. мы работает над кейсами для ноутбуков и телефонов, а также куртками, кофтами и другими вещами, чтобы обезопасить себя в условиях соврменного урбана.

Если Вам интересно поддержать проект, пишите в личные сообщения.

Подробнее..

Учиться, учиться, и ещё раз учиться?

01.06.2021 14:09:01 | Автор: admin

TLDR: крохотные модельки обошли модные графовые нейронки в предсказании свойств молекул.
Код: здесь. Берегите Природу.


image
ФОТО: Андерс Хеллберг для Wikimedia Commons, модель Грета Тунберг


Необученная графовая свёрточная нейронная сеть [1] (uGCN) со случайной инициализацией весов уже пару лет занимает первое место в моём списке алгоритмов для задач машинного обучения на графах из-за копеечной стоимости, простоты реализации, да вполне очевидной элегантности решения. В то же время, насколько мне известно, никто ещё не не проводил соревнований между этой простой моделью и её старшей сестрой полноценно обученной графовой свёрточной нейронной сетью (GCN) в режиме обучения с учителем. Вот я сделал.


Мотивация: показать, что uGCN выдаёт качественные представления, которые можно использовать в последующих задачах машинного обучения в индуктивном режиме, когда модели обобщаются к не виденным ранее данным (вдохновлено недавним отчётом [2] о производительности простых моделей в трансдуктивном случае).


Полученные результаты занимательны. В худшем случае простые модели (uGCN + degree kernel + random forest) показали счёт 54:90 против полноценно обученных GCN, в то время как реалистичный сценарий закончился разгромным реваншем 93:51, указывающим на то, что мы можем позволить себе почти бесплатные эмбеддинги, которые превосходят или показывают результаты на уровне полноценно обученных GCN в задаче предсказания свойств графа (например эффекта медикаментов: яд или лекарство) за долю стоимости. Простые модели обучались ~10 минут в то время как весь эксперимент продлился ~4 часа. Перейдём же к деталям и разберёмся с тем, что произошло!


Основные понятия


Многие из важных наборов данных об окружающем нас мире имеют связный характер: социальные сети, графы знаний, взаимодействия белков, всемирная паутина WWW и т.д. (просто несколько примеров) [1].


Граф, обыкновенно записываемый как G=(V, E) это математическая модель, множество множеств, состоящее из набора вершин V и множества рёбер E попарных связей e(i, j) между вершинами i и j. Расширением Графа является модель Граф со Свойствами (Labeled Property Graph), позволяющий задать вектор признаков xi для вершины i (мы также можем определять свойства для рёбер, однако это выходит за рамки сегодняшнего эксперимента). Графовая нейронная сеть [3] (GNN) это модель машинного обучения (параметрическая функция, которая подбирает, другими словами выучивает, параметры из данных), расширяющая возможности хорошо известного семейства алгоритмов, вдохновлённых биологией, до работы с неструктурированными данными в виде графов. На мой взгляд, передача сообщений это самая простая интуиция для понимания механики работы GNN и вполне оправдано обратиться к мнемоническому правилу 'скажи мне, кто твой друг и я скажу тебе кто ты'. Графовые свёрточные нейронные сети (GCN) очень подробно описал их изобретатель здесь (https://tkipf.github.io/graph-convolutional-networks/) и мне, право, непросто что-то ещё добавить к этой замечательной истории.


Дабы не заниматься самоцитированием, предложу читателю ознакомиться с рассказом о том, где и как врубиться в эмбеддинги графов, а также с примером использования GCN в структурном моделировании организационных изменений и ощущениях стейкхолдеров во время кадровых перестановок, неизбежных при внедрении больших информационных систем, вроде SAP. Эти два текста стоит воспринимать как первые главы повествования о методах анализа связанных систем, также там в деталях рассматривается используемая форма математической записи.


image


Многослойная GCN с фильтрами первого порядка.


Данные


Проведём серию экспериментов на общедоступных данных. Мы обратимся к (i) коллекции TUDatasets [4] и (ii) ограничим наше упражнение задачей бинарной классификации (предсказанием свойств) небольших молекул. Ещё одним условием нашего мероприятия будет (iii) использование графов с признаками вершин.


Заданные ограничения оставляют нам несколько наборов данных, широко используемых для сравнения современных алгоритмов. Вот наш итоговый список: AIDS, BZR, COX2, DHFR, MUTAG и PROTEINS. Все обозначенные наборы данных доступны как часть Pytorch Geometric [5] (библиотека для глубокого обучения на графах) в двух версиях: оригинальной и очищенной от дубликатов [6]. Итого у нас будет 12 датасетов.


AIDS Antiviral Screen Data [7]


Результаты экспериментов по выявлению химических соединений, негативно влияющих на вирус иммунодефицита человека. Представляет собой результат тестирования и химическую структуру соединений не покрытых соглашениями о неразглашении. В оригинальном наборе содержится 2000 молекул, а очищенная версия оставляет нам 1110 точек данных, каждая из которых представляет собой граф, вершины которого описывают 37 признаков.


Benzodiazepine receptor (BZR) ligands [8]


Оригинальный набор содержит 405 молекул, очищенная версия 276, по 35 признаков на вершину.


Cyclooxygenase-2 (COX-2) inhibitors [8]


Оригинальный набор содержит 467 молекул, очищенная версия 237, по 35 признаков на вершину.


Dihydrofolate reductase (DHFR) inhibitors [8]


Оригинальный набор содержит 756 молекул, очищенная версия 578, 35 признаков на вершину.


MUTAG [9]


В наборе содержится 188 химических соединений, разделённых на два класса согласно их мутагенному воздействию на бактерии. В очищенной версии 135 молекул, 7 признаков на вершину.


PROTEINS [10]


Энзимы и не-энзимы. В оригинальном наборе содержится 1113 молекул, по 3 признака на вершину. Очищенная версия 975 структур.


Дизайн Эксперимента


Мы устроим турнир!


Для каждого набора данных проведём 12 раундов обучения и тестирования.


В каждом раунде:


(1) псевдослучайным образом разделим данные в пропорции 80/20 в Pytorch Geometric (начиная со стартового параметра генератора random seed = 42 и увеличивая его на единицу в каждом последующем раунде), таким образом 80% точек данных (графов) будут использованы в качестве обучающей выборки, а оставшиеся 20% будут тестовой выборкой;


(2) обучим модели и оценим долю верных ответов (accuracy) на тесте.


Для простых моделей это значит предобработку для того, чтобы создать признаки, на которых будет обучен классификатор.


Для GCN мы проводим 200 эпох обучения и тестирования со скоростью обучения learning rate = 0.01 и принимаем во внимание:
(А) среднее значение доли верных ответов для 10 финальных эпох обучения реалистичный сценарий;
(В) наибольшее значение доли верных ответов, достигнутое в процессе обучения (как если бы мы сохраняли промежуточное состояние для того, чтобы выбрать наилучшую модель впоследствии) наилучший сценарий для GCN (и наихудший для простых моделей);


(3) лучшей модели присуждается 1 балл;


(4) в случае ничьей балл присуждается лёгкой модели.


Всего будет распределено 288 баллов: 12 датасетов 12 раундов 2 сценария.


Модели


Degree kernel (DK) или степенное ядро гистограмма степеней вершин (количество рёбер, соединённых с вершиной), нормированная к числу вершин в графе (таким образом вектор признаков для каждого графа состоит из размеров долей вершин с количеством связей, равным индексу признака, от всего множества вершин в сумме они дают единицу).


import networkx as nximport numpy as np from scipy.sparse import csgraph# g - граф формате популярной библиотеки NetworkXnumNodes = len(g.nodes)degreeHist = nx.degree_histogram(g)# нормализуемdegreeHist = [x/numNodes for x in degreeHist]

Необученная графовая свёрточная нейронная сеть (uGCN) со случайной инициализацией весов 3 слоя с промежуточной нелинейной активацией (ReLU, т.е. f(x) = max(x, 0)). Аггрегация усреднением полученных после прямого прохода 64-разрядных векторов (эмбеддинги вершин) позволяет получить компактное представление графа. Это на самом деле очень просто.


A = nx.convert_matrix.to_scipy_sparse_matrix(g)

Воспользуемся вариантом реализации одного слоя свёртки в три строки, который пару лет назад предложил iggisv9t :


# A - матрица связности графа# X - матрица признаков вершин (np.array)D = sparse.csgraph.laplacian(A, normed=True)shape1 = X.shape[1]X = np.hstack((X, (D @ X[:, -shape1:])))

(код здесь приводится чтобы подчеркнуть очаровательный минимализм реализации метода)


Разберём его на части и пересоберём заново.


Использованная реализация uGCN выглядит так:


# A - матрица связности графа# X - матрица признаков вершин (np.array)# W0, W1, W2 - случайным образом инициализированные весаD = sparse.csgraph.laplacian(A, normed=True)# слой 0Xc = D @ X @ W0# ReLUXc = Xc * (Xc>0)# конкатенация признаков вершин с аггрегированной информацией соседейXn = np.hstack((X, Xc))# слой 1Xc = D @ Xn @ W1# ReLUXc = Xc * (Xc>0)Xn = np.hstack((Xn, Xc))# слой 2 - эмбеддинги вершинXc = D @ Xn @ W2# аггрегация усреднением - эмбеддинг графаembedding = Xc.sum(axis=0) / Xc.shape[0]

Комбинация DK и uGCN (Mix) конкатенацией представлений графа, полученных с помощью моделей DK и uGCN.


mix = degreeHist + list(embedding)

Для каждой из первых трёх моделей обучаем классификатор случайный лес из 100 деревьев с максимальной глубиной в 17 ветвлений.


Графовая свёрточная нейронная сеть (GCN) полноценно обученный классификатор, состоящий из 3 свёрточных слоёв размерностью 64 с промежуточной нелинейной активацией (ReLU), агрегацией усреднением (до этого момента архитектура GCN очень похожа на uGCN), за которой следует слой регуляризации дропаутом (произвольным обнулением разрядов с вероятностью 50%) и линейный классификатор. Мы будем обозначать результаты модели, отобранные в наилучшем для GCN сценарии (B) как GCN-B, а модели в реалистичном сценарии (А) как GCN-A.


Результаты


После 144 раундов (12 датасетов * 12 раундов) сравнения качества предсказаний на отложенной выборке между простыми моделями и полноценно обученными графовыми свёрточными сетями 288 баллов распределились как:


147:141


Доля верных ответов на тестовых выборках варьировалась между раундами и частенько случались ситуации, в которых простые модели доминировали над более сложными противниками.


image


Наборы данных, в которых простые модели побеждают: AIDS, DHFR(A) и MUTAG.


Например, DK собрала все 48 баллов для набора данных AIDS, демонстрируя отрыв более чем на 10% (абсолютное значение) от доли верных ответов полноценно обученной GCN.


image


Здесь побеждают GCN: BZR, COX2 и PROTEINS.


Индивидуальный зачёт:
90 GCN-B;
71 DK;
55 Mix (uGCN + DK);
51 GCN-A;
21 uGCN.


Достаточно подробный протокол соревнований приведён в блокнотике с кодом, таблица с результатами раундов здесь.


В целом, результаты стабильно варьировались между очищенными и оригинальными наборами данных. Это ещё раз напоминает о важности качества данных для проведения адекватных сравнений между моделями. Хорошая новость в том, что в исследовательском сообществе уже есть движение в данном направлении и значительные усилия лучших умов в области уже направлены на организацию честных турниров.


Выводы


Как видим, проведенный эксперимент подтверждает предположение о том, что в задаче предсказания свойств молекул мы можем позволить себе использовать почти бесплатные эмбеддинги, которые превосходят или показывают результаты на уровне полноценно обученных нейронных сетей. Наблюдения согласуются с вдохновляющими этот эксперимент результатами [2] в том, что концептуально метод Label Propagation очень похож на передачу сообщений в графовой свёрточной нейронной сети. Объяснение эффективности скорее всего следует искать в том, что на самом деле мощнее подбирать параметры фильтров для того, чтобы внутренние представления, выученные сетью стали линейно разделимыми, либо же просто использовать классификатор помощнее, как это сделано в рассмотренном примере.


Дисперсия результатов между раундами соревнования напоминает о том, что всякое сравнение дело непростое. Здесь стоит упомянуть Free Lunch Theorem и напомнить о том, что использовать сразу несколько моделей в построении решения скорее хороший тон. Также важно отметить влияние разбиения на выборки в ходе сравнения на одном и том же наборе данных одна и та же модель может показывать очень разное качество. Поэтому сравнивая модели, убедитесь, что обучаете и тестируете их на идентичных выборках. К слову, фиксация параметров генератора псевдослучайных чисел не панацея


image


Дальнейшими шагами может быть сравнение производительности моделей в рамках наборов данных больших размеров. Также стоит проверить результаты и в других задачах, таких как: предсказание связи, классификация вершин, регрессия на графах, и прочих графовые нейронные сети (как обученные, так и просто так) на многое способны.


Послесловие


В лекции открытого курса по графам знаний GCN названа Королевской Лазейкой Через Пространство Фурье, этот ярлык приклеился с тех пор, когда впервые выступил на публике с рассказом о силе графов и провёл первые эксперименты с классификацией картинок (как графов) для того, чтобы продемонстрировать мощь спектральных фильтров одной юной леди, запускавшей стартап в милой моему сердцу аэрокосмической области. Данная заметка появилась в результате того, что пару недель назад в реальной задаче на закрытых данных uGCN, вместе с простенькими моделями показали результат, который полноценно обученные GCN смогли превзойти всего на 2% (96 против 98) и мне вздумалось проверить вопрос о том, кто кого заборет ещё на каких-нибудь данных.


В наши дни машинное обучение на графах превратилось в знаменитость, всё больше исследователей обращают внимание на эту область и новые архитектуры графовых нейронных сетей появляются каждую неделю. Однако на самом деле мы ещё не очень хорошо понимаем почему GNN так успешны и нужны ли они для хорошего качества решения [2].


Перед тем, как ступать на очаровательный путь машинного обучения на графах, пожалуйста ознакомьтесь с основами этого дела. Значительные усилия прилагаются к тому, чтобы сделать новейшие достижения (да и классические методы тоже) доступными широкой аудитории совершенно бесплатно. Упомяну лишь несколько из таких инициатив: материалы и лекции стенфордского cs224w, площадку для тестирования качества алгоритмов Open Graph Benchmark [14] и недавнюю работу об основах геометрического глубокого обучения [15] методологию разработки новых архитектур нейронных сетей. Напоследок, ещё раз напомню о том, что начинать проекты машинного обучения стоит с простых методов, вроде ядер и необученных графовых свёрточных сетей достаточно часто эти модельки показывают неприлично хороший уровень.


Берегите Природу, используйте алгоритмы эффективно. Порою неученье сила.


image


Литература


[1] Kipf & Welling, Semi-Supervised Classification with Graph Convolutional Networks (2017), International Conference on Learning Representations;
[2] Huang et al., Combining Label Propagation and Simple Models out-performs Graph Neural Networks (2021), International Conference on Learning Representations;
[3] Scarselli et al., The Graph Neural Network Model (2009), IEEE Transactions on Neural Networks ( Volume: 20, Issue: 1, Jan. 2009);
[4] Morris et al.,TUDataset: A collection of benchmark datasets for learning with graphs (2020), ICML 2020 Workshop on Graph Representation Learning and Beyond;
[5] Fey & Lenssen, Fast Graph Representation Learning with PyTorch Geometric (2019), ICLR Workshop on Representation Learning on Graphs and Manifolds;
[6] Ivanov, Sviridov & Burnaev, Understanding isomorphism bias in graph data sets (2019), arXiv preprint arXiv:1910.12091;
[7] Riesen & Bunke, IAM Graph Database Repository for Graph Based Pattern Recognition and Machine Learning (2008), In: da Vitora Lobo, N. et al. (Eds.), SSPR&SPR 2008, LNCS, vol. 5342, pp. 287-297;
[8] Sutherland et al., Spline-fitting with a genetic algorithm: a method for developing classification structure-activity relationships (2003), J. Chem. Inf. Comput. Sci., 43, 1906-1915;
[9] Debnath et al., Structure-activity relationship of mutagenic aromatic and heteroaromatic nitro compounds (1991), J. Med. Chem. 34(2):786-797;
[10] Dobson & Doig, Distinguishing enzyme structures from non-enzymes without alignments (2003), J. Mol. Biol., 330(4):771783;
[11] Pedregosa et al., Scikit-learn: Machine Learning in Python (2011), JMLR 12, pp. 2825-2830;
[12] Waskom, seaborn: statistical data visualization (2021), Journal of Open Source Software, 6(60), 3021;
[13] Hunter, Matplotlib: A 2D Graphics Environment (2007), Computing in Science & Engineering, vol. 9, no. 3, pp. 90-95;
[14] Hu et al., Open Graph Benchmark: Datasets for Machine Learning on Graphs (2020), arXiv preprint arXiv:2005.00687;
[15] Bronstein et al., Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges (2021), arXiv preprint arXiv:2104.13478.

Подробнее..

Смертельная палитра токсикология красителей

26.11.2020 22:04:35 | Автор: admin

Сегодня мы знаем об окружающем нас мире достаточно много, но далеко не всё. Об этом вам с интересом расскажет любой генетик, астрофизик, микробиолог или химик. Возможно сейчас открытие, которое бы изменило наши представления о мире, перевернув всё, что мы знаем с ног на голову, сделать нелегко. Возможно, это практически невозможно. Но что если бы вам однажды сказали, что то, что вы знаете, - ложь. Что один из продуктов современной химии, который мы используем везде и во всём многие годы, убивает нас, а исследования, ученые статьи и всё, что мы наоткрывали, напридумывали, понаписали в книгах - всё это полный бред, а каждый второй предмет в вашей квартире отравлен. И так во всём мире - от главы государства до последнего бедняка с его скудным скарбом. Именно это однажды и произошло, и сегодня мы ненадолго погрузимся в историю токсикологии и удивительное открытие доктора Генри Летеби, в которое никто из его современников не поверил.

Изумрудно-зелёный.

Зелёный насыщенный цвет на самом деле не был таким уж прямо новым и необычным. С глубокой античности мы использовали истертый малахит или пигмент зеленая земля из разных соединений кремния. Цвета были бледноваты, и на полотнах до конца 18 столетия увидеть яркую сочную зелень у вас не выйдет. Всё изменилось, когда смогли добыть настоящий изумрудно-зеленый цвет. Он был получен в 1775 году из красителя Зелень Шееле. Краситель назван в честь шведского ученого- Карла Вильгельма Шееля, того самого, который открыл молочную кислоту и хлор, и о которых я писал в статье про молоко. К несчастью, в те годы, описывая открытые вещества, нужно было указывать в том числе и вкус. К 1786 году исследования тяжёлых металлов и различных их соединений стали комбинироваться у Карла в симптомы. У него появились поражения кожи - потемнения эпителия дополнились утолщениями и язвами, появилась страшная комбинация диареи и сонливости. Вскоре талантливый химик умер. Предположительно, причиной смерти стало поражение почек.

Слева: фреска в церкви св.Франциско в Монтефалько, Италия, авторства Пьетро Ваннучи. Справа: автопортрет Пьетро. Начало 16 в., зеленые пигменты: малахит и кремний.

"Зелень Шееле" же на фоне блеклых полотен Возрождения заняла почетное место среди ярких красителей, доступных человечеству. И постепенно её радостно стали производить в промышленных масштабах. Так продолжалось почти 100 лет, пока мы наконец не стали замечать очевидное.

В 1859 году вышла книга Жертвы моды: опасности платьев прошлого и настоящего, авторства Элисона Мэтьюса Дэвида. В ней Дэвид рассказывал о расследовании странных смертей доктором Анжэ Габриэлем Максимом Вернуа. Случаи касались заболеваний в цветочном магазине. У мужского персонала цветочников, у всех без исключения, были одни и те же симптомы: зеленоватые углубленные язвы на ногах, желтые ногти, поражения гениталий, иногда изъедающие плоть до кожи бедер. Работницы, занятые отпуском товара, имели сильные головные боли, бледную кожу, слабость. Наблюдение за процессом работы выявило несколько особенностей. Мужчины красили ткани, из которых потом делали искусственные цветы и упаковку следующим образом: ткань крепилась гвоздями к столешнице, наносился краситель, добавлялась вода, работники предплечьями растирали краску по ткани, затем передавали её для сушки. На руках имелись повреждения от гвоздей и верстака. Женщины высушивали ткань, нарезали её на ленты и изготавливали сами цветы, так же голыми по локоть руками. Красителей было множество, все неорганические.

Рисунок типичных признаков поражения мышьяком из медицинского пособия:

Из искусственных цветов изготавливали множество дешевых диадем и венков - тогда в моде был акцент на природу и дамы с радостью украшали свои головы такой вот бижутерией.

Иллюстрации модных причесок Викторианской эпохи:

В 1861 году пара безутешных родителей из рабочего района Лондона - Лаймхаус - нанимает именитого врача Томаса Ортона для расследования причин болезни, в результате которой погибли трое их детей, а последний ребенок, маленькая девочка, находится при смерти. Им не смогли помочь другие врачи, и теперь родители хотели узнать причину любой ценой.

Томас обратил внимание, что предыдущие диагнозы, ссылавшиеся на лихорадку и дифтерию, не могут быть применены в данном случае, ведь кроме детей никто не болел, ни родители, ни соседи. Единственным подозреваемым были обои в детской комнате. Родители выложили солидную сумму, чтобы сделать комнату как можно красивее, но в научной среде давно ходили слухи о том, что зелёный краситель, содержащий мышьяк, может быть опасен: что обои то ли источают газ, то ли высвобождают мышьяк в виде пыли. И это способно приводить к ужасным последствиям. Вскоре умирает и последний ребёнок. По совету доктора Ортона родители дают разрешение на вскрытие, которое проводит химик-аналитик, работающий в одной из лондонских больниц, Генри Летеби. Он определил причину смерти - острое отравление мышьяком. Дело тут же поместили под особой контроль, а диагноз стали оспаривать в суде. Началось следствие. Его итогом стало решение о том, что выводы химика являются нежелательными, а присяжные пришли к согласию в том, что четверо здоровых детей умерли по естественным причинам. Дело Лаймхауса было первым таким за 100 лет с момента внедрения красителя.

Генри Летеби и зеленые обои с красителем на основе мышьяка:

Генри Летеби не успокоился после решения суда. Наоборот, он решил доказать всем, что прав именно он, не взирая на последствия. Он посетил дом, где жила девочка, и взял образцы обоев. Доза мышьяка составила около 1 грамма на 1 кв.м. По сути, Генри стал первым, кто не согласился с общественностью, и не смотря на давление, доказал причинно-следственную связь между смертью пациента и наличием яда в ближайшем окружении.

В 1857 году в Бирмингеме доктор Уильям Хиндс сообщил, что неизлечимо болен. Рвота, спазмы в животе, головокружение, слабость, донимали его каждый вечер, доводя общее состояние до критического и приближая развязку с каждым днем. Казалось, у его болезни нет ни имени ни объяснения, пока однажды его не осенило. Ему становилось хуже вечером, когда он приходил в свой кабинет. Кабинет в старом английском стиле, с деревянными панелями, но с одной новинкой - вместо классического зеленого сукна были новомодные обои с рисунком. Когда доктор Хиндс сменил свой график, ему стало легче. Соскоблив частички обоев и сделав пару тестов, он пришел к жутковатым выводам: там мышьяк. Обои он поменял, и ему стало лучше.

Через полгода к Хиндсу на прием попала молодая пара, которая утверждала, что умирает без отпуска. Как оказалось, дома и на работе им было плохо - болело горло, возникала слабость, воспалялись глаза - а в отпуске на море становилось гораздо лучше. Дома у них болел даже попугай, поэтому они брали его с собой. Бедная птица в суровом Лондоне отказывалась от еды и питья, а попав на пляж весело орала и радовалась жизни. Хиндс осмотрел дом молодых и ожидаемо обнаружил зеленые обои. Молодым людям посоветовали их снять и вернуться к трудовой карьере. Таких случаев становилось всё больше и больше. Но всё ещё ничего не происходило.

Деньги против науки.

В производство мышьяка было втянуто огромное количество самых разных промышленных компаний. Конечно люди знали, что он ядовитый. Но в Китае его 3000 лет использовали как традиционное лекарство. А в США бледность при анемии от яда вообще "продавали". Выпускались специальные таблетки с мышьяком, обещавшие избавить любую даму от веснушек и прыщей. Конечно, если лицо будет белым как мел, веснушки не исчезнут, но ведь и заметны станут гораздо меньше.

Американские таблетки и реклама в газетах:

Примерно с 1840-х годов в Англии в ходу была пудра со свинцом, уксусом и мышьяком. Тоже неплохо отбеливала в краткосрочной перспективе. В долгосрочной - выпадение зубов, волос, анемия, отказ органов. Наличие мышьяка в свободной продаже как лекарства, красителя, средства от мышей, субстанции с сотней применений иногда вызывало и трагедии. Так, в Брэдфорде в 1858 году местный кондитер Уильям Хардакер при попытке подделать мятные леденцы решил добавить туда гипс вместо сахара, и отправил своего подмастерье в аптеку к Чарльзу Ходжонсу. Но тот болел, и вместо себя оставил такого же подмастерье. В итоге, вместо сахара в конфеты попал мышьяк. Обнаружилось это спустя почти сутки бурной торговли. 200 человек серьезно отравились, 21 человек умер.

Карикатура Джона Лича на описываемое событие, ноябрь 1858 г.:

Что же мы имеем? Мышьяк повсюду. Им красят не только одежду, обои, но и свечи, детские игрушки. Он в составе всех зелёных красок, из него делают пару модных косметических средств, его добыча поставлена на широкие промышленные рельсы. Но все знают, что мышьяк ядовит.

Глава медицинского журнала The Lancet, Томас Уокли, так же чуть не став жертвой зеленых обоев, присоединяется к голосам ученых, твердящих о необходимости классификации мышьяка как яда. Но только в одной Британии за 1858 год было произведено несколько миллионов квадратных миль зелёных обоев. Оппозицию ученых не воспринимают всерьёз. Поэт и писатель Уилльям Моррис высмеивал Уокли: ...Большей дурости и представить невозможно, как будто этих врачей покусали их же пациенты... Уокли же всем неверующим предлагал на спор отодрать кусок обоев со своих стен и сожрать.

Говоря, что в эпоху индустриализации Уилльям Моррис был писателем и не называя его всемирно известные произведения, я имею в виду, что их и не было. Пока в окрестностях Лондона женщины и дети работали по 2-3 смены, он писал бездарные, на мой вкус, памфлеты. Но вот его отец Улльям Моррис Старший был одним из 6 инвесторов Дэвон Грейт Консолс - крупнейшего объединения шахт. История взлета и падения этой компании - ключ к пониманию того, что же творилось в эти годы в стране, и какого зелёного черта все клеили эти обои и носили эти зелёные юбки.

Производство мышьяка в "ДГК":

Всё дело в том, что с 1844 года эти парни смогли добыть 90 000 тонн меди, став самой прибыльной и самой производительной медной шахтой на всём белом свете. Деньги текли такой рекой, что современным олигархам даже не снилось. Скупались новые участки, они открыли свою ж/д компанию, стали строить ж/д ветки для вывоза руды, заказывать первые монструозные паровые двигатели для добычи и обработки, строить водосборные сооружения. И при всем этом за первую пятилетку инвесторы заработали чистыми, без учета строительных проектов и расширений, 207 000 фунтов стерлингов. При том, что высококвалифицированный инженер с блестящим образованием получал в то время всего 110 фунтов в год, а простой рабочий - 3 шиллинга за 1 шестидневную рабочую неделю по 10 часов каждый день, или около 8 фунтов в год. И всё было бы ничего, но медная руда залегала вместе с мышьяком. А это автоматически делало ДГК крупнейшим производителем мышьяка в мире... А имея деньги от производства меди, было уже не сложно договориться с производителями красок, фармацевтическими компаниями и парой газетёнок...

Второй проблемой было то, что отравление мышьяком совсем не очевидно отравление мышьяком. Боли в животе, усталость, острая диарея, как симптомы, и стесненные условия, огромные переработки и глобальные эпидемии холеры и туберкулеза, как окружение, смазывали картину заболевания. И это я молчу про работников фабрик, где мышьяк производили и обрабатывали, где не было ни ДМС, ни средств защиты, ни обследований на производстве, а только бедность. Но силами таких людей как Томас Уокли и Генри Летеби общество начало меняться.

Роковая дама.

В 1862 году в Париже открылось здание Оперы - Гранд-опера, Опера Гарнье, блистательное здание архитектора Шарля Гарнье, пылающее своей роскошью и великолепием - было одним из последних строений наследия эпохи монархий в Европе. Наполеон 3-ий проиграл президентские выборы и объявил себя императором. Его великолепная красотка жена - Императрица Евгения, графиня де Монтихо - купалась вместе с мужем в роскоши и частенько посещала театральные представления. В 1864 году мадам вместе с мужем посещает и Гранд-опера. Только представьте себе: вереницы карет, стройные дамы в украшениях по стоимости, сопоставимой с доходом региона за год. Как будто старт нового сезона Игры престолов проходит одновременно с вручением Оскара и заседанием большой восьмерки. Съезжаются все знаменитости и знать со всей Европы, политики и бизнесмены. Простые люди и первые газетчики жадно глазеют на тех, кто немыслимо далек от них по социальной лестнице, ловя каждое движение знатных людей в пышных платьях и каждую деталь узора на подолах, чтобы затем скопировать, продать, купить, похвастаться, рассказать и снова продать. Юбка, как у графини Монтихо, туфли, как у Якова 2-го... И вот, на крыльцо, из роскошной кареты ступает Мария Евгения Игнация Августина Палафокс. На ней одето невероятное платье столь яркого и насыщенного зелёного оттенка, что она приковывает к себе взгляды и становится звездой вечера, получая всё возможное внимание и комплименты.

Та самая императрица и тот самый зелёный:

Цвет тут же получает отдельное название - Парижский зеленый - и мгновенно входит в моду во всём. От носков и занавесок, до носовых платков.

Но на выход французской императрицы тут же язвительно ответила британская пресса. Доктор Хоффман написал статью в Таймс: ... зелёные тарлетаны опять вошли в моду.... Тарлетан это не большая канапешка с креветкой, а тип легкой ткани, как хлопчатобумажная салфетка, только юбка и очень дорого. А Мэтью Дэвис следом выступил с расчётом, что на одно такое платье приходится не менее 58 грамм чистого мышьяка. Журнал Британский Медик написал ... очаровательна владелица зелёного платья и поистине убийственна. Она носит в своих юбках яд, достаточный для того, чтобы убить всех своих поклонников...

Одна из иллюстраций 1862 года, посвященная тому самому платью (подкрашено мной, SV):

Императрица не была дурой, как могло показаться с первого взгляда. Это был новый краситель, а не тот же самый Шееле, но состав, по большому счету, почти не изменился. Поэтому научное сообщество восприняло дефиле крайне негативно.

Не имея широкой научной базы по воздействию химических веществ на человеческий организм, ученые умы не могли сходу доказать обратное, что, в свою очередь, приводило к появлению целой вереницы мифов: опасны только дешевые обои, парижский зелёный одела королева - это новый состав, мышьяк вообще безвреден, потому что зеленые обои у моей бабки, а она жива, а Олег, у которого синие обои - умер. Это всё холера.

На деле же проблем было куда больше, чем может показаться с первого взгляда. Их была целая палитра.

От Ренуара до Тигриных носков.

Разных оттенков добивались широким набором красителей. Это был и Фуксин, в растворе дающий фиолетовый цвет. Он стоит на полке у медиков прошлых эпох между бриллиантовым зеленым и метиленовым синим (на самом деле это обычные зеленка и синька) из-за негативного эффекта на стафилококки. Фуксином, кстати, впервые покрасили бактерии. Когда вы видите где-то описание "грамположительная", это значит, что если на бактерию вылить фуксин, она посинеет. А ещё им красили носки. И тогда синели не только ткань, но и ноги.

Глубокий синий цвет на полотнах Ван Гога - это алюминат кобальта, проще говоря, окисленная и прокалённая смесь и того и другого. А, например, до этого использовали искусственный ультрамарин, открытый в 1824 году (сложная смесь натрия, кремния, алюминия, железа, серы и угля). А ещё до этого ультрамарин натуральный - перетёртый полудрагоценный лазурит. Так что, в зависимости от того, на картину какого времени вы смотрите, это может быть совсем разная сложность изготовления, написания, стоимости материалов. Голубой плащ девы Марии, нанесенный на полотно в эпоху Возрождения, стоил неплохих денег, а картина французского генерала в голубом мундире в конце 19-го столетия могла быть написана бедным художником и дешевыми красками за еду.

Лазурит против алюмината кобальта, справа "Дева Мария" авт. Джовани Батисты Сальви (лазурит), слева Пьест Огюст Ренуар "Зонтики" (а.к.):

Красный делали так же, или натуральным из Марены Красильной (Rubia tinctorum), или химическим, например, из киновари - сульфида ртути. "Вознесение Богородицы", Тициан Веччелио (сульфид ртути):

Всё вместе это приводило к самым разным эффектам. К примеру, великолепна история с тигриными носками.

В 1861 году в Англии номер газеты Леди вышел с кричащим заголовком Радуга на ваших ножках. Одна из полос была посвящена модной новинке сезона - полосатым носкам. Стоили они тогда не дешево, и товар покупали только самые изысканные модники, и благодаря их статусу мы, кстати, знаем о последствиях. В том году один из членов Британского парламента несколько месяцев провел дома на больничном из-за язв, внезапно покрывших его ноги. Один из знатных французов, купивших британские носки, пожаловался на гнойные волдыри и экзему в виде полосок.

Отчасти положение усугублялось тем, что такой предмет гардероба как носки, не стирался долгое время. В случае с французом - 12 дней. Прозвище тигриные носки они получили, когда один знатный джентльмен в 1871 году получил воспаление в полосочку. Конечно, тогда знали о токсичности некоторых красок. Научные журналы, вроде медицинского Lancet, выпускали небольшие инструкции, вроде: не стирать перед ношением, не носить в жаркую погоду в тесной обуви, обращать внимание на собственную потливость. Но общую картину глобального невежества это не меняло. Это сейчас, если вам предложить носки, покрашенные ртутью, вы убежите босиком. Но тогда прямая угроза была не доказана, и можно было спорить об этом сколько угодно, но спорить предпочитали в полосатых носках, а не черно-белых портянках.

Наши дни.

Для Викторианской Англии переломным моментом стал 1879 год. Тогда на официальный прием к королеве Англии Виктории опоздал один чиновник. На гнев королевы он заявил, что ночевал в Букингемском дворце в просторной комнате с зелёными обоями и с тех пор ужасно себя чувствует. Его врачи утверждают, что это отравление мышьяком. Виктория психанула и велела содрать все зелёные обои в Букингеме.

Когда до простых граждан дошел слух, что королева дерёт зелёные обои, они тут же последовали её примеру. Через 20 лет ДГК разорится и закроется из-за падения цен на мышьяк и обеднения медных рудников. Мышьяк останется только в составе лекарств от сифилиса, а в обществе начнутся массовые образовательные компании по внушению населению простой истины: мышьяк - яд.

Продолжались они до середины 20-го века и были так успешно упорны, что в кинематографе и некоторых других искусствах образ яда закрепился за зелёной жидкостью, а зелёный цвет кожи ещё долго будет ассоциироваться с ведьмиными зельями и отравой.

Спасибо, если смогли дочитать,

Подписывайтесь в сообществе ВК, https://www.scientaevulgaris.com/

Ваш - SV.

Подробнее..

Категории

Последние комментарии

  • Имя: Макс
    24.08.2022 | 11:28
    Я разраб в IT компании, работаю на арбитражную команду. Мы работаем с приламы и сайтами, при работе замечаются постоянные баны и лаги. Пацаны посоветовали сервис по анализу исходного кода,https://app Подробнее..
  • Имя: 9055410337
    20.08.2022 | 17:41
    поможем пишите в телеграм Подробнее..
  • Имя: sabbat
    17.08.2022 | 20:42
    Охренеть.. это просто шикарная статья, феноменально круто. Большое спасибо за разбор! Надеюсь как-нибудь с тобой связаться для обсуждений чего-либо) Подробнее..
  • Имя: Мария
    09.08.2022 | 14:44
    Добрый день. Если обладаете такой информацией, то подскажите, пожалуйста, где можно найти много-много материала по Yggdrasil и его уязвимостях для написания диплома? Благодарю. Подробнее..
© 2006-2024, personeltest.ru