Будущее рядом

Француз Фабрис Гринда всегда любил рисковать он успешно вложился в сотни компаний: Alibaba, Airbnb, BlaBlaCar, Uber и даже русский аналог Booking сервис Oktogo. У него особое чутьё на тренды, на то, каким может быть будущее.

Месье Гринда не только инвестировал в чужие бизнесы, но и создавал свои. Например, онлайн-доска объявлений OLX, которой пользуются сотни миллионов человек, его детище.

Кроме того, иногда он уделяет время литературному творчеству и пишет довольно спорные, но любопытные эссе. О том, что есть и что будет. Ему интересно будущее и как инвестору, и как визионеру.

Несколько лет назад он дал интервью журналу Alliancy, обсуждая мир в 2030 году.

Журнал Alliancy: Какие серьезные изменения вы видите через 10 лет?

Fabrice: Интернет вещей, например, холодильники, заказывающие продукты, когда они заканчиваются, доставка дронами и тому подобное. Все это приближается. Кроме того, мне видно некоторые важные прорывы в пяти областях: автомобили, связь, медицина, образование и энергетика. Технологии существуют, будущее уже наступило, просто не везде равномерно. Для крупномасштабного развертывания нужно снизить затраты и упростить использование.

Автомобили станут общими. На сегодняшний день беспилотные автомобили уже проехали безаварийно миллионы миль. Но если обычный автомобиль в Штатах в среднем стоит менее 20.000 долларов, то система, позволяющая превратить его в автопилотируемый, стоит порядка 100.000. Если смотреть со стороны финансов общее применение все еще невозможно. Также отсутствует правовая база, так как нужно определиться с тем, кто будет нести ответственность в случае аварии.

А что насчет рентабельности?

Автомобили второй источник расходов домашнего бюджета, хотя порядка 95% времени они простаивают. Люди продолжают покупать автомобили, поскольку так получается дешевле, чем использовать Uber и водителя, кроме того автомобиль доступен в любое время, особенно в неплотно заселенных районах.

Но когда затраты на водителя исчезнут, когда автомобили станут автономными, основным расходом станет амортизация в течение нескольких лет. Общий автомобиль, используемый 90% времени, станет намного дешевле таким образом на всех уровнях владение автомобилем больше не будет иметь смысла. Предприятия будут покупать парки автомобилей, а затем предоставлять их другим предприятиям, которые будут заниматься их эксплуатацией, как Uber, с достаточно плотным графиком, так что автомобиль будет доступен через пару-тройку минут, в том числе и в менее плотно населенных районах. Это особенно сильно изменит общество, поскольку в США основной источник занятости вождение автомобиля. Освободится очень много рабочих рук, стоимость вождения снизится.

Случилась ли революция в области коммуникаций?

Нет. Самый распостраненный инструмент, без которого сложно представить жизнь, мобильный телефон, исчезнет полностью. В принципе мы уже добились значительных успехов в чтении мозга и находимся на той стадии, в которой 15 лет назад было распознавание голоса. Тогда для этих целей вам нужна была мощная специализированная карта и часы тренировок, чтобы ваш голос мог эффективно распознаваться. Сегодня, надевая себе на голову шлем с 128 электродами с такими же часами тренировок, можно научиться мысленному управлению курсором на экране, пилотированию самолета. В 2013 году даже была сделана связь мозг-мозг, кто-то, используя силу мысли, смог пошевелить рукой другого человека...

В 2030 мы будем работать где захотим, когда захотим и столько, сколько захотим.

Чего же мы ждем?

Вполне возможно, что через 10 лет у нас будет парочка прозрачных и невидимых электродов в мозгу, позволяющих нам использовать наши мысли для передачи инструкций миниатюрному компьютеру, чтобы он показал нам электронные письма, тексты с использованием лазеров на очках, которые отобразят их на сетчатке или с использованием умных контактных линз.

У нас появится своего рода улучшенная телепатия, мы будем обмениваться информацией мысленно: я думаю текст, отправляю его вам, вы читаете его на сетчатке глаз или на контактных линзах. Нам больше не будет нужно носимое устройство с мелким экраном и с постоянно наклоненной к нему головой, которое отвлекает нас и ограничивает поле зрения. Но и через 10 лет это будет только начало. Лазеры, умеющие отправлять изображения на сетчатку, существуют, но линзы все еще низкого качества. Чтение мыслей пока еще приблизительное и требует суперкомпьютера с 128 электродами. В 2030 году эквивалент такого суперкомпьютера будет стоить 50 долларов. На доработку достаточно малых и эффективных электродов, а также соответствующих программ, возможно потребуется 20-25 лет. Однако смартфоны исчезнут неизбежно.

А что с медициной?

Сегодня пять врачей могут поставить пять разных диагнозов одной и той же болезни, поскольку люди не настолько хороши в диагностике. Так, Watson, суперкомпьютер от IBM, лучше врачей определяет некоторые виды рака. В этом есть логика, поскольку он учитывает каждый микрон результатов МРТ или рентгеновского снимка, а врач смотрит не более пары минут. Через 5 лет диагностика достанется только компьютерам, через 10 мы получим универсальный диагностический аппарат для всех распространенных болезней, включая простуду, ВИЧ и прочих.

Примерно в это же время революция произойдет и в хирургии. Робот-доктор Da Vinci уже провел пять миллионов операций. Хирургия и далее будет становиться всё более роботизированной или автоматизированной, что позволит сократить разрыв производительности между хирургами. Впервые начнет снижаться стоимость лекарств. Кроме того вся бумажная работа и административная неэффективность уйдут после внедрения электронных медицинских карт. Через 10 лет мы получим диагностику с постоянной обратной связью о том, что нам стоит делать с точки зрения питания, лекарств, при все более эффективной хирургии и гораздо более низкой стоимости затрат на медицину.

Еще одна революция образование?

Если бы мы перенесли Сократа в наше время он бы ничего не понял, кроме способа образования наших детей: разные учителя разговаривают с классом от 15 до 35 учеников. Нет смысла продолжать обучать наших детей так, как это делалось 2500 лет назад, ведь у каждого ученика разные навыки и интересы. А теперь, когда мир меняется так быстро, подумайте, насколько это забавно, что образование ограничено по времени и прекращается после окончания школы или университета. Образование должно быть непрерывным процессом, происходящим на протяжении всей жизни, а также более эффективным.

N.B. от редактора: Представляю, как бы удивился Сократ, если бы увидел, как проходят наши интенсивы. Если офлайн-интенсивы до пандемии коронавируса ещё кое-как походили на классическое образование (лекционный конференц-зал, спикеры-учителя, студенты за столами, вместо глиняных дощечек или папируса ноутбуки и планшеты, вместо майевтики или сократовской иронии Докер или продвинутый курс по Kubernetes c практическими кейсами), которое особо не менялось в инструментах с античной эпохи, то лекции через Zoom, курилка и общение в Telegram, презентации и видео-записи занятий в личном кабинете Определённо, Сократ этого бы не понял. Так что будущее уже наступило а мы и не заметили. И пандемия коронавируса подтолкнула нас к изменениям.

Как это изменит наши возможности?

На таких сайтах, как к примеру Coursera, лучший профессор в своей отрасли предлагает онлайн-курсы для 300.000 студентов. Намного логичнее, чтобы лучший учитель обучал большое число учеников! За сдачу экзаменов платят только те, кто желает получить степень. Так система получается гораздо справедливее.

А что с начальной и средней школами?

Сейчас в некоторых школах проходят испытания автоматизированной системы обучения. Здесь учитель уже не говорящая машина, а тренер. Обучение проходит с помощью ПО, которое потом задает вопросы и может подстраиваться под учеников. Если ученик делает ошибки программа повторяет материал другими способами, и только после того, как ученик все понял переходит на следующий этап. Ученики одного и того же класса идут в собственном темпе. Это не конец школы, ведь помимо знаний надо научиться общаться и взаимодействовать, для этого нужно окружение других детей. Люди типичные социальные существа.

Что-то еще?

Наибольший прорыв будет в непрерывном образовании. Массово меняются требования, в продажах несколько лет назад важно было знать, как оптимизировать вашу видимость в поисковых системах (SEO). Сегодня нужно понимать оптимизацию магазина приложений (ASO). Как это знать? Пройти курсы на сайтах, к примеру Udemy, лидера в этой области. Они создаются пользователями, а затем доступны всем по цене от 1 до 10 долларов...

N.B. от редактора: Вот честно, лично я не уверен, что курсы, созданные пользователями, а не практиками, такая уж хорошая идея. Мир сейчас заполонили тревел- и бьюти-блогеры. Если дополнительно заполонят учителя-блогеры, то будет трудно найти по-настоящему полезный и профессиональный материал в куче контента. Я хорошо знаю, сколько труда десятков людей нужно, чтобы создать по-настоящему полезный курс по тому же мониторингу и логированию инфраструктуры в Kubernetes, основанный не на мануалах и статьях, а на практике и опробованных кейсах. Ну, и на встреченных граблях куда уж без них в работе и освоении нового инструментария.

Проще говоря мир работающих обязательно изменится?

Миллениалы (рожденные позже 2000 года) терпеть не могут работу с 9 до 18, работу на начальника, самого начальника. В настоящее время мы видим бурный рост предпринимательства в США, усиленный доступностью ряда сервисных приложений по запросу. Половина рабочих мест, созданных после кризиса 2008 года, это люди, работающие сами на себя, либо те, кто работают на Uber, Postmates (доставка еды на дом), Instacart (доставка еды от соседей).

Это персонифицированные услуги, доступные по запросу...

Услуги косметологов, маникюр, стрижки, перевозки. Все эти услуги были открыты заново с большей гибкостью. Также эти идеи верны и для услуг программирования, редактирования и дизайна. Работа становится все менее инкрементальной, для нее требуется меньше времени. Миллениалы работают день и ночь в течение первой недели, а затем всего пять часов на следующей. Деньги для них средство получения жизненного опыта. В 2030 они будут составлять половину трудоспособного населения.

Станем ли мы счастливее в 2030?

Не обязательно, поскольку люди быстро подстраиваются к изменениям в своих условиях, этот процесс называется гедонистическая адаптация. Однако мы останемся хозяевами своей судьбы. Будем работать столько, либо не более, чем мы захотим. В среднем люди будут иметь лучшее здоровье и образование. Стоимость большинства вещей будет ниже, что приведет к значительному улучшению качества жизни.

Значит не будет социального неравенства?

Идут разговоры о расширении неравенства, а в действительности происходит сближение социальных классов. В 1900 году богатые люди уходили в отпуск, но не бедные. Сегодня один летит на частном самолете, другой на EasyJet, но оба садятся в самолет и уходят в отпуск. 99% американских бедняков имеют воду и электричество, а 70% из них владеют автомобилем. Если смотреть на такие факторы, как младенческая смертность и ожидаемая продолжительность жизни неравенство сокращается.

А что насчет изменения климата и стоимости энергии, могут они повлиять на эти достижения?

Этот вопрос будет решен без регулирования и вмешательства государства. Мы собираемся перейти к безугольной экономике, но по чисто экономическим причинам. Один мегаватт солнечной энергии стоит уже меньше доллара, если сравнить с 100 долларами в 1975 году. Это получилось в результате улучшения производственных процессов и производительности. Также достигнуто равенство стоимости солнечной энергии в некоторых регионах, где создание электростанций дорого обходится. В 2025 году стоимость солнечного киловатта будет меньше, чем стоимость угольного киловатта без субсидий. Как только это произойдет, в процесс будут вложены десятки миллиардов долларов. В 2030 начнется ускоренное внедрение солнечной энергии. Стоимость мегаватта станет намного ниже, что в свою очередь снизит затраты на многие другие вещи и улучшит качество жизни. Я настроен весьма оптимистично.

Сегодня искусственные нейронные сети лежат в основе многих методов искусственного интеллекта. При этом процесс обучения новых нейросетевых моделей настолько поставлен на поток (благодаря огромному количеству распределенных фреймворков, наборов данных и прочих заготовок), что исследователи по всему миру с легкостью строят новые эффективные безопасные алгоритмы, порой даже не вдаваясь в то, что в результате получилось. В отдельных случаях это может приводить к необратимым последствиям на следующем шаге, в процессе использования обученных алгоритмов. В сегодняшней статье мы разберем ряд атак на искусственный интеллект, как они устроены и к каким последствиям могут приводить.

Как вы знаете, мы в Smart Engines с трепетом относимся к каждому шагу процесса обучения нейросетевых моделей от подготовки данных (см. здесь, здесь и здесь) до разработки архитектуры сетей (см. здесь, здесь и здесь). На рынке решений с использованием искусственного интеллекта и систем распознавания мы являемся проводниками и пропагандистами идей ответственной разработки технологий. Месяц назад даже мы присоединились к глобальному договору ООН.

Так почему же так страшно спустя рукава учить нейронные сетки? Разве плохая сетка (которая будет просто плохо распознавать) реально может серьезно навредить? Оказывается, дело тут не столько в качестве распознавания полученного алгоритма, сколько в качестве полученной системы в целом.

В качестве простого понятного примера, давайте представим, чем может быть плоха операционная система. Действительно, совсем не старомодным пользовательским интерфейсом, а тем, что она не обеспечивает должного уровня безопасности, совершенно не держит внешних атак со стороны хакеров.

Подобные размышления справедливы и для систем искусственного интеллекта. Сегодня давайте поговорим об атаках на нейронные сети, приводящих к серьезным неисправностям целевой системы.

Отравление данных (Data Poisoning)

Первая и самая опасная атака это отравление данных. При этой атаке ошибка закладывается на этапе обучения и злоумышленники заранее знают, как обмануть сеть. Если проводить аналогию с человеком, представьте себе, что вы учите иностранный язык и какие-то слова выучиваете неправильно, например, вы думаете, что horse (лошадь) это синоним house (дом). Тогда в большинстве случаев вы спокойно сможете говорить, но в редких случаях будете совершать грубые ошибки. Подобный фокус можно провернуть и с нейронными сетями. Например, в [1] так обманывают сеть для распознавания дорожных знаков. При обучении сети показывают знаки Стоп и говорят, что это и правда Стоп, знаки Ограничение скорости с также правильной меткой, а также знаки Стоп с наклеенным на него стикером и меткой Ограничение скорости. Готовая сеть с высокой точностью распознает знаки на тестовой выборке, но в ней, фактически, заложена бомба. Если такой сетью воспользоваться в реальной системе автопилота, то увидев знак Стоп со стикером она примет его за Ограничение скорости и продолжит движение автомобиля.



Как видите, отравление данных крайне опасный вид атак, использование которого, в прочем, всерьез ограничено одной важной особенностью: необходим непосредственный доступ к данным. Если исключить случаи корпоративного шпионажа и порчи данных сотрудниками, остается следующие сценарии, когда это может произойти:

1. Порча данных на краудсорсинг-платформах. Наверное, ни для кого не секрет (или это все еще секрет?...), что, отмечая машины на капче для входа на какой-нибудь сайт, мы создаем гигантскую обучающую выборку. Похожие задачи часто ставятся на платформах, где люди могут немного заработать, размечая данные. Очевидно, что такая дешевая разметка никогда не оказывается чистой. Иногда человеку лень отмечать все объекты, иногда он их просто не замечает. В большинстве случаев подобные ошибки вылавливаются статистическими методами (например, одну и ту же картинку показывают нескольким людям и выбирают самый популярный ответ). Однако, теоретически, возможен сговор, когда один и тот же объект всеми размечается неверно, как в примере со знаками Стоп со стикерами. Подобную атаку уже нельзя выловить статистическими методами и последствия у нее могут быть серьезными.
2. Использование предобученных моделей. Второй крайне популярный способ, который может привести к порче данных использование предобученных моделей. В сети огромное количество практически обученных полуфабрикатов-архитектур нейронных сетей. Разработчики просто меняют последние слои сети под нужные им задачи, а основной массив весов остаются без изменений. Соответственно, если изначальная модель подверглась порче данных, итоговая модель частично унаследует неправильные срабатывания [1].
3. Порча данных при обучении в облаке. Популярные тяжелые архитектуры нейронных сетей практически невозможно обучить на обычном компьютере. В погоне за результатами многие разработчики начинают учить свои модели в облачных сервисах. При таком обучении злоумышленники могут получить доступ к обучающим данным и незаметно для разработчика их испортить.

Атаки уклонения (Evasion Attack)

Следующий тип атак, который мы рассмотрим это атаки на уклонение. Такие атаки возникают на этапе применения нейронных сетей. При этом цель остается прежней: заставить сеть выдавать неверные ответы в определенных ситуациях.

Изначально, под ошибкой уклонения подразумевались ошибки II рода, но сейчас так называют любые обманы работающей сети [8]. Фактически, злоумышленник пытается создать у сети оптическую (слуховую, смысловую) иллюзию. Нужно понимать, что восприятие изображения (звука, смысла) сетью существенном образом отличается от его восприятия человеком, поэтому часто можно увидеть примеры, когда два очень похожих изображения неразличимых для человека, распознаются по-разному. Первые такие примеры были показаны в работе [4], а в работе [5] появился популярный пример с пандой (см. титульную иллюстрацию к данной статье).

Как правило, для атак уклонения используются состязательные примеры (adversarial examples). У этих примеров есть пара свойств, которые ставят под угрозу многие системы:

1. Состязательные примеры зависят от данных, а не от архитектур, и их можно сгенерировать для большинства датасетов [4]. При этом показано существование универсальных помех, добавление которых к картинке практически всегда обманывает модель [7]. Универсальные помехи не только отлично работают в рамках одной обученной модели, но и переносятся между архитектурами. Это свойство особенно опасно, ведь многие модели учатся на открытых датасетах, для которых можно заранее просчитать необходимые искажения. На следующем рисунке, взятом из работы [14], в качестве универсальной помехи проиллюстрировано влияние незначительного поворота и смещения целевого объекта.
   
   
   
2. Состязательные примеры отлично переносятся в физический мир. Во-первых, можно аккуратно подобрать примеры, которые неверное распознаются, исходя из известных человеку особенностей объекта. Например, в работе [6] авторы фотографируют стиральную машину с разных ракурсов и иногда получают ответ сейф или аудио-колонки. Во-вторых, состязательные примеры можно перетащить из цифры в физический мир. В работе [6] показали, как добившись обмана нейронной сетки путем модификации цифрового изображения (трюк, аналогичный выше показанной панде), можно перевести полученный цифровой образ в материальный вид простой распечаткой и продолжить обманывать сеть уже в физическом мире.

Атаки уклонением можно делить на разные группы: по желаемому ответу, по доступности модели и по способу подбора помех:

1. По желаемому ответу. Очевидно, что при атаке уклонения мы хотим в результате получить ответ, отличный от настоящего. Однако иногда мы хотим получить просто неверный ответ, неважно какой. Например, если у нас есть классы кот, собака, ящерица, мы хотим распознать картинку с котом неверно, но, нам всё равно, какую из двух оставшихся меток выдаст модель. Такие методы называются нецелевыми. Обратный случай, когда мы хотим не просто не распознать кота, а сказать, что это именно собака, называются целевыми.
2. По доступности модели. Для того, чтобы обмануть модель, нам нужно понимать, как подобрать данные, на которой сети станет плохо. Конечно, мы можем вслепую перебирать картинки и надеяться, что вот тут-то сеть ошибется или основываться только на общих соображениях схожести объектов для человека, однако так мы вряд ли найдем примеры аналогичные примеру с пандой. Гораздо логичнее использовать ответы сети, чтобы знать, в каком направлении менять картинку. При атаке на черный ящик, мы знаем только ответы сети, например, результирующий класс и его оценку вероятности. Именно такой случай часто встречается в реальной жизни. При атаке на белый ящик мы знаем все параметры модели, считая веса, скорости и метод обучения. Очевидно, что в такой ситуации можно очень эффективно подбирать состязательные примеры, высчитывая их по сети. Казалось бы, этот случай должен быть редким в реальной жизни, ведь при применении настолько полная информация про сеть недоступна. Однако стоит помнить, что состязательные примеры зависят в основном от данных и хорошо переносятся между архитектурами, а значит, если вы учили сеть на открытом наборе данных, такие примеры для нее найдут быстро.
3. По подбору помех. Как видно из примера с пандой, для получения неверного ответа каждый пиксель изображения слегка изменяют. Как правило, такой шум нельзя просто взять и угадать, а значит, надо его высчитывать. Методы расчета помех делятся на две группы: однопроходные и итеративные. Как следует из названия, в однопроходных методах нужно за одну итерацию рассчитать помехи. В итеративных же методах можно аккуратно подбирать помехи. Ожидаемо, итеративные методы представляют большую угрозу для модели, чем однопроходные. Особенно же опасны итеративные методы атак на белый ящик.

Конечно, атакам уклонениям подвержены не только сети, классифицирующие животных и объекты. На следующем рисунке, взятом из работы 2020 года, представленной на IEEE/CVF Conference on Computer Vision and Pattern Recognition [12], показано, как хорошо можно обманывать рекуррентные сети для оптического распознавания текста:

Теперь о немного других атаках на сети

За время нашего рассказа мы несколько раз упоминали обучающую выборку, показывали, что иногда именно она, а не обученная модель, является целью злоумышленников.

Большинство исследований показывают, что распознающие модели лучше всего учить на настоящих репрезентативных данных, а значит часто модели таят в себе много ценной информации. Вряд ли кому-то интересно красть фотографии котов. Но ведь алгоритмы распознавания используются в том числе в медицинских целях, системах обработки персональной и биометрической информации и т. п., где обучающие примеры (в виде живой персональной или биометрической информации) представляют собой огромную ценность.

Итак, рассмотрим два вида атак: атаку на установление принадлежности и атаку путем инверсии модели.

Атака установления принадлежности

При данной атаке злоумышленник пытается определить, использовались ли конкретные данные для обучения модели. Хотя с первого взгляда кажется, что ничего страшного в этом нет, как мы говорили выше, можно выделить несколько нарушений конфиденциальности.

Во-первых, зная, что часть данных о каком-то человеке использовалась при обучении, можно попробовать (и иногда даже успешно) вытащить другие данные о человеке из модели. Например, если у вас есть система распознавания лиц, хранящая в себе еще и персональные данные человека, можно по имени попробовать воспроизвести его фотографию.

Во-вторых, возможно непосредственное раскрытие врачебной тайны. Например, если у вас есть модель, следящая за передвижениями людей с болезнью Альцгеймера и вы знаете, что данные о конкретном человека использовались при обучении, вы уже знаете, что этот человек болен [9].

Атака путем инверсии модели

Под инверсией модели понимают возможность получения обучающих данных из обученной модели. При обработке естественного языка, а в последнее время и при распознавании изображений, часто используются сети, обрабатывающие последовательности. Наверняка все сталкивались с автодополнение в Google или Яндекс при вводе поискового запроса. Продолжение фраз в подобных системах выстраивается исходя из имеющейся обучающей выборки. В результате, если в обучающей выборке были какие-то персональные данные, то они могут внезапно появиться в автодополнении [10, 11].

Вместо заключения

С каждым днем системы искусственного интеллекта разного масштаба все плотнее оседают в нашей повседневной жизни. Под красивые обещания об автоматизации рутинных процессов, повышении общей безопасности и другого светлого будущего, мы отдаем системам искусственного интеллекта различные области человеческой жизнедеятельности одна за другой: ввод текстовой информации в 90-х, системы помощи водителю в 2000-х, обработка биометрии в 2010-х и т. д. Пока что во всех этих областях системам искусственного интеллекта предоставлена только роль ассистента, но благодаря некоторым особенностям человеческой природы (в первую роль, лени и безответственности), компьютерный разум часто выступает в качестве командира, приводя порой к необратимым последствиям.

У всех на слуху истории, как врезаются автопилоты, ошибаются системы искусственного интеллекта в банковской сфере, возникают проблемы обработки биометрии. Совсем недавно, из-за ошибки системы распознавания лиц россиянина едва не посадили на 8 лет в тюрьму.

Пока это все цветочки, представленные единичными случаями.

Ягодки ждут впереди. Нас. В ближайшем будущем.

Телескоп Джеймс Уэбб (известен как JWST или Webb) успешно завершил акустические и вибрационные испытания. В NASA сообщают, что после удачного теста на развертывание в полетную конфигурацию, обсерватория будет полностью готова к полету в космос.

Испытания подтвердили, что обсерватория выдержит оглушительный шум, разрушительный грохот и сильные вибрации, которые сопровождают взлет. Тесты стали финальными испытаниями JWST перед отправкой для запуска во Французскую Гвиану.

^{Фото: NASA}
Телескоп планируют отправить в космос со стартового комплекса Arianespace ELA-3 на космодроме, расположенном недалеко от Куру (Kourou) во Французской Гвиане. Вывод телескопа на орбиту запланирован на 31 октября 2021 года. Джеймс Уэбб в перспективе должен стать главной из орбитальных обсерваторий.

Запуск проекта переносится в течение 13 лет. Его общая стоимость превышает $10 млрд. Работать он будет в течение 5-10 лет на гало-орбите вокруг второй точки Лагранжа (L2) в системе Солнце-Земля.

^{Фото: NASA}
Подготовка и запуск JWST совместная ответственность NASA, ESA, NGAS и Arianespace.

Webb всемогущий

Создатели обещают, что JWST будет самым сложным, мощным и большим телескопом, запущенным когда-либо в космос. Эта орбитальная обсерватория благодаря широкому спектру инструментов для исследований и лучшей чувствительности расширит и дополнит открытия телескопа Хаббл. Детекторы инфракрасного излучения среднего и ближнего диапазонов позволят телескопу заглянуть внутрь пылевых облаков, где образуются звезды и планетные системы.

^{Фото: NASA}
Грузоподъемность Джеймса Уэбба примерно 6,2 тонны, включая обсерваторию, расходные материалы на орбите и адаптер ракеты-носителя.

Одна из глобальных миссий телескопа выяснить, какой была Вселенная после Большого взрыва. Джеймса Уэбб сможет наблюдать за далекими галактиками, находящимися на расстоянии 13 млрд световых лет от нас. Для этих наблюдений телескопу необходимо зеркало внушительных размеров. Чувствительность и количество деталей, которые может различить телескоп, зависят от площади зеркальной области. Зеркало собирает свет: чем оно больше, тем больше света соберет.

Инженеры JWST определили, что для достижения заявленных целей необходимо зеркало диаметром 6,5 метра. Оказалось, что изготовить такое зеркало непросто. Объект такого размера еще никогда не запускали в космос. Для сравнения, диаметр зеркала Хаббла 2,4 метра. Но если его масштабировать до нужного диаметра, то оно будет слишком тяжелым. Еще одна задача, которую решали инженеры, изготовить зеркало не только большим, но и сверхлегким. В качестве материала выбран прочный и легкий бериллий.


Зеркало построили складным, чтобы оно поместилось в ракету-носитель. Оно состоит из 18 сегментов шестиугольной формы и будет разложено после запуска в космос.

Hubble VS Webb

JWST не заменит телескоп Хаббл, а будет его преемником. У телескопов разные возможности.

^{Сравнение Джеймса Уэбба и Хаббла. Фото: GSFC}
JWST смотрит на Вселенную в инфракрасном свете, а Хаббл в основном изучает ее в оптическом и ультрафиолетовом диапазонах волн. Возможности Джеймса Уэбба в этом отношении шире. Его охват будет в диапазоне длин волн от 0,6 до 28 микрон. Инструменты Хаббл позволяют наблюдать малую часть инфракрасного спектра от 0,8 до 2,5 микрон. А его основные возможности в ультрафиолетовой и видимой частях спектра от 0,1 до 0,8 микрон.

Благодаря большому зеркалу JWST сможет заглядывать дальше, чем Хаббл. Этому также способствует то, что Хаббл находится на близкой к Земле орбите. В то время, как JWST будет на расстоянии 1,5 млн км от второй точки Лагранжа (L2).

^{Фото: NASA}
У Джеймса Уэбба будет намного больше поле зрения, чем у камеры телескопа Хаббла NICMOS, и примерно в 15 раз больше площадь.

Хаббл запущен с помощью космического челнока, а JWST запустят на ракете Ariane 5 с криогенным разгонным блоком, потому что телескоп будет находиться не на околоземной орбите, а значительно дальше.

Привет, Хабр! Ушедший год оказался непростым, но тем не менее богатым и на фундаментальные открытия, и на технологические прорывы. Сегодня поговорим о самых запомнившихся результатах.

Credit: scitechdaily.com

Сверхпроводимость при комнатной температуре

Credit: Adam Fenster

Есть надежды, что самым простым высокотемпературным сверхпроводником может оказаться обыкновенный водород. Правда, для этого он должен быть металлическим, для чего его придется сжать до давлений свыше 500 гигапаскалей (это где-то пять миллионов атмосфер). Вообще такие огромные давления создают между алмазными наковальнями отполированными гранями высококачественных алмазов размером в десятки микрон. Проблема в том, что при 500 ГПа наковальни начинают просто лопаться: именно это произошло вскоре после первого открытия металлического водорода. Гораздо проще стабилизировать водород, используя его соединения с другими элементами, и работать при более приемлемых давлениях около 100-200 ГПа.

Это привело к успеху в 2015 году: тогда группа из Майнца показала, что сероводород, сжатый до 155 ГПа, становится сверхпроводящим уже при -70 градусах Цельсия. Результат несколько раз улучшался, и наконец, в ушедшем году группа из университета Рочестера в США (по иронии судьбы ею руководит тот же исследователь, что потерял единственный в мире образец металлического водорода) показала сверхпроводимость в гидриде серы с добавкой углерода при давлении 270 ГПа и комнатной температуре в +15 С! Для этого авторы помещали между наковальнями смесь углерода и серы и пропускали через нее водород в течение нескольких часов, освещая смесь зеленым лазером, который играл роль фотокатализатора. Из-за огромного давления до практических применений пока что очень далеко, однако результат, несомненно, впечатляет.

Быстрые радиовсплески от магнетаров

Credit: Pitris/dreamstime.com

Время от времени радиотелескопы засекают быстрые радиовсплески мощные импульсы внеземной природы длительностью порядка миллисекунд. До прошлого года все они приходили из-за пределов нашей Галактики, и конкретные источники оставались неуловимыми, равно как и их природа. В узких кругах ходили шутки, что теорий происхождения радиовсплесков существует больше, чем их было зарегистрировано.

Все изменилось 27 апреля, когда два орбитальных телескопа обнаружили несколько рентгеновских и гамма-всплесков от магнетара (нейтронной звезды с огромным магнитным полем) SGR 1935+2154 в Млечном Пути и предупредили другие обсерватории о возросшей активности через The Astronomer's Telegram. К наблюдениям за ним решили присоединиться две обсерватории в Канаде и США, и уже через несколько часов увидели необычайно мощный радиовсплеск! После этого в работу сразу включились еще несколько телескопов, а через полдня, когда Земля повернулась нужной стороной, к ним присоединился и новейший китайский радиотелескоп FAST. В итоге астрономы не просто убедились, что магнетары могут испускать быстрые радиовсплески, но и четко измерили, как его излучение во всех диапазонах от радиоволн до гамма-лучей меняется во времени. Согласно наиболее стройной теории, описывающей эти наблюдения, магнетар периодически испускает ударные волны, и всплеск излучения происходит тогда, когда одна из волн догоняет предыдущую и сталкивается с ней.

Намек на нарушение CP-симметрии

Credit: Kamioka Observatory/Institute for Cosmic Ray Research/The University of Tokyo

Наш мир соткан из материи, а вот антиматерия в нем почти не встречается. Это удивительно, ведь на заре Вселенной материи и антиматерии было поровну. Для того, чтобы баланс нарушился и мир стал таким, как сейчас, должна нарушаться CP-симметрия (charge-parity symmetry): законы физики должны меняться, если мы зеркально отобразим физическую систему и заменим все частицы на античастицы. Вообще говоря, нарушение CP-симметрии было обнаружено еще в 60-х годах при распаде К-мезонов (в 1980 году за это дали Нобелевскую премию), а позже наблюдалось в B- и D-мезонах. Однако оно было слишком слабым для того, чтобы объяснить пропадание антиматерии из ранней Вселенной.

Но кроме кварков (из которых состоят все мезоны), существуют и другой тип элементарных частиц лептоны. Среди них три типа нейтрино, которые умеют превращаться из одного в другой (это называется нейтринные осцилляции), и сравнение частоты осцилляций нейтрино и антинейтрино было бы неплохой проверкой CP-симметрии. Сложность в том, что нейтрино очень сложно детектировать: они практически ни с чем не взаимодействуют и могут пролететь Землю насквозь.

Но нет ничего невозможного. В этом году японская коллаборация подвела итоги многолетнего эксперимента, в котором пучок нейтрино генерировался на ускорителе в Токаи (для этого они облучали графитовую мишень протонами), а детектировался в знаменитом Супер-Камиоканде (отличный обзор этой работы на Элементах). Ученые зарегистрировали 90 осцилляций определенного типа с нейтрино, и только 15 с антинейтрино. Это свидетельствует о нарушении лептонной CP-симметрии с достоверностью 95%, чего пока что недостаточно для открытия. Тем не менее, это серьезная заявка на успех, и эксперимент наверняка будет продолжаться.

Максимальная скорость звука

Credit: Gerd Altmann

Мы хорошо знаем, что звук это продольная волна, в которой сжатия упругой среды чередуются с ее растяжениями. Скорость звука сильно зависит от среды. С одной стороны, звук быстрее распространяется в плотных материалах. С другой, чем легче атомы вещества, тем меньше их инерция и тем проще сдвинуть их с места. Поэтому скорость звука в алюминии выше, чем в стали, а самая большая из известных скоростей звука 18 км/с наблюдается в алмазе. В этом году коллаборация из Москвы, Лондона и британского Кембриджа предложила на удивление простую модель для скорости звука в элементарных веществах, в которую входит всего один параметр (атомная масса элемента ) и четыре фундаментальные константы: масса электрона , масса протона , постоянная тонкой структуры и скорость света :

Результат удивителен тем, что фундаментальные константы, которые обычно описывают микромир и квантовые эффекты, оказались определяющими для описания звука, классического эффекта, проявляющегося на несоизмеримо больших масштабах. А еще из этой модели следует, что самая высокая скорость звука должна наблюдаться в уже известном нам металлическом водороде. Она составляет около 36 км/с, что хорошо согласуется с моделированием твердого водорода при давлениях до 1000 ГПа. Как мы помним из заметки про сверхпроводимость, таких давлений достичь пока что нереально; тем не менее, это может быть интересным планом для будущих исследований металлического водорода.

Открытие абелевских энионов

Credit: 5W Infographics/Quanta Magazine

Все частицы вокруг нас делятся на два типа: фермионы и бозоны. У бозонов целый спин, у фермионов полуцелый; одинаковые фермионы отталкиваются, бозоны нет. Есть еще одно важное отличие, понятное из очень мысленного эксперимента. Возьмем две частицы и сделаем одной из них круг вокруг другой как на левой картинке. В трехмерном мире сделать круг вокруг второй частицы это то же самое, что сделать небольшой кружок, не долетая до нее, или же вовсе ничего не делать. Результат будет одним и тем же: частица вернется на свое место, вероятность встретить ее там равна единице. В квантовом мире вероятность это квадрат амплитуды, поэтому амплитуда может равняться только +1 (это бозоны) или -1 (фермионы). Третьего не дано.

Все меняется в двумерном мире на правой картинке. Сделать круг вокруг другой частицы это не то же самое, что просто стоять на месте: у нас больше нет третьего измерения чтобы схлопнуть виток в точку. Сделав виток, частица может вернуться, будучи не фермионом и не бозоном, а чем угодно другим. Отсюда и происходит название энион (any-on).

Двумерный мир полон неожиданностей. Например, дробный квантовый эффект Холла (хитрое поведение сопротивления двумерных структур в огромных магнитных полях) вызывается композитными возмущениями, ведущими себя как частицы с дробным зарядом. В прошлом году группа из Парижа смогла наглядно показать, что именно такие возмущения являются яркими представителями семейства энионов. Для этого авторы подготовили энионный коллайдер: двумерный образец с разрезами поместили в магнитное поле, чтобы энионы распространялись вдоль границ разрезов. Там, где разрезы подходили близко друг к другу, наблюдалось туннелирование заряда, свойства которого превосходно подтверждали природу энионов. Несмотря на сложность и неинтуитивность подобных работ, это очень многообещающее направление: энионы могут использоваться в топологических квантовых компьютерах для непревзойденно надежной квантовой памяти.

Прямозонный кремний

Credits: nature.com

Мечты об интегрированной оптоэлектронике например, встроенных в процессор оптоволоконных приемниках или видеокамерах на одном чипе с GPU остаются мечтами по весьма фундаментальной причине: вся современная электроника основана на кремнии, который на редкость плохо подходит для работы со светом. Проблема кроется в кубической кристаллической решетке кремния и законе сохранения импульса. При излучении света электрон в кремнии переходит из валентной зоны в зону проводимости, при этом сильно изменяя свой импульс. Фотон не может скомпенсировать такой большой импульс, и это приходится делать самой кристаллической решетке, что на порядки понижает вероятность излучения или поглощения света. В отличие от кремния и подобных ему непрямозонных материалов, в оптоэлектронике используют прямозонные полупроводники, в которых импульс электрона мал и легко компенсируется импульсом фотона.

В прошлом году прорыв совершила группа из Эйндховена: они смогли получить прямозонный сплав кремния и германия не с кубической, а с гексагональной кристаллической решеткой (справа на картинке). Для этого они вырастили нанопроволоки из арсенида галлия, которые служили затравками для роста кремний-германиевого сплава с нужной кристаллической решеткой. Получившийся сплав излучал свет с длиной волны около 2 микрон (это перспективный диапазон для оптоволоконной связи), при этом длину волны можно было подстраивать, изменяя содержание германия в сплаве. Пока что эта технология не очень совместима с кремниевой промышленностью, однако возможность вырастить множество излучателей/детекторов рядом друг с другом делают это открытие весьма многообещающим для практических задач.

Фотонный квантовый компьютер

Credit: Hansen Zhong

Одним из прорывов 2019 года стала демонстрация квантового превосходства: квантовый чип с 53 сверхпроводниковыми кубитами за несколько минут решил задачу, на которую классический компьютер потратил бы несоизмеримо больше времени. Разработка таких квантовых чипов для работы при сверхнизких температурах это очень непростая задача, которая становится в разы сложнее при добавлении новых кубитов. Поэтому хоть сверхпроводниковые кубиты и остаются лидерами квантовой гонки, много усилий прикладывается для поиска альтернативных систем.

Под конец года новости пришли из Китая: группа профессора Пэна (который создал квантовый спутниковый интернет) продемонстрировала квантовое превосходство на фотонном квантовом компьютере. Роль квантовой памяти в нем играет специальным образом подготовленный свет. Все компоненты такого устройства источники квантового света, интерферометры, фотодетекторы хорошо известны, но была нужна поистине китайская скрупулёзность, чтобы собрать и отъюстировать всю оптику для эмуляции 50 кубитов. Среди неоспоримых преимуществ фотонного компьютера работа при комнатной температуре и возможность сравнительно простого добавления новых кубитов. А еще для света можно использовать оптоволокна или волноводы на чипе, что позволит значительно упростить наладку и увеличить размерность такого устройства.

Вот такими достижениями нам запомнится ушедший год. Надеюсь, в этом году мы тоже узнаем немало интересного о мире вокруг нас.

По материалам Nature, Science, Quanta Magazine и Physics World.

Вскоре в Европе заработает самая крупная аккумуляторная система хранения энергии на базе криотехнологий. Стартап из UK Highview Power начал в Манчестере работы по строительству комплекса CRYOBattery на 50 МВт и мощностью 250 МВт/ч. Проект CRYOBattery реализуется Highview Power вместе с компанией Carlton Power.

Как это работает? Захватив атмосферный воздух, система CRYOBattery сожмет его при сверхнизких температурах (-196 C), что превратит воздух в жидкость. Ее будут хранить в баках с теплоизоляцией и низким давлением. Нагревание вернет воздух в газообразное состояние. Газ приведет в действие турбины генераторов, которые будут вырабатывать электричество.

Фото: highviewpower.com

Цель проекта помочь Великобритании интегрировать возобновляемые источники энергии в общую энергетическую инфраструктуру, стабилизировать режим работы региональной сети. Это обеспечит стабильные поставки энергии регионам. Кроме того, система поможет нивелировать негативное влияние блэкаутов и других сбоев в сети.

Один из плюсов проекта относительно небольшая занимаемая площадь и возможность достаточно быстро масштабироваться в случае необходимости. Если пилот покажет себя хорошо, в будущем запланировано возведение пяти подобных заводов на территории страны. По заявлению президента Highview Power Хавьера Кавада (Javier Cavada), на сегодняшний день это первый и единственный в своем роде проект в Европе полностью готовый к работе со сверхнизкими температурами для запасания энергии.

Министерство бизнеса, энергетики и промышленной стратегии Великобритании выделило грант на проект в размере 10 млн. Сумма будет использована для строительства самой системы, а также для создания центра для посетителей. Открытие этого информационного центра запланировано на первый квартал 2021 года. Посетители смогут увидеть, как идет процесс строительства объекта и совершить виртуальные туры по комплексу.

Фото: highviewpower.com

На территории UK Highview Power уже возведены две демонстрационных тестовых установки мощностью несколько МВт. Предполагается, что CRYOBattery будет запущена в 2023 году. Расчетной мощности хватит для обслуживания 50 тыс.домов в течение пяти часов.

Впервые о строительстве нового комплекса на месте безымянной выведенной из эксплуатации ТЭЦ на севере страны заявлено в 2019 году. Тогда Хавьер Кавада сообщил, что для строительства будет использована имеющаяся электрическая инфраструктура и задействованы существующие сетевые подключения. Строить новые линии электропередач для объекта не потребуется, что позволяет существенно снизить стоимость проекта.

Индийское аэрокосмическое агентство (ISRO, Indian Space Research Organisation) запустит первую свою миссию к Венере. По планам, в декабре 2024 года к планете полетит орбитальный зонд Шукраян-1 (Shukrayaan-1). На борту корабля будет установлен спектометрический комплекс, разработанный совместно с российскими учеными VIRAL. Основная цель индийской миссии составить карту поверхности и недр Венеры, изучить взаимодействие солнечных потоков с ее ионосферой. Особое внимание будет уделено химическому составу атмосферы планеты.

Облака из серной кислоты, ураганные ветры, огромное давление и температура, при которой плавится свинец. Это не фантастическая картина конца света, предсказанного Гретой Тунберг. В целом обстановка на Венере далеко не оптимальна для изучения планеты, а воздух над ней и вовсе напоминает полужидкий-полугазообразный океан. Но это не останавливает ISRO, которое 3 года назад объявило о желании отправить к Венере орбитальный зонд Шукраян-1. И это желание реализовано! Если все пойдет хорошо, то космический аппарат сможет в течение 4 лет исследовать планету.

Миссия Шукраян-1
Фото: ISRO

Изначально предполагалось, что зонд отправят на год раньше. Но старт приходится откладывать из-за задержек, связанных с пандемией. Оптимальное окно для запуска миссий к Венере, когда планета ближе всего к Земле, наступает примерно каждые 19 месяцев.

Точная конфигурация миссии пока не установлена, с ней определятся в ближайшие 3-6 месяцев. На данный момент вес Шукраян-1 составляет 2500 кг, из которых от 100 до 175 кг отведено на научные приборы. В перечне кандидатов на полет со спутником20 приборы из России, Франции, Швеции и Германии. По заявлению Французского космического агентства (CNES), созданный совместно с Роскосмос прибор VIRAL (или Venus Infrared Atmospheric Gases Linker) также полетит на Шукраян-1.

Фото: Unsplash

До Венеры зонд будет лететь в течение нескольких месяцев. А потом выйдет на высокоэллиптическую орбиту в 500 на 60 тыс. км вокруг планеты. Через год, используя воздушное торможение, он снизится до орбиты в 200 на 600 км, с которой будет проводить научные исследования.

Почему Венера?

Исследование Венеры началось еще в 1960-х годах, когда планету изучали с помощью облетов, орбитальных зондов, нескольких спускаемых аппаратов. Ученые надеялись обнаружить на планете условия пригодные для жизни.

Схема автоматической межпланетной станции Венера-5, 1969 год
Фото: ТАСС

Атмосфера Венеры состоит на 96,5% из углекислого газа, на 3,47% из азота. Кислорода там нет вообще. На высоте 50-65 км над планетой атмосфера, температура и давление почти такие же, как на Земле. Некоторые ученые даже предлагали колонизировать именно верхние слои венерианской атмосферы.

Вокруг Венеры за последние 30 лет облетело всего 3 аппарата, сделанных руками человека., Сейчас космические агентства по всему миру вновь проявляют интерес к загадочной планете близнецу Земли.

Изучать Венеру планируют не только индийцы. В этом году NASA запланировала две миссии к Венере, рассматривая возможные запуски на 2025 и 2028 годы. Вероятно, к 2030 году Европейское космическое агентство отправит к Венере аппарат EnVision. В России ведут работы над концепцией орбитального аппарата и посадочного модуля Венера-Д, который отправится в путь не ранее 2023 года.

С индийским размахом

Индию называют шестой космической державой в мире. Страна имеет собственную пилотируемую программу, самостоятельно запускает спутники связи, возвращаемые космические аппараты и автоматические межпланетные станции к Луне и Марсу.
С 2008 года в Индии реализуют программу исследования Солнечной системы.

К 2022 году страна собирается отправить пилотируемую миссию к Луне. На данный момент, к Луне отправляют пилотируемые миссии с собственными ракетами-носителями только три страны: Россия, США и Китай. Остальные используют иностранные аппараты.

ISRO назвало Лунную миссию Гаганьян (Gaganyaan). На полет будет потрачено 1,28 млрд рупий (~ $17,3 млн). В миссии будет задействована самая мощная в Индии одноразовая ракета-носитель Geosynchronous Satellite Launch Vehicle Mark III.