Эта загадочная планета является второй по размерам в Солнечной системе, уступая лишь Юпитеру. Здесь средняя температура на поверхности составляет минус 180°C, а скорость ветров достигает местами 1 800 км/ч. Сатурн имеет более 150 спутников и самую захватывающую систему колец.

Сегодня посмотрим с автоматической межпланетной станции Кассини, которая предназначена для исследования планеты Сатурн, его колец и спутников.

Сатурн, его кольца и наша Земля. До неё отсюда 1.5 миллиарда километров. (Фото Nasa | JPL-Caltech | Space Science Institute):

Космический аппарат Кассини сделал уникальный снимок, на котором мы можем увидеть систему колец гиганта, приполярный вихрь и загадочный шестигранный шторм. Снимок был сделан на расстоянии порядка 2 200 000 км от объекта, разрешение снимка составляет 131 км на пиксель.Гигантский шестиугольник на северном полюсе Сатурна, который мог бы вместить 4 Земли, до сих пор является для нас загадкой. Впервые он был обнаружен учеными в 1980-х годах. Каждая из сторон шестигранника имеет длину порядка 13 900 км, а период его вращения — 10 часов 39 минут. (Фото Nasa | JPL-Caltech | Space Science Institute):

Чудовищный ураган, охватывающий северный полюс Сатурна. На снимке виден глаз урагана диаметром около 2000 км. Тонкие и яркие облака на внешней границе урагана, движутся со скоростью 150 м/с. Основное отличие сатурнианского урагана от земных двойников – гигантские размеры и поразительно высокая скорость вращения. (Фото Nasa | JPL-Caltech | Space Science Institute):

Совсем свежий снимок. Ослепительные кольца Сатурна с ледяными обломками, 30 января 2017.

В 1921 году разнесся слух о том, что Сатурн лишился своих колец, а их частицы летят в том числе и на Землю. Ожидаемое событие настолько взбудоражило умы людей, что публиковались расчёты, когда на Землю упадут частицы колец. Слух появился из-за того, что кольца попросту повернулись ребром к земным наблюдателям, а так как они очень тонкие, то в приборы того времени их было невозможно разглядеть. Люди поняли «исчезновение колец» в прямом смысле, что и породило слух. (Фото NASA | JPL-Caltech | Space Science Institute):

Редкая фотография трех спутников Сатурна одновременно. Самый большой из трех — Тетис (1062 км в поперечнике). Второй по размеру здесь — Гиперион — естественный спутник Сатурн (270 км в поперечнике). Плотность Гипериона настолько мала, что он, вероятно, состоит на 60 % из обычного водяного льда с небольшой примесью камней и металлов, а основную часть его внутреннего объёма (до 40 процентов или даже больше) составляют пустоты. Крошечный Прометей (86 км в поперечнике) — луна, которого называют «пастухом» кольца F. (Фото Nasa | JPL-Caltech | Space Science Institute):

Энцелад — шестой по величине спутник Сатурна. Он состоит в основном из водяного льда и имеет почти белую поверхность с рекордной в Солнечной системе чистотой и отражательной способностью. (Фото Nasa | JPL-Caltech | Space Science Institute):

Станция Cassini нашла на спутнике Сатурна Энцеладе снеговик, который формируют три кратера. Снимки получены 14 октября 2015 года, когда аппарат находился на расстоянии 1839 километров от поверхности. (Фото Nasa | JPL-Caltech | Space Science Institute):

Поверхность ледяной луны Сатурна Энцелада. (Фото Nasa | JPL-Caltech | Space Science Institute):

В 2014 году были опубликованы результаты исследований, согласно которым на Энцеладе существует подповерхностный океан. В основу этого вывода легли измерения гравитационного поля спутника, сделанные во время трех близких (менее 500 км над поверхностью) пролетов «Кассини» над Энцеладом в 2010—2012 годах. Полученные данные позволили ученым достаточно уверенно утверждать, что под южным полюсом спутника залегает океан жидкой воды. (Фото Nasa | JPL-Caltech | Space Science Institute):

Два спутника Сатурна — Диона (рядом) и Энцелад (дальше). Диона состоит преимущественно из водяного льда со значительной примесью каменных пород во внутренних слоях. (Фото Nasa | JPL-Caltech | Space Science Institute):

Гигантская луна Титан. Крупнейший спутник Сатурна, второй по величине спутник в Солнечной системе (после спутника Юпитера Ганимеда), является единственным, кроме Земли, телом в Солнечной системе, для которого доказано стабильное существование жидкости на поверхности, и единственным спутником планеты, обладающим плотной атмосферой.

Давление у поверхности примерно в 1,5 раза превышает давление земной атмосферы. Температура у поверхности — минус 170—180 °C. Прохладно. Диаметр Титана — 5152 км, это на 50 % больше, чем у Луны, при этом Титан на 80 % превосходит спутник Земли по массе. (Фото Nasa | JPL-Caltech | Space Science Institute):

Спутник Мимас во всей красе. Имея размер около 400 километров, является двадцатым по величине спутником в Солнечной системе, а также самым маленьким известным космическим телом, которое имеет округлую форму из-за собственной гравитации. (Фото Nasa | JPL-Caltech | Space Science Institute):

Ледяная луна Сатурна Елена. Была открыта 1 марта 1980 года. (Фото Nasa | JPL-Caltech | Space Science Institute):

Япет — третий по величине спутник Сатурна и двадцать четвёртый по расстоянию от него из 62 известных его спутников. Другая уникальная особенность Япета — ряд горных хребтов и отдельных вершин, который тянется вдоль его экватора и известен как стена Япета. (Фото Nasa | JPL-Caltech | Space Science Institute):

Феба — один из нерегулярных удаленных спутников Сатурна, открытый У. Пикерингом в 1899 году по снимкам, полученным в Арекипской обсерватории (Перу). Названа в честь титаниды Фебы из древнегреческой мифологии. Феба является очень тёмным телом, но внутренность некоторых кратеров состоит из более светлого материала, предположительно льда. (Фото Nasa | JPL-Caltech | Space Science Institute):

Зонд «Кассини» сделал «семейный портрет» Сатурна со всеми его кольцами в окружении Земли, Луны, Марса и Венеры — специалисты НАСА собрали эту панораму из 141 широкоугольного снимка. В кадр попали Венера, Марс и Земля с Луной, они видны в виде слабых звездочек: голубоватая Земля с крохотной точкой Луны рядом, белая Венера и желтоватый Марс. (Фото Nasa | JPL-Caltech | Space Science Institute):

Уже много лет ходят разговоры о том, что вскоре людям начнут вживлять микрочипы, значительно упрощающие их жизнь. Похоже, что руководство шведкой компании Epicenter всерьёз озадачилось этим вопросом и действительно начало вживлять своим сотрудникам крошечные подкожные чипы. Добровольную процедуру прошли уже около 150 человек и их число продолжает с каждым днём увеличиваться. Ещё бы. Кто ж в здравом уме откажется от того, чтобы хотя бы на чуть-чуть стать киборгом?

Epicenter – это своеобразный хаб, расположенный в Стокгольме, под крышей которого трудятся более ста различных маленьких компаний и стартапов. Подкожные имплантаты размером с рисовое зёрнышко позволяют сотрудникам открывать закрытые двери, пользоваться принтерами, покупать продукты и напитки в местных торговых автоматах и выполнять множество других операций. Согласитесь, очень удобно всегда иметь ключ от офиса или карту VISA внутри своего тела. А имплантат вживляют между большим и указательным пальцами руки, что позволяет вам одним лишь её взмахом решать целый ряд вопросов.

Кроме всего прочего, подкожные имплантаты решают также и вопросы безопасности. Пластиковую ключ-карту можно потерять или передать другому человеку. А вот с имплантатом всё не так просто. Извлечь его из руки сотрудника с минимальным ущербом сможет лишь квалифицированный доктор. Сегодня электронные имплантаты встречаются в нашей жизни всё чаще. Взять хотя бы кардиостимуляторы, которые используют тысячи людей по всему миру – подобные устройства куда важнее, нежели вживлённый чип для покупки газировки.

Знакомьтесь, это «Стив» – недавно обнаруженное неизвестное атмосферное явление. Оно настолько необычное, что по-прежнему не имеет официального научного объяснения. Отсюда, кстати, и такое явно необычное название. Благодаря непрерывной работе, проводившейся в течение нескольких месяцев группой энтузиастов и специалистов, изучающих атмосферные явления, теперь имеется возможность поближе познакомиться со «Стивом». Однако многие вопросы до сих пор остаются загадкой для ученых.

Это удивительное явление первой заметила группа энтузиастов из Facebook, наблюдающих и изучающих полярные сияния (авроры). Благодаря силе Интернета, а также медиа, новость быстро обросла комментариями, а также отчетами других наблюдателей. Явление представляет собой медленно плывущую по небу яркую фиолетово-зеленую ленту света. И в отличие от других известных видов полярных сияний, ученые по-прежнему не знают, что является ее источником. Группа Alberta Aurora Chasers, обнаружившая этот феномен, решила назвать его «Стивом» в честь одного из героев детского мультфильма «Лесная братва», который привык давать имя Стив каждому необъяснимому с его точки зрения объекту.

Вскоре работа энтузиастов-любителей привлекла внимание ученых из NASA и ЕКА (Европейское космическое агентство), а также Университета Калгари (Канада), которые теперь тоже пытаются выяснить, что же стоит за этим феноменом на самом деле. И вот на западных блогах только-только начала появляться первая информация. Так, блог Aurorasaurus сообщает, что ширина ленты «Стива», протягивающейся, как правило, с востока на запад, составляет порядка 25-30 километров. Ее длина при этом может составлять сотни, а возможно, и тысячи километров. Явление может длиться в течение часа или чуть больше и, вероятнее всего, является сезонным. С октября по февраль оно не наблюдалось. Основной цвет отдает фиолетовым оттенком, часто сопровождаясь зелеными «перьями», которые быстро исчезают. Чаще всего явление наблюдается в северной части Канады (рядом с Калгари, канадской провинции Альберта). Изначально энтузиасты посчитали, что источником феномена может быть повышенная активность протонов в атмосфере, однако протонные полярные сияния невидимы для невооруженного глаза, поэтому этот вариант сразу отбросили.

Профессор кафедры физики и астрономии Университета Калгари, Эрик Донован тоже выразил интерес к этому необычному атмосферному феномену и решил изучить данные, собранные в рамках спутниковой миссии Swarm Европейского космического агентства, занимающейся изучением магнитного поля Земли. В рамках миссии используются три спутника, которые проводят высокоточные измерения силы, направления и изменений состояния магнитного поля Земли, вызывающих появление полярных сияний. Этот удивительный феномен создается в результате столкновения высокозаряженных частиц солнечного ветра с частицами газа, составляющих атмосферу нашей планеты, вроде кислорода и азота.

Совсем недавно спутники Swarm пролетели прямо над «Стивом», и данные, собранные их научно-исследовательскими инструментами, показали весьма четкие изменения в состоянии окружающей среды в области этого феномена.

«Температура на высоте 300 километров над поверхностью Земли подскочила до 3000 градусов Цельсия. Данные показали, что часть шлейфа «Стива» шириной 25 километров с западной стороны двигалась в этот момент со скоростью 6 километров в секунду, в то время как скорость его противоположной стороны составляла 10 километров в секунду», — сообщает Донован в пресс-релизе ЕКА.

Засомневавшись в таких невероятных температурных изменениях, портал Gizmodo решил напрямую обратиться к Доновану и попросил уточнить, правильно ли на сайте ЕКА указаны данные, на что тот ответил, что показатели температурного роста указаны верно. Журналисты Gizmodo также поинтересовались, неизвестна ли Доновану причина таких температурных изменений.

«Мы с моей коллегой Беей Галлардо-Лакурт работаем над одним вариантом, но ничего конкретного в настоящий момент прокомментировать не можем. Однако мы собираемся совсем скоро опубликовать свои идеи».

Донован также отметил, что весьма удивлен тому, как часто появляется «Стив». Явление, вероятнее всего, проявлялось и ранее, но ученые только сейчас обратили на него внимание и решили, что оно явно заслуживает своего вынесения в качестве отдельного атмосферного феномена. Кроме того, исследователь отметил необычный спектральный набор: сочетания цветов «Стива» не похожи на обычное полярное сияние.

«Я видел его несколько месяцев назад над Калгари. Оно, правда, очень яркое. Моя коллега предположила, что оно может быть наиболее заметным типом сияния, но при этом наименее изученным, так как мы просто не обращали на него внимание».

За последние 10 лет, благодаря методу так называемого глубокого обучения, мы получили самые лучшие системы искусственного интеллекта — например, распознаватели речи на смартфонах или последний автоматический переводчик Google. Глубокое обучение, по сути, стало новым течением в уже известных нейронных сетях, которые входили в моду и выходили на протяжении более 70 лет. Впервые нейронные сети предложили Уоррен Маккалоу и Уолтер Питтс в 1994 году, два исследователя Чикагского университета. В 1952 году они перешли работать в Массачусетский технологический институт, чтобы заложить основу для первой кафедры когнитологии.

Нейронные сети были одним из основных направлений исследований как в нейробиологии, так и информатике до 1969 года, когда, если верить легендам, их прикончили математики Массачусетского технологического института Марвин Мински и Сеймур Паперт, которые через год стали соруководителями новой лаборатории искусственного интеллекта MIT.

Возрождение этот метод пережил в 1980-х, слегка ушел в тень в первом десятилетии нового века и с фанфарами вернулся во втором, на гребне невероятного развития графических чипов и их обрабатывающей мощности.

«Есть мнение, что идеи в науке — это как эпидемии вирусов», говорит Томазо Поджио, профессор когнитологии и наук о мозге в MIT. «Существует, по всей видимости, пять или шесть основных штаммов вирусов гриппа, и один из них возвращается с завидной периодичностью в 25 лет. Люди заражаются, приобретают иммунитет и не болеют следующие 25 лет. Затем появляется новое поколение, готовое к тому, чтобы заразиться тем же штаммом вируса. В науке же люди влюбляются в идею, она всех сводит с ума, затем ее забивают до смерти и приобретают иммунитет к ней — устают от нее. У идей должна быть подобная периодичность».

Весомые вопросы

Нейронные сети представляют собой способ машинного обучения, когда компьютер учится выполнять некоторые задачи, анализируя тренировочные примеры. Как правило, эти примеры вручную помечаются заранее. Система распознавания объектов, например, может впитать тысячи меченых изображений автомобилей, домов, кофейных чашек и так далее, и затем сможет находить визуальные образы в этих изображениях, которые последовательно коррелируют с определенными метками.

Нейронную сеть часто сравнивают с человеческим мозгом, в котором тоже есть такие сети, состоящие из тысяч или миллионов простых обрабатывающих узлов, которые тесно связаны между собой. Большинство современных нейронных сетей организованы в слои узлов, и данные проходят через них только в одном направлении. Отдельный узел может быть связан с несколькими узлами в слое под ним, из которого он получает данные, и несколькими узлами в слое выше, в которые он данные передает.

Каждой из этих входящих связей узел присваивает номер — «вес». Когда сеть активна, узел получает разные наборы данных — разные числа — по каждому из этих соединений и умножает на соответствующий вес. Затем он суммирует получившиеся результаты, образуя единое число. Если это число ниже порогового значения, узел не передает данные в следующий слой. Если же число превосходит пороговое значение, узел «активируется», посылая число — сумму взвешенных входных данных — на все исходящие соединения.

Когда нейронная сеть тренируется, все ее веса и пороговые значения изначально устанавливаются в случайном порядке. Тренировочные данные подаются в нижний слой — входной — и проходят через последующие слои, умножаясь и суммируясь сложным образом, пока, наконец, не прибудут, уже преобразованные, в выходной слой. Во время обучения веса и пороговые значения постоянно подстраиваются, пока тренировочные данные с одинаковыми метками не станут давать сходные выводы.

Разум и машины

Нейронные сети, описанные Маккалоу и Питтсом в 1944 году, имели и пороговые значения, и веса, но не были организованы послойно, а ученые не задавали никакого конкретного механизма обучения. Но Маккалоу и Питтс показали, что нейронная сеть могла бы, в принципе, рассчитать любую функцию, как любой цифровой компьютер. Результат был больше из области нейробиологии, чем информатики: нужно было предположить, что человеческий мозг можно рассматривать как вычислительное устройство.

Нейронные сети продолжают оставаться ценным инструментом для нейробиологических исследований. Например, отдельные слои сети или правила настройки весов и пороговых значений воспроизвели наблюдаемые особенности человеческой нейроанатомии и когнитивных функций, а значит, коснулись того, как мозг обрабатывает информацию.

Первая обучаемая нейронная сеть, «Перцептрон» (или «Персептрон»), была продемонстрирована психологом Корнеллского университета Франком Розенблаттом в 1957 году. Дизайн «Перцептрона» был похож на современную нейронную сеть, за исключением того, что у него был один слой с регулируемыми весами и порогами, зажатый между входным и выходным слоями.

«Перцептроны» активно исследовались в психологии и информатике до 1959 года, когда Мински и Паперт опубликовали книгу под названием «Перцептроны», которая показала, что произведение вполне обычных вычислений на персептронах было непрактичным с точки зрения временных затрат.

«Конечно, все ограничения как бы исчезают, если сделать машины чуть более сложными», например, в два слоя», говорит Поджио. Но в то время книга оказала сдерживающий эффект на исследования нейронных сетей.

«Эти вещи стоит рассматривать в историческом контексте», говорит Поджио. «Доказательство строилось для программирования на таких языках, как Lisp. Незадолго до этого люди спокойно использовали аналоговые компьютеры. Было не совсем ясно на тот момент, к чему вообще приведет программирование. Думаю, они слегка переборщили, но, как и всегда, нельзя делить все на черное и белое. Если рассматривать это как состязание между аналоговым вычислением и цифровым вычислением, тогда они боролись за то, что было нужно».

Периодичность

К 1980-м годам, однако, ученые разработали алгоритмы для модификации весов нейронных сетей и пороговых значений, которые были достаточно эффективны для сетей с больше чем одним слоем, устранив много ограничений, определенных Мински и Папертом. Эта область пережила Ренессанс.

Но с разумной точки зрения в нейронных сетях чего-то недоставало. Достаточно длительная тренировка могла привести к пересмотру настроек сети до тех пор, что она начнет классифицировать данные полезным образом, но что эти настройки означают? На какие особенности изображения смотрит распознаватель объектов и как он собирает их по частям, чтобы сформировать визуальные сигнатуры машин, домов и чашек кофе? Изучение весов отдельных соединений не даст ответа на этот вопрос.

В последние годы компьютерные ученые начали придумывать хитроумные методы для определения аналитических стратегий, принятых нейронными сетями. Но в 1980-х годах стратегии этих сетей были непонятными. Поэтому на рубеже веков нейронные сети были вытеснены векторными машинами, альтернативным подходом к машинному обучению, основанном на чистой и элегантной математике.

Недавний всплеск интереса к нейронным сетям — революция глубокого обучения — обязан индустрии компьютерных игр. Сложная графическая составляющая и быстрый темп современных видеоигр требует аппаратного обеспечения, которое сможет угнаться за тенденцией, в результате чего появился GPU (графический процессор) с тысячами относительно простых обрабатывающих ядер на одном чипе. Очень скоро ученые поняли, что архитектура графического процессора прекрасно подходит для нейронных сетей.

Современные графические процессоры позволили выстроить сети 1960-х годов и двух- и трехслойные сети 1980-х в букеты из 10-, 15- и даже 50-слойные сети сегодняшнего дня. Вот за что отвечает слово «глубокое» в «глубоком обучении». К глубине сети. В настоящее время глубокое обучение отвечает за наиболее эффективные системы практически во всех областях исследований искусственного интеллекта.

Под капюшоном

Непрозрачность сетей все еще беспокоит теоретиков, но и на этом фронте есть подвижки. Поджио руководит исследовательской программой на тему теоретических основ интеллекта. Не так давно Поджио и его коллеги выпустили теоретическое исследование нейронных сетей в трех частях.

Первая часть, которая была опубликована в прошлом месяце в International Journal of Automation and Computing, адресовано диапазону вычислений, которые могут проводить сети глубокого обучения, и тому, когда глубокие сети имеют преимущества над неглубокими. Части два и три, которые были выпущены в виде докладов, адресованы проблемам глобальной оптимизации, то есть гарантирования, что сеть будет находить настройки, которые лучше всего подходят к ее обучающим данным, а также случаев, когда сеть настолько хорошо понимает специфику обучающих ее данных, что не может обобщать другие проявления тех же категорий.

Впереди еще много теоретических вопросов, ответы на которые придется дать. Но есть надежда, что нейронные сети смогут, наконец, разорвать цикл поколений, которые ввергают их то в жар, то в холод.