Дебора Борфиц
12 февраля 2026 г. | Все, что можно определить как систему — список, включающий физические материалы, такие как кремний и графен, а также имплантируемые устройства, созданные с учетом индивидуальных особенностей пациента, и человеческий мозг — подчиняется закону энтропии, то есть, если оставить все как есть, ее беспорядок со временем необратимо увеличивается. Оказывается, у этой фундаментальной концепции есть более всеобъемлющий подход, названный ее создателями из Университета штата Пенсильвания зентропией.
Этот подход появился в 2008 году, но название получил по предложению участника семинара, проходившего в эпоху COVID-19 в Университете Дьюка, говорит Цзи-Куй Лю, доктор философии, профессор материаловедения и инженерии и ведущий разработчик зентропии. Буква «z» обозначает немецкое слово, используемое в статистической механике для обозначения функции распределения, суммирующей вероятности всех возможных конфигураций системы.
Зентропия служит основой для прогнозирования термодинамических свойств, которыми обладает почти вся физическая материя и системы, путем объединения микроскопических квантовых данных с макроскопической статистической механикой. Ее применение вышло на совершенно новый уровень, когда Лю начал сотрудничать с Вэньруи Хао, доктором философии, профессором математики и директором Центра математической биологии в Университете штата Пенсильвания, который предложил использовать зентропию для решения задачи искусственного интеллекта по осмыслению разнородных научных данных из различных источников.
Менее чем за два года в результате сотрудничества появилась ZENN, сокращение от zentropy-embedded neural networks (Proceedings of the National Academy of Sciences, DOI: 10.1073/pnas.2511227122). Ранее эта теория использовалась для отбора признаков в ИИ, но теперь, по словам Лю, они решили «всю проблему ИИ», подобно тому как зентропия охватила всю энтропию системы.
ZENN разделяет свойства данных на две части: их «энергию», отражающую значимые закономерности или сигналы в данных, и их «внутреннюю энтропию», отражающую шум, неопределенность или беспорядок в измерениях. Модель также использует параметр «температуры», который помогает ей распознавать скрытые различия между наборами данных.
Как добраться до ZENN
Лю поясняет, что энтропия — это нисходящее представление глобальных свойств системы, масштаб, в котором можно делать наблюдения относительно неопределенностей в сообщении или данных (энтропия Шеннона), физической системе (квантовая энтропия) или алгоритмах деревьев решений (энтропия машинного обучения). Ни один из этих методов не охватывает всю энтропию системы.
Решением команды из Университета штата Пенсильвания стало добавление функции распределения (обычно обозначаемой буквой Z в статистической механике), с помощью которой энтропию можно вычислить для нескольких конфигураций системы. Она учитывает беспорядок, флуктуации и статистические вероятности как внутри, так и между различными конфигурациями системы и предназначена для использования подхода, не требующего моделей и параметров, при прогнозировании свойств материалов. «Зентропия отражает ансамблевое поведение системы».
Добавление термодинамической энтропии к модели нейронной сети сделало зентропию «более физически обоснованной, более обобщаемой и более надежной», — добавляет Хао. Более совершенная модель получается благодаря включению более фундаментальных, универсальных законов.
Именно Хао предложил адаптировать зентропию к теории информации, где различные типы данных — например, изображения, биомаркеры крови и клинические записи — извлекаются для анализа из разных мест с использованием разных приборов с различными погрешностями измерений. По его словам, когда эти данные интегрируются, невозможно различить источники данных.
Идея Хао заключалась в том, чтобы дифференцировать эти источники, вводя температурный параметр данных. Таким образом, ученые могут определить, какая часть данных поступила из того или иного места. «Как только вы поймете, как их сгруппировать, вы сможете повысить точность прогнозирования», — говорит он.
По словам Хао, считается, что это первый случай, когда законы термодинамики были непосредственно внедрены в архитектуры глубокого обучения. В ходе тестирования ZENN превзошла более крупные и сложные нейронные сети, оставаясь при этом более устойчивой к изменениям качества данных.
Создание цифровых двойников
Хао отмечает, что ZENN имеет потенциальные области применения в различных сферах, включая материаловедение, медицинские исследования и квантовые вычисления. В настоящее время он и Лю работают над десятком проектов с различными коллегами из Университета штата Пенсильвания, используя эту новую концепцию.
Один из таких проектов — это сотрудничество с неврологом из медицинского колледжа, целью которого является создание цифровых двойников, предназначенных для отслеживания траектории развития болезни Альцгеймера и влияния различных методов лечения, говорит Хао. Исследователи разработают модель ZENN на основе данных Инициативы по нейровизуализации болезни Альцгеймера, а затем объединят ее с анонимизированными клиническими данными из медицинского колледжа Пенсильванского университета (например, анализы крови, сканирование мозга, генетическая и поведенческая информация) для создания цифровых двойников как на популяционном, так и на индивидуальном уровнях.
В данном случае ZENN применяется к данным ПЭТ-сканирования и МРТ для определения того, когда модель дает хороший прогноз. По словам Хао, на основе предварительных результатов точность прогнозирования составляет около 90%, в то время как у традиционных методов машинного обучения она колеблется от 50% до 60%.
В конечном итоге исследователи надеются, что персонализированные прогнозы будут использованы для определения оптимального лечения для реальных пациентов, добавляет он. В настоящее время на рынке представлено несколько препаратов на основе моноклональных антител, предназначенных для удаления бета-амилоидных бляшек из мозга, а также разрабатывается множество экспериментальных лекарств от болезни Альцгеймера. Цифровые двойники будут использовать обучение с подкреплением для максимизации точности прогнозирования, что позволит принимать персонализированные клинические решения в режиме реального времени.
Данная работа проводится при поддержке Института вычислительной науки о данных Университета штата Пенсильвания, годичного гранта от Управления инноваций Колледжа естественных наук Эберли, а также стартового гранта от Центра биоустройств.
Индивидуальная подгонка имплантатов
В другом проекте в Университете штата Пенсильвания, реализуемом группой ортопедических хирургов, система ZENN будет использоваться для более точной индивидуализации имплантатов бедренной кости для каждого пациента, чтобы предотвратить долгосрочные отказы и травмы во время операции, сообщает Лю. Создание устройства, идеально соответствующего анатомии человека, — задача крайне сложная, требующая использования 3D-моделей кости на основе рентгеновских снимков и КТ-сканирования пациента.
«На начальном этапе основное внимание уделяется количественной оценке переломов и пониманию того, как функционирует искусственная структура, чтобы мы могли на ранней стадии определить, идет ли заживление к сращению или к несращению, а не обнаруживать поломку только спустя долгое время после того, как процесс заживления уже остановился», — говорит Лю.
Лю говорит, что ZENN будет использоваться в серии имитационных упражнений для оценки того, когда структура имплантата достаточно хороша для проведения операции. Его также можно будет использовать на рентгеновских снимках, сделанных во время последующих визитов пациентов, для повторной оценки структурной стабильности имплантата и, в случае обнаружения каких-либо проблем, для незамедлительного принятия корректирующих мер.
«Большая проблема для этих врачей заключается в том, что им приходится ждать, пока проблема проявится, чтобы начать лечение», — отмечает он. Обнаружение проблемы иногда может занять больше года, к тому времени имплантат может нанести значительный ущерб. Хирурги предпочли бы получить информацию о необходимости изменений на несколько месяцев раньше, когда ситуацию легче исправить, и боль у пациента еще не стала сильной.
Параллельные пути
Лю рассказывает, что наиболее быстро развивающийся проект, связанный с ZENN, и тема еще одной статьи, которая скоро будет опубликована, — это использование модели для прогнозирования цен на жилье, коэффициента психического здоровья и концентрации твердых частиц PM2.5 в воздухе. В ходе тестирования корреляция между прогнозами ZENN и фактическими данными (ценами на жилье) оказалась вдвое выше, чем у существующих методов машинного обучения.
Лю говорит, что в настоящее время он ведет переговоры о создании компании для разработки доступных, практически применимых продуктов, таких как базовые модели, предназначенные для генерации прогнозов на основе широкого спектра географических данных для местных органов власти.
В еще одной готовящейся к публикации статье Лю и Хао вместе со статистиком из Университета штата Пенсильвания Бин Ли, доктором философии, будут изучать сходства между траекториями развития человеческого и искусственного интеллекта. Подобно нейронным сетям, человеческий мозг выполняет множество абстракций, чтобы преобразовать информацию в согласованные законы, что точно описывает термодинамику, говорит Лю. «Это охватывает все — как система изменяется, как система реагирует, как система развивается и как система дает сбой».
Как отмечает Лю, ИИ также следует «очень похожей траектории», как и человеческий интеллект. Оба начинались с нейронов, при этом ИИ эволюционировал до графовых нейронных сетей, а затем до больших языковых моделей, а люди — до устной и письменной речи и развития таких наук, как математический анализ, термодинамика и квантовая механика. Эта статья станет второй, опубликованной в открытом научном издании ZENNtropy.
Кроме того, команда активно изучает потенциал ZENN в обеспечении внутренней защиты для безопасности ИИ с помощью двух внутренних механизмов: структурной защиты посредством разделения конфигураций и динамической защиты посредством регулирования движущих сил и стабильности на основе зентропии, что дополняет подходы к внешней защите, широко обсуждаемые в сообществе.
Источник: www.bio-itworld.com
