Черные дыры в двойных системах давно считаются одними из главных источников гравитационных волн. Когда такие объекты сближаются и сливаются, то создают мощные гравитационные сигналы. Их фиксируют такие детекторы, как LIGO, Virgo и KAGRA. Предполагается, что подобные слияния происходят «тихо» — без ярких вспышек света. Короткие гамма-всплески, в отличие от них, чаще связывают со столкновениями нейтронных звезд, поскольку такие системы содержат вещество, способное образовывать горячие аккреционные диски и релятивистские джеты. Однако есть и другие сценарии, при которых даже слияние двух черных дыр может порождать гамма-всплеск. Один из наиболее вероятных связан с активными ядрами галактик — областями вокруг сверхмассивных черных дыр (СМЧД), окруженных плотными газовыми дисками. В них компактные объекты могут формировать пары, взаимодействовать с газом и постепенно сближаться. Образовавшаяся после слияния черная дыра способна активно поглощать вещество и запускать мощные джеты. Последние могут порождать гамма-излучение. Именно такой случай, вероятно, произошел во время события S241125n, зарегистрированного 25 ноября 2024 года. Анализ гравитационного сигнала показал, что источник с вероятностью более 99 процентов представлял собой слияние двух черных дыр, которое произошло, когда возраст Вселенной составлял примерно половину от нынешнего — 6,7 миллиарда лет. [shesht-info-block number=1] Спустя приблизительно 11 секунд после регистрации гравиволн спутник Swift зафиксировал короткий всплеск гамма-излучения в той же области неба. Дополнительные наблюдения также указали на возможное рентгеновское послесвечение. Вероятность случайного совпадения этих сигналов, по оценкам, невелика: одно такое совпадение можно заметить примерно за 30 лет наблюдений. Результаты исследования астрономы опубликовали в The Astrophysical Journal.   Чтобы объяснить возможную связь между событиями, ученые разработали физическую модель. Согласно ей образовавшийся после слияния черных дыр объект начинает активно поглощать газ из окружающего активного ядра галактики. При этом потоки вещества формируют аккреционный диск и усиливают магнитные поля, что может привести к запуску джета. Когда такая струя пробивается через плотный газ диска, образуется ударная волна, а в момент ее выхода энергия высвобождается в виде короткого гамма-всплеска. [shesht-info-block number=2] Расчеты показали, что характеристики наблюдаемой вспышки — ее длительность, спектр и энергия — могут соответствовать такому сценарию. К тому же окружающая газовая среда может поглощать свет в оптическом диапазоне, что объясняет, почему астрономам пока не удалось обнаружить яркое оптическое послесвечение. Если связь между гравитационным сигналом и гамма-всплеском подтвердится, открытие станет одним из первых сигналов того, что слияния черных дыр могут порождать гамма-всплески. Такие события помогут лучше понять условия в активных ядрах галактик, а также расширить возможности наблюдений многоканальной астрономии — комплексного подхода, позволяющего получать максимально полную информацию о наиболее мощных и скрытых процессах во Вселенной.

Бонобо (Pan paniscus) и шимпанзе (Pan troglodytes) — наши ближайшие ныне живущие родственники. Эти два вида произошли от общего предка и разделились от полутора до двух миллионов лет назад. Исконные места обитания этих двух видов в Центральной Африке географически разделены рекой Конго. Ученые предположили, что разделение видов произошло, когда предки бонобо пересекли реку и оказались в изоляции. Хотя шимпанзе и бонобо близкие родственники, выглядят и ведут они себя по-разному. Бонобо меньше по размеру, имеют более стройное телосложение, различия между полами у них менее выражены, чем у шимпанзе. В сообществах бонобо доминируют коалиции самок. Считается, что такая стратегия нужна самкам для того, чтобы получить власть над более крупными, чем они, самцами. У шимпанзе, напротив, самцы на вершине иерархии. В массовой культуре, с подачи ученых, у бонобо сложился имидж неких «хиппи» в мире приматов. Считается, что бонобо — миролюбивые «кузены» воинственных и агрессивных шимпанзе, которые для разрешения любых конфликтов используют сексуальные контакты. По мнению некоторых ученых, шимпанзе более воинственны, потому что на их стороне реки Конго было меньше пищи, им приходилось конкурировать с гориллами за ресурсы. Напротив, у бонобо было больше пищи и меньше хищников. Тем временем агрессия — важное социальное поведение у обезьян, поскольку она помогает им защищать территорию, определять партнеров, утверждать доминирование и обеспечивать себя ресурсами. В последнее время появляется все больше подтверждений того, что агрессия совсем не чужда и бонобо. Например, в статье, опубликованной в октябре 2025 года в журнале Current Biology, немецкие специалисты по поведению животных описали случай жестокого нападения пяти диких самок бонобо на одного из самцов группы. Результаты нового исследования, опубликованного в журнале Science Advances, показали, что бонобо так же агрессивны, как шимпанзе, но они по-разному выбирают себе жертв среди самцов и самок. Команда биологов из Утрехтского (Нидерланды) и Антверпенского (Бельгия) университетов проанализировала итоги наблюдений за взаимодействиями внутри 22 групп шимпанзе и бонобо, содержащихся в зоопарках Европы: девяти групп шимпанзе (101 обезьяна) и 13 групп бонобо (88 обезьян). В каждом зоопарке, в течение двух-трех месяцев, исследователи сидели у вольеров шимпанзе и бонобо, фиксировали каждый акт агрессии — от криков до физического насилия, происходивших в течение дня. В общей сложности ученые зарегистрировали 3243 случая проявления направленной агрессии со стороны взрослых обезьян обоих видов: 1368 случаев у бонобо и 1875 случаев у шимпанзе. Примерно треть (1193) случаев представляли собой «контактную» агрессию, то есть физическое насилие между особями, а не просто крики или другие менее жестокие формы. После учета пола, родственных связей и контекста, исследователи пришли к выводу, что общий уровень агрессии в сообществах шимпанзе и бонобо практически не отличался: и те, и другие были одинаково агрессивны. Однако модели агрессии различались по полу: у бонобо наблюдалась более высокая агрессия самок по отношению к самцам, тогда как у шимпанзе самцы вели себя агрессивно по отношению к самкам, как, впрочем, и по отношению к другим самцам. Причем, как правило, это было физическое насилие. В целом у шимпанзе «заводилами» конфликтов чаще всего были именно самцы, в то время как у бонобо одинаково часто вступали в драки и самцы, и самки, что удивило исследователей. У бонобо, как и у шимпанзе, тоже наблюдалась агрессия между самцами, при этом агрессия между самками у обоих видов встречалась очень редко. Поскольку исследование проводили на животных, содержащихся в неволе, теоретически его результаты могут не относиться к диким бонобо и шимпанзе. Однако, по мнению ученых, то, что в фокусе внимания были именно обезьяны, живущие в зоопарках, наоборот, имело большое преимущество. Так как бонобо и шимпанзе находились вне своей естественной среды обитания, это позволило увидеть различия в их поведении, не связанные с борьбой за выживание, а обусловленные генетическими изменениями, произошедшими после их разделения.

С виду задача звучит почти буднично: есть ряд чисел, которые меняются во времени, и нужно угадать, каким будет следующий шаг. Так устроены и давление в атмосфере, и нагрузка в электросети, и температура, и бесчисленные «сигналы» в физике, биологии, экономике. Однако за этой простотой скрывается ключевой вызов современной обработке данных. Классические рекуррентные нейросети научились извлекать закономерности, которые не видны при поверхностном взгляде. Вопрос последних лет состоит в том, может ли квантовый процессор предложить для таких задач что-то практически работающее уже сейчас, в эпоху так называемых NISQ-устройств, «шумных» квантовых машин промежуточного масштаба. В сверхпроводниковом квантовом компьютере информация хранится в состояниях искусственных атомов, которые представляют собой электрический контур из сверхпроводящего материала с джозефсоновскими переходами, рисунок которого задается на кремниевой подложке методами литографии. Информация может быть искажена: окружающая среда, взаимодействующая с информационными состояниями, несовершенство управляющих импульсов, ошибки считывания — все это постепенно пагубно влияет на квантовую память. Отсюда рождается необходимость тонкой настройки: сделать схему достаточно сложной, чтобы она умела выражать нужные зависимости, и одновременно достаточно простой, чтобы квантовые состояния не распадались до того, как из них извлекут информацию. В качестве квантового аналога рекуррентной сети исследователи выбрали архитектуру QRNN — квантовую рекуррентную нейросеть. Логика здесь похожа на классическую: модель получает на вход отрезок временного ряда и на его основе предсказывает следующий элемент. Но способ «запоминания» и «переваривания» информации совсем другой. Вместо привычных матриц весов и нелинейностей используют параметризованные квантовые схемы — цепочки квантовых операций, в которых часть углов поворотов и параметры запутывающих элементов подбираются обучением. Результаты опубликованы в JETP Letters. Авторы исследования решили выяснить, насколько обучаемой оказывается QRNN на реальном сверхпроводниковом чипе, какие настройки действительно улучшают качество предсказания, и где проходит граница, за которой усложнение схемы перестает приносить выигрыш. Для этого они построили полный «конвейер» — от подготовки данных и симуляции на классическом компьютере до переноса оптимальных гиперпараметров на квантовое оборудование и обучения уже на микросхеме. Входной ряд сначала привели к удобному масштабу: значения масштабируются в диапазон от –1 до 1, чтобы их было проще кодировать в квантовые состояния. Затем из последовательности вырезали обучающие примеры: фрагмент из T последовательных точек и «ответ» — следующий элемент, который модель должна предсказать. Но напрямую скормить квантовому процессору длинный временной отрезок трудно: чем больше шагов нужно «пропустить» через схему, тем длиннее становятся цепочки квантовых операций и тем сильнее накапливаются ошибки. Поэтому исследователи использовали классический прием из обработки сигналов — свертку. Из исходного отрезка длиной T сформировали более короткую последовательность признаков длиной τ методом скользящего окна; эти значения затем по одному, последовательно, подавались на вход квантовой схемы. Как временной ряд превращают в прогноз: фрагмент данных сворачивается в компактную последовательность признаков, затем каждый шаг проходит через повторяющийся квантовый блок; измерение дает предсказание следующего значения / © JETP Letters (2025) Сама квантовая часть устроена как повторяющийся блок операций. Половина кубитов играет роль «регистра»: туда непосредственно записываются текущие входные значения, а затем эти кубиты можно возвращать в базовое состояние, чтобы снова использовать для записи. Другая половина работает как память: будучи запутанной с регистром, она несет в себе след прошедших входов. Кодирование данных происходит через вращения кубита, в которых угол поворота зависит от входного числа и пары обучаемых коэффициентов. После кодирования идут параметризованные однокубитные вращения вокруг разных осей — квантовый аналог набора «весов», который меняет внутреннее состояние системы. Затем применяется запутывание — серия двухкубитных операций, организованных в циклическую «лестницу», чтобы кубиты обменивались возбуждением и коррелировали друг с другом. Отдельный прием, на который авторы делают ставку, называется data reuploading — повторная «перезагрузка» одних и тех же входных данных в схему несколько раз. Это делается для того, чтобы построить более богатые представления входного сигнала, не увеличивая число кубитов. Авторам исследования удалось показать в своей работе, что reuploading действительно снижает ошибку предсказания, а в некоторых режимах настройки параметров можно уменьшить ее даже на порядок. Чтобы обучить сеть, исследователи использовали стандартный для регрессии критерий — среднеквадратичную ошибку, и оптимизацию по градиенту. Для вычисления градиента для каждого обучаемого угла выполнили измерения при двух значениях, сдвинутых на ±π/2, и по разности восстановили производную. Прежде чем ставить эксперимент на чипе, команда тщательно исследовала модель в симуляторе, перебирая ключевые гиперпараметры: число кубитов, длину входного окна T, параметры свертки до τ элементов и число повторных загрузок данных. Результаты симуляции позволили сразу понять общие закономерности. Увеличение числа кубитов улучшало качество обучения и снижало ошибку на тестовом сегменте временного ряда, но после шести кубитов проявлялось насыщение: выигрыш становился минимальным, а стоимость усложнения — ощутимой. При слишком маленьком T модель не превосходила наивный прогноз «завтра будет как сегодня», потому что входной фрагмент был слишком короток и не нес информации о динамике. При слишком большом T время выполнения схемы росло, а качество обучения либо не улучшалось, либо обучение становилось медленнее. Оптимальным оказалось окно T = 10 с последующей сверткой до τ = 4 признака. Для работы на сверхпроводниковом квантовом процессоре авторы выбрали задачу прогнозирования атмосферного давления, реальный набор данных из тестового пула. Они взяли конфигурацию, показавшую себя оптимальной в эмуляции: четыре кубита, свертка из T = 10 в τ = 4 и троекратный reuploading. В таком режиме квантовая схема содержала 71 обучаемый параметр и глубину 99 слоев операций. На уровне аппаратуры это означало тщательно выстроенную последовательность микроволновых импульсов, которые последовательно реализовывали вращения и запутывающие iSWAP на выбранных трансмонах. Сам чип представлял собой массив трансмонов с квазидвумерной топологией связей: на кристалле разведены линии управления, резонаторы для дисперсионного считывания и элементы обвязки. Фрагмент компоновки сверхпроводникового процессора: выбранные трансмоны (пронумерованы), линии управления и считывания, резонатор дисперсионного чтения / © JETP Letters (2025) Выбранные четыре кубита имели частоты перехода порядка нескольких гигагерц и времена релаксации и дефазировки в диапазоне от нескольких до десятков микросекунд, что задавало тот самый «дедлайн», в который нужно было уложить вычисление. Один прогон параметризованной схемы занял около 5 микросекунд, считывание — около 0,5 микросекунды, а затем системе потребовалось порядка 100 микросекунд, чтобы вернуться в основное состояние. Чтобы оценить один выход сети при фиксированных параметрах, измерение повторили тысячу раз и усреднили. А чтобы посчитать градиент по правилу сдвига параметра, пришлось выполнять сотни таких измерений для разных углов (авторы указали среднее число 343). При изменении угла однокубитного вращения нужно порядка 100 микросекунд, и именно это существенно увеличило полное время на один элемент обучающей последовательности. В статье приводится оценка: на обработку одного элемента обучающей последовательности уходит примерно 71 секунда, а одна эпоха обучения занимает около пяти часов. За 25 эпох суммарное время экспериментального обучения превышает 100часов, и это при том что отдельные квантовые операции выполняются за десятки наносекунд. Тем не менее главное в этой истории не скорость, а то, что обучение на реальном процессоре вообще сохраняет «смысл». Авторы показывают, что на чипе кривая обучения становится более шумной и смещается по сравнению с эмуляцией из-за конечной когерентности и ошибок операций, однако общий тренд остается нисходящим: модель учится. Ученые сравнили ход обучения на симуляторе и на квантовом железе, и показали, что даже в условиях аппаратных ограничений обучение не разваливается в хаос, а сохраняет направленность к меньшей ошибке. Сергей Самарин, инженер лаборатории искусственных квантовых систем МФТИ, прокомментировал: «В эпоху шумных квантовых процессоров времена когерентности кубитов могут оказаться сопоставимыми со временем, необходимым для выполнения квантовых операций в цепочке, поэтому приходится балансировать между глубиной алгоритма и сохранностью квантового состояния». Олег Астафьев, заведующий лабораторией искусственных квантовых систем МФТИ, добавил: «Мы показали, что свертка при кодировании и многократная перезагрузка данных повышают эффективность обучения, а дальнейшее ускорение возможно, если сократить время релаксации системы за счет безусловного сброса кубитов». Чтобы понять, насколько хорошо работает квантовая модель, исследователи сравнили лучшие достигнутые значения ошибки с классическими рекуррентными архитектурами RNN, LSTM и GRU, причем число параметров в сравниваемых моделях не превышало сотни. На одних рядах QRNN проигрывает лучшим классическим вариантам, на других оказывается сопоставимым, а на некоторых даже показывает лучший результат среди компактных моделей. Исследователям удалось свести воедино три трудносочетаемые вещи: рекуррентную обработку временных рядов, вариационные квантовые схемы и реальные аппаратные ограничения сверхпроводникового процессора. Во многих работах квантовое машинное обучение остается лишь на уровне симуляций. Здесь же архитектура подстроена под набор реально реализуемых вентилей, а анализ «обучаемости» проведен с прицелом на то, что модель должна переноситься на чип. Важной частью исследования стала разработка методики по сочетанию классической свертки и квантовой обработки: свертка уплотняет информацию и сокращает глубину квантовой части, что помогает бороться с декогеренцией. Систематическое исследование reuploading показало, что эффективность обработки временного ряда можно наращивать, не увеличивая число кубитов, а всего лишь повторно вводя данные в схему. Прогнозирование временных рядов — универсальная подзадача в инженерии: от мониторинга состояния оборудования и предиктивного обслуживания до оценки нагрузки в энергосетях и фильтрации шумных измерений в экспериментальной физике. Если квантовые устройства научатся выполнять такие задачи хотя бы на уровне компактных классических моделей, это откроет путь к гибридным системам, где часть вычислений делается квантовым модулем, а часть — классическим, и выигрыш будет определяться разумной архитектурой всего конвейера. Кроме того, исследование дает фундаментальный вклад в понимание того, как именно учатся параметризованные квантовые схемы на реальном железе: где наступает насыщение от добавления кубитов, как выбирать длину входа, чем платить за глубину. Сколько кубитов «имеет смысл»: при росте числа кубитов ошибка прогноза падает, но после определенного порога выигрыш насыщается; показана также планка наивного прогноза «завтра будет как вчера» / © JETP Letters (2025) Обучение в реальности: на сверхпроводниковом чипе кривая более шумная и смещена относительно эмулятора, но общий тренд одинаковый — модель обучается, ошибка уменьшается / © JETP Letters (2025) Перспективы дальнейших исследований здесь растут из тех же ограничений, которые сейчас тормозят прогресс. Авторы указывают очевидный следующий шаг: радикально ускорить обучение за счет сокращения времени релаксации системы, например применяя безусловный сброс кубитов, который может уменьшить паузу ожидания до микросекунды. Это изменит экономику эксперимента: если не нужно ждать сотни микросекунд между прогонами, число эпох и объем данных, доступных для обучения на железе, резко возрастут. Другой путь — расширение выходного пространства модели: нынешняя схема предсказывает один признак, считывая один кубит, но при мультиплексированном считывании нескольких кубитов можно увеличить размерность выходного вектора и перейти к более сложным прогнозам. Наконец, остается большой пласт вопросов о том, какие схемы кодирования данных лучше подходят для сверхпроводниковых платформ, как оптимально сочетать классическую предобработку и квантовую часть и где проходит граница, после которой квантовая рекуррентная архитектура начнет выигрывать не только «по качеству при малом числе параметров», но и по эффективности на реальных прикладных задачах.

Прибрежные ландшафты, покрытые растительностью, играют критически важную роль в накоплении углерода, защите береговой линии и поддержании биоразнообразия. Структура такого берега определяется взаимодействием роста растений и процессов осадконакопления: крепкая и густая растительность не только защищает берег от вымывания, но и укрепляет его. Особенно актуально изучение этих процессов на небольших необитаемых песчаных островах, которые отличаются высокой динамикой и чей питательный баланс в значительной степени зависит от внешних источников. В таких случаях помочь могут птицы: их экскременты влияют на рост и распределение растений. В условиях повышения уровня моря и сокращения пригодных для гнездования территорий понимание того, как пернатые могут влиять на стабильность и эволюцию своих местообитаний, становится важным и для самих птиц, и для сохранения береговой линии. Ученые из Утрехтского университета выяснили, как поступление органических удобрений влияет на функциональные признаки растений, состав растительных сообществ и в итоге на морфологию песчаных островов в Ваттовом море. Результаты исследования опубликовал журнал Biogeosciences. Авторы научной работы применили двухуровневый подход, сочетающий полевые измерения с дистанционным зондированием. На пяти необитаемых песчаных островах было заложено 118 пробных площадок, где определяли видовой состав растений, их высоту, биомассу, глубину корней, содержание органики в почве и высоту над уровнем моря. Для отслеживания усвоения азота из птичьих экскрементов применили анализ стабильных изотопов азота в листьях. На основе данных о гнездовых колониях ученые построили пространственную модель рассеивания удобрений в радиусе до 300 метров. Состояние растительности оценивали по спутниковым снимкам, а изменение рельефа — по данным лазерного сканирования. [shesht-info-block number=1] Поступление азота из органических отходов сдвигает состав растительности в сторону азотолюбивых видов. Спутниковый анализ показал, что присутствие птиц усиливает влияние весеннего озеленения на накопление песка, активизируя способность растений улавливать наносы в начале сезона. Органические удобрения также напрямую повышают содержание азота в листьях. При этом их влияние на биомассу, высоту и глубину корней оказалось менее выраженным и сильно зависело от сезона и типа субстрата. Важным выводом стала сильная пространственная неоднородность эффекта. В среднем по островам взаимодействие удобрений и растительности объясняло лишь несколько процентов изменений высоты рельефа, но вблизи крупных колоний этот вклад достигал 13 процентов. На островах с высокой естественной скоростью осадконакопления эффект от птиц маскировался природными процессами.

Прибрежные ландшафты, покрытые растительностью, играют критически важную роль в накоплении углерода, защите береговой линии и поддержании биоразнообразия. Структура такого берега определяется взаимодействием роста растений и процессов осадконакопления: крепкая и густая растительность не только защищает берег от вымывания, но и укрепляет его. Особенно актуально изучение этих процессов на небольших необитаемых песчаных островах, которые отличаются высокой динамикой и чей питательный баланс в значительной степени зависит от внешних источников. В таких случаях помочь могут птицы: их экскременты влияют на рост и распределение растений. В условиях повышения уровня моря и сокращения пригодных для гнездования территорий понимание того, как пернатые могут влиять на стабильность и эволюцию своих местообитаний, становится важным и для самих птиц, и для сохранения береговой линии. Ученые из Утрехтского университета выяснили, как поступление органических удобрений влияет на функциональные признаки растений, состав растительных сообществ и в итоге на морфологию песчаных островов в Ваттовом море. Результаты исследования опубликовал журнал Biogeosciences. Авторы научной работы применили двухуровневый подход, сочетающий полевые измерения с дистанционным зондированием. На пяти необитаемых песчаных островах было заложено 118 пробных площадок, где определяли видовой состав растений, их высоту, биомассу, глубину корней, содержание органики в почве и высоту над уровнем моря. Для отслеживания усвоения азота из птичьих экскрементов применили анализ стабильных изотопов азота в листьях. На основе данных о гнездовых колониях ученые построили пространственную модель рассеивания удобрений в радиусе до 300 метров. Состояние растительности оценивали по спутниковым снимкам, а изменение рельефа — по данным лазерного сканирования. [shesht-info-block number=1] Поступление азота из органических отходов сдвигает состав растительности в сторону азотолюбивых видов. Спутниковый анализ показал, что присутствие птиц усиливает влияние весеннего озеленения на накопление песка, активизируя способность растений улавливать наносы в начале сезона. Органические удобрения также напрямую повышают содержание азота в листьях. При этом их влияние на биомассу, высоту и глубину корней оказалось менее выраженным и сильно зависело от сезона и типа субстрата. Важным выводом стала сильная пространственная неоднородность эффекта. В среднем по островам взаимодействие удобрений и растительности объясняло лишь несколько процентов изменений высоты рельефа, но вблизи крупных колоний этот вклад достигал 13 процентов. На островах с высокой естественной скоростью осадконакопления эффект от птиц маскировался природными процессами.

С момента открытия рентгеновских лучей Вильгельмом Рентгеном в 1895 году, медицинская визуализация стала одной из основ современной диагностики. Она позволила врачам «заглядывать» внутрь тела разными способами: с помощью компьютерной томографии (КТ), магнитно-резонансной томографии (МРТ), ультразвука и позитронно-эмиссионной томографии (ПЭТ). При этом у каждого метода есть свои преимущества и ограничения.  Рентген и КТ, например, связаны с ионизирующим излучением, а контрастные вещества, применяемые при ангиографии, могут быть нежелательны при болезнях почек. Именно по этим причинам исследователи давно ищут методы, которые позволили бы безопаснее наблюдать кровоток и сосуды.  Одной из таких технологий стала магнитно-частичная томография, предложенная в 2005 году. В отличие от обычной МРТ, она не визуализирует ткани напрямую. Вместо этого в кровь вводят крошечные магнитные наночастицы оксида железа, а специальный сканер создает переменное магнитное поле, «считывая» отклик частиц. Поскольку человеческие ткани такого сигнала почти не дают, изображение получается практически без фонового шума. В результате можно очень быстро и точно отслеживать распределение частиц — например, движение крови по сосудам.  [shesht-info-block number=1] Эта технология развивалась на протяжении двух десятилетий в лабораториях и на животных моделях. Основной задачей было создание достаточно крупных сканеров и безопасных параметров магнитных полей, которые позволили бы применять метод в клинических испытаниях.  Разработать такую установку удалось группе ученых под руководством Патрика Фогеля (Patrick Vogel) из Вюрцбургского университета имени Юлиуса и Максимилиана (Германия). Их интервенционный MPI-сканер можно разместить прямо в ангиографической операционной. Результаты первого в истории in vivo эксперимента на человеке описаны в научной работе, опубликованной на сервере препринтов Корнеллского университета.   Ангиографическая лаборатория, где проводился эксперимент. a — кресло добровольца; b — устройство ввода/инъекции; c — рука добровольца в сканере; d — MPI-сканер; e — монитор жизненных показателей; f — оборудование и интерфейс управления сканером; g — рентгеновская система для ангиографии; h — экран с изображением ангиографии ./ © Patrick Vogel (2026) Сначала испытуемому ввели клинически одобренный препарат на основе наночастиц железа, разведенный в физиологическом растворе. Затем с помощью MPI-сканера исследователи наблюдали, как частицы распространяются по венам руки. Для сравнения выполнили рентгеновскую ангиографию — метод, который считается «золотым стандартом» сосудистой диагностики.  Подход позволил увидеть те же крупные вены, что и рентгеновская процедура: поверхностные и глубокие сосуды, ответвления, венозные клапаны и направление кровотока. При этом система работала в режиме реального времени с частотой около двух кадров в секунду. Ученые также наблюдали, как магнитный контраст постепенно покидает сосуды, позволяя отслеживать динамику кровообращения.  [shesht-info-block number=2] Во время процедуры не зарегистрировали никаких побочных эффектов, а доброволец не испытывал никаких неприятных ощущений. Более того, параметры магнитного поля и уровень поглощения энергии оказались намного ниже установленных медицинских ограничений. Выходит, магнитно-частичная томография может стать новым инструментом для сосудистой медицины. Авторы статьи также отметили, что новый метод будет особенно перспективным в эндоваскулярной хирургии. Однако сейчас технология находится на раннем этапе развития: у разработанного сканера сравнительно небольшое поле обзора и ограниченное пространственное разрешение. Решить эти проблемы, судя по всему, позволит дальнейшее совершенствование аппаратуры.  Если все пройдет по плану, магнитно-частичная томография существенно дополнит существующие методы медицинской визуализации и откроет новые возможности для наблюдения за кровотоком, клеточными процессами и работой сосудов в реальном времени.