Anyaggá változtatjuk a hangot | Marcus Buehler | TEDxMIT

Az anyaggá alakított hang és a hanggá alakított anyag viszonya. A természetben rengeteg sokfunkciós anyag található, amelyek egyszerű és bőségesen rendelkezésre álló, alacsony energiájú anyagokból indulnak ki. E rendszerek, pl. a pókhálók, a gyöngyház vagy a fehérjék ihletet nyújtanak a mérnöki tevékenységhez, és új paradigmát kínálnak a tartós tervezéshez. Előadásunkban az anyagtudomány új távlatát mutatjuk be az anyag és a hang határfelületén, amely új tervezési paradigmát tár föl számos eszköz, közte a molekulamodellezés, az MI, a gépi tanulás, kísérleti szintézis és jellemzés alkalmazásával. A fehérjemolekulák – az élet alapvető építőelemei – rezgésének hangjelekké való átalakítása az élő anyag kódolási rendszerét jelenti. A hang kezelésével, a mutációk föltárásával ez az elv fizikán alapuló zeneszerzési technikát kínál, amely olyan, mintha a festő új színekre lelne. Az anyag rezgő nanomechanikai szerkezete a hanggerjesztés új módszerét nyújtja, kiegészítheti vagy segítheti az emberi alkotókészséget, meghaladva az eddigi léptéket és anyagfajtákat.

Markus J. Buehler az MIT professzora és az MIT atom- és molekuláris mechanikai laborjának vezetője. Elsődleges kutatási területe a biológiai és a biológia ihlette anyagok szerkezete és mechanikai tulajdonságai, hogy jellemezzen, modellezzen és előállítson a nanomérettől a makroméretig terjedő tartományban architektúrás jellemzőjű anyagokat. A Biomateriomics c. legújabb könyvében új tervezési paradigmát mutat be a bioanyagok elemzésére.

Buehler több tudományos szervezetben és folyóiratban tevékenykedik, számos jelentős kitüntetés díjazottja.

Ezt az előadást egy TEDx rendezvényen rögzítették, amelyet a TED konferenciák formájában, de tőlük függetlenül egy helyi közösség szervezett. Bővebben: http://ted.com/tedx

Markus Buehler vagyok.

Az MIT építőmérnöki kara tanára vagyok,

és a Számítógép-tudományi Központ tagja

az MIT Stephen A. Schwarzman egyetemen.

Az anyaggá alakított hang

és a hanggá alakított anyag
viszonyáról fogok beszélni.

Arról, hogyan hat egymásra
a rezgés, a hang és az anyag,

és hogyan használhatjuk a zenét
jobb, új anyagok tervezésére.

Biológiai szerkezetekre,

pl. pókhálókra gondolva látjuk,

hogy roppant aprólékos,
kusza és bonyolult szerkezetek.

Ha belenézünk a pókhálóba,

esetünkben háromdimenziósba,

számos belső szerkezetet látunk,

amely a makroméretűtől
a nanoméretűig terjed.

A hálószerkezetbe repülve látjuk,

hogy a hálót igen bonyolult
architektúra jellemzi.

Kinagyítva egyre több
hierarchikus jellemző

tűnik föl és válik láthatóvá.

Nagyításkor beleláthatunk
a selyemrostokba.

Fölismerhetjük,

hogy a selyemrostok
maguk is hierarchikus szerkezetűek.

E hierarchikus szerkezet

a molekulamérettől,
az egyes fehérjemolekulákból,

melyek másodlagos szerkezetté
alakuló atomokból állnak,

harmadlagos szerkezetű

fehérjenyalábokba rendeződik:

végül ebből lesznek a rostok,

amelyek rostnyalábokba
és rostszálakba állnak össze,

belőlük rostok képződnek,

a hálóban lévő selyemrostok.

Látható tehát,

hogy a hálónak tényleg van szerkezete,

amely a makromérettől
a nanoméretig terjed.

Hogyan épülnek fel ezek az anyagok?

A természetben úgy épülnek föl,

hogy a szerkezetet illető infót általában

a DNS-ben kódolt génszekvencia közvetíti.

E DNS-betűk kódolják a fehérjék
felépítéséről szóló információt.

A fehérjék elsődleges
szekvenciákból épülnek föl:

e genetikai információt nyújtó betűk
alakítják az aminosavak szekvenciáit,

így keletkeznek a másodlagos szerkezetek,
pl. az alfa-hélixek vagy a béta-redők,

ezek pedig bonyolultabb
szerkezeteket hoznak létre,

pl. csontjaink kollagénjét,

a béta-redők és alfa-hélix
keverékéből álló pókselymet,

a még bonyolultabb szerkezeteket,

pl. a vírusokat.

Ezen a képen

a COVID-19 kórokozója látható,

amelynek felszínéből
fehérjetüskék türemkednek ki.

A vírus erről kapta a koronavírus nevet.

Aminosav-szekvenciák kódolják

genetikai információt hordozó
RNS-ek vagy DNS-ek révén.

E genetikai információ
tartalmazza a tervrajzot,

amely alapján a vírus fölépül.

Mivel alulról épül,

hierarchikus szerkezetet alkotva

különböző hossz- és időskálákon,

azt is tudjuk, hogy a módszer

a mérnöki munkában is használható.

Az Eiffel-toronyhoz hasonló
architektúrarendszerre gondolva

feltűnnek e rendszer jellegzetességei is.

amelyek a makroszinttől
a nanoszintig terjednek.

Noha a mérnökök már igen régóta

a hierarchikus elvet alkalmazzák,

mégsem vagyunk képesek egyidejűleg

a molekulaszintet
a makroszinttel összehangolni.

Másik érdekes tulajdonság

az anyag más-más megjelenését
egyesítő téma és tulajdonság.

Ez pedig a rezgések,
az anyag és a hang egyenértékűsége.

A hullámok és a rezgések egyetemessége
a molekulákban figyelhető meg.

Kvantummechanikai szinten ismerjük,

az anyag hullámok együtteseként írható le.

Azt is értjük,

hogy a hang harmonikus
szinuszhullámok összegződése,

melyből bonyolultabb
szerkezetek jönnek létre.

Azt is tudjuk, hogy a hullámokat

a pókok közlésre és a környezetük
megértésére használják.

A hullámok, a hang
és a rezgések egyetemesek,

és a rezgéseket és a hangot talán

anyagmodellek meghatározására,

anyagok optimalizálására,

sőt rezgések alkalmazásával

még egészen új anyagok
fölfedezésére is használhatjuk.

Bemutatjuk, hogyan fejlődik
a hierarchikus rendszerek felépítése.

A pók rezgésekkel észleli a környezetét,

tartja a kapcsolatot más pókokkal,

érzékeli a fenyegetést,
felismeri áldozatát

és sok más egyebet.

A begyűjtött jeleket agyuk földolgozza,

döntéseket hoznak
a hálóépítés mikéntjéről,

mint egy önműködő 3D-nyomtató.

Hálóikat anyagok
térbeli összeszerelésével,

térbeli elhelyezésével végzik,
javítják a hálót,

együttműködnek más pókokkal,

eközben önálló, okos,
intelligens anyagrendszert

hoznak létre.

Az emberek igen hasonlóan dolgoznak.

Mikor emberek építkeznek,

festményt állítanak elő,
hangszeren játszanak,

érzékelik a környezetet,

döntenek a teendőkről,
és hogy mely eszközt használják.

Fafaragáskor meggondoljuk,

hogy bizonyos mintához
mi legyen a következő lépés.

Hangszeren játszva eldöntjük,

melyik következő billentyűt üssük le,
attól függően, mit hallunk.

E folyamatok nagyon
hasonlítanak a pókéhoz.

A kérdés, hogy e visszacsatoló
mechanizmusok közül,

önműködő anyaggyártó módok közül
melyiket tudjuk megvalósítani

neuronhálókban való érzékelés
és információfeldolgozás útján

új dolgok előállítására?

Használhatjuk-e, bevezethetjük-e
őket műszaki megoldásoknál,

ahol nem statikus,
hanem élő anyagot állítunk elő,

melyek újító módon léphetnek
kölcsönhatásba a környezettel?

Erre az egyik mód az anyag átváltoztatása,

hiszen az anyag
egyenértékű a hangrezgésekkel,

és így a hangot új anyag
tervezésére alkalmazhatjuk.

Ehhez valamilyen anyagösszetételből,

anyagszerkezetből indulunk ki,

amelyet rezgések halmazának tekinthetünk,

ezt számítással
hallható hanggá alakíthatjuk,

és a hangot kezelhetjük.

Új hangot állíthatunk elő,

amelyet módosíthatunk,

majd a hangot anyaggá alakíthatjuk vissza.

Ezzel tervezési feladatot oldunk meg,

amely építőelemek összerakásából áll,

mintha Lego-elemeket

szerkezetekké raknánk össze.

Hang esetén ezek az építőelemek
szinuszhullámok, hangszerek,

vagy dallamok, zongorabillentyűk.

Összerakhatunk összetett szerkezeteket,

összetett hangokat, összetett dallamokat,

amelyeket egymással keresztezve,
összefonódva egyszerre játszunk le,

és bonyolult hangmintákat állíthatunk elő,

melyek aztán anyaggá alakíthatók vissza.

Az a kérdés,

hogy miféle anyagot képviselhet
bizonyos kompozíció?

Pl. Bach vagy Beethoven szerzeménye?

Használhatjuk-e ezt az elvet

a természet által még ki nem talált
teljesen új anyagok tervezésére?

Előállhatunk-e tartós anyagok
mérnöki megoldásával,

melyekhez másként nem juthatunk?

A hang elegáns módja,

hogy több szinten ragadjuk meg
az anyagi szerveződést.

Pókháló a neve.

Sokrétű szerkezetű.

Ha fölidézik, a nagy léptéktől
jutottunk el a pókhálóig,

és a kezdettől fogva fölismerjük

az architektúraszinteket,
szerkezeti részleteket,

egészen a molekuláris léptékig,

és az aminosavakat létrehozó
egyes atomokig;

ezek az aminosavak a fehérjék építőelemei.

Aminosavakat fehérjékké,
fehérjék építőelemeivé,

szálakká, rostokká,
egész hálóarchitektúrává –

ez igazán bonyolult feladvány.

Hangot használva egyidejűleg
minden szintet hallunk.

Minden szint a frekvenciasáv
egy-egy fajtája.

Hallgatva fülünk, agyunk
földolgozhatja az információt,

és új hierarchikus
szerkezeteket tervezhetünk,

pl. a zenében.

Nézzük meg jobban
az anyagot és a molekulát!

Egy kémia-tankönyvben valószínűleg

megtaláljuk molekulák ábráit,

esetünkben a benzolét.

Az efféle modellek idővel változnak,

de mind hibásak,

mert ezek a tankönyvi ábrák statikusak.

Statikus ábrák,

noha a molekulák folyton mozognak.

Folyton rezegnek és mozognak.

E rezgések és mozgások határozzák meg

e molekulák szerkezetét.

Minden molekulának
egyedi hanglenyomata van,

mint a gitárhúr itt hallható rezgése.

Halljuk a rezgéseket,
belőlük keletkezik a zene.

(Egypár gitárhang)

A molekularezgéseknek
is egyedi hangjuk van,

és hallhatóvá tehetjük őket,

ha frekvenciájukat a hallható
tartományba tesszük át,

agyunk képes feldolgozni az információt.

Így hangzik egy komplex fehérjeszerkezet.

(Elektronikus zene)

A fehérje folyton rezeg.

Állandóan mozog.

E mozgások hallható hanggá alakíthatók;

mintha több gitáron, több hangszeren

több szerkezeten játszanánk
valamely zeneszámot.

Ha megvan a fehérje hangmodellje,

jobban megérthető a fehérje.

újabb módszerünk van
szerkezete megértésére,

villámgyorsan földolgozhatjuk
az információt,

így megérthetjük pl. a mutációkat,

hogyan változtatják a fehérjék
feltekeredési geometriájukat

mutáció közben,

megérthetjük, hogyan kezelhetünk kórokat

fehérjéhez kötődő antitestek
vagy gyógyszerek fejlesztésével.

E helyzetek roppant könnyen létrehozhatók,
és a hangtérben hallhatók.

Nemrég fölfedezték,
hogy minden aminosavnak,

a 20 természetes fehérjeépítő aminosavnak

rá jellemző hangja van.

Egyedi lenyomata,

azaz mindegyiknek
saját zongorabillentyűje van.

Mind másként hangzik.

Most mind a 20 aminosav hangját halljuk

az elejétől a végéig.

(Elektronikusan gerjesztett zene)

Ezek az élet hangjai.

A hangok fehérjemodellek
építésére használhatók.

Most a tüskés fehérje zenei ábrázolását,

a COVID-19 kórokozójának
zenei ábrázolását halljuk.

(Lassú vonószene)

Ez kb. 3000 aminosavból álló óriásfehérje.

Mivel a fehérje óriási, és bonyolult
feltekeredési geometriájú,

a fehérje szerkezetéből adódó
zeneszám rettentő hosszú.

(Zene vége)
Kb. egy óra 50 perces.

Maga a fehérje hierarchikus természetű.

Ahogy említettem,
van elsődleges szekvenciája,

amelyet a vírus genetikai
információja kódol.

Az információnak 30 000 bázisszintje van

a vírus genetikai kódjában.

3000 ilyen kódolja be ezt a fehérjét.

Majd vannak a másodlagos szerkezetek,

az alfa-hélixek, a béta-redők,
véletlenszerű tekercsek

és más szerkezetek is.

Ezek aztán komplex
geometriába tekerednek föl.

Az eredő zene igen bonyolult,
mert a sok dallam egymásba fonódik,

és zenei ellenpontot képez.

Az ellenpont fogalmát pár száz éve

Johann Sebastian Bach vezette be
és alkalmazta kiterjedten.

Bach már alkalmazott
pár szerkezeti tulajdonságot,

amelyekre mi a fehérjékben bukkantunk.

Hanggal vagy zenével való
fehérjemodellezéssel

igen hatékony kódolómodelleket
hozhatunk létre,

melyeket MI alkalmazásokban használhatunk.

Az utóbbi munkában a fehérjéket
adathalmazokhoz használtuk fel,

hogy millióórányi zenét adjunk elő,

amelyek e fehérjéket jellemzik,

majd a mesterséges neuronhálókat
a hallgatásukra tanítjuk meg.

Ezek az MI-k aztán a tanultak alapján
zenét szerezhetnek.

Ezeket az új zeneszámokat

aztán fehérjékké fordíthatjuk vissza,

mivel egyedi térképünk van

a fehérjék hangja és a genetikai
információ kapcsolatáról.

Így jutunk el a fehérjétől, az anyagtól

a hullámok és az anyag
egyenértékűsége megértésén át a hangig.

Aztán hullámokat vagy hangokat
használhatunk új hangok képzésére,

hangszerkesztésre, hangkezelésre,

új dizájnmegoldásokra,

nemcsak emberi, hanem MI úton is.

Az új hangot aztán
anyaggá alakíthatjuk vissza,

azaz a hang anyagban ölthet testet.

Az anyag és a hang viszonya igen érdekes,

mert sokféle technikát tesz lehetővé

különféle tervezési feladatok megoldására.

A COVID-19 esetében persze

az egyik megoldandó feladat,

hogy mi módon lehet antitesteket,
fehérjemolekulákat előállítani,

melyek erősebben kötődnek
a vírus fehérjéjéhez,

mint ahogy a fehérje az emberi sejthez.

Most az MI-vel képzett
egyik fehérje hallható.

(Hegedűszó)

A képen maga a fehérje látható.

E fehérjét nem a természet fejlesztette.

Hogy hoztuk létre?

Sokféle koronavírus
tüskefehérjét hallgatunk,

más-más fajokat

a koronavírus eltérő
fejlődési szakaszából.

Nemcsak a COVID-19-et,
hanem sok más koronavírust is.

Majd hagyjuk, hogy az MI módszer
új zenét szerezzen,

amely tükrözi az adott vírusfajta
természetes szerkezetét,

amilyen minden tüskefehérje a vírusban.

Az eredmény:

a fehérjegeometriát, -szekvenciát
tükröző összetétel,

amelynek ugyan köze van
e koronavírus tüskefehérjékhez,

de a természetben még nem lelték föl.

Ez az összetétel, ez a szekvencia

esetleg az antitest kulcsa,

mert illik a fehérjékben,

a genetikai információban
található szekvenciafajtákhoz.

(Zene)

Itt zeneművet hallunk,
amely tükrözi a fertőződés pillanatát.

Ez a fehérjeszerkezet ahhoz hasonló,

mint mikor a vírus tüskefehérjéje
megtámadja az emberi sejtet.

A kapcsolódás során
(Zene vége)

a fehérje módosul, az iránya enyhén.

Halljuk a kapcsolódást,

mert enyhén módosul
a frekvenciasáv és a rezgések,

és a zenén keresztül hallhatóvá tehetjük.

A zene a molekuláris mozgások,
a fertőzés, a szétválás világába,

a vírus és az emberi test
küzdelmének világába való

betekintést szolgálja.

A rezgések másként is láthatóvá tehetők:

pl. felületi hullámokkal.

Tavak vízhullámai gyakori jelenség.

Amikor tóra vagy víztestre rásüt a nap,

és így felületi hullámok keletkeznek,

és csillog a víz,

ez a jelenség fontos szerepet
játszott az emberi evolúcióban.

Az ember a vízcsillogást
a víz föllelésre használja;

sok állat is így tesz, nem csak az ember.

A felületi hullámok a vízfölderítés módja.

Azzal próbálkozunk,
hogy vajon használhatjuk-e

a vízhullámok mélyebb szerkezeteit,

nem csupán széllökések

vagy más környezeti tényezők
keltette felületi hullámokat,

hanem gerjeszthetünk-e hullámokat

fehérjékbe kódolt rezgések
mechanikai jegyei révén.

Kísérleti eszközt állítottunk össze,

mellyel gerjesztettük a vizet

a fehérje természetes rezgései útján,

és láthatóvá is tettük.

Így makroszinten

szabad szemmel látható,

hogyan gerjesztik a vizet a fehérjék,

és miféle egyedi mintázatot mutatnak.

Más-más fehérjeállapotok
más-más rezgések derülnek ki,

más-más molekulaléptékű
mintázatokat veszünk észre.

Ez a nanoszkopikus elemek, események,
tulajdonságok láthatóvá tételére

újabb módszert nyújt:

a hullámmintázatokat nemcsak
hallhatjuk, mint a zenében,

hanem meg is láthatjuk.

E hullámmintázatok
torzíthatják a valóságot.

Az animációból látható,
(Zene)

hogyan filmeztük le a hullámfelületet,

megfigyelhető a környezetről – esetünkben

havas tájban lévő fákról, bokrokról –
való visszatükröződése.

Mert egy kis széllökés érte a víztestet,

enyhe felületi hullámok keletkeztek,

amelyek torzítják
a kamerával fölvett képet.

(Zene vége)

Még ha fölismerhető is a kép,
azért enyhén torz.

Ezt a torzítást, az inceptionizmust,

a környezeti hatáson alapuló
más-más kép létrejöttét

szeretnénk föltárni,

és kideríteni, vajon
alkalmazható-e hasonló elv

a valóság torzítására vagy módosítására

a vízben történő fehérjerezgések
láthatóvá tételére.

Fehérjerezgések keltette
vízhullámok láthatóvá tétele

hatékony módszer fehérjék föltárására.

Kiválasztottunk több fehérjét,

és felületi vízhullámokban
láthatóvá tettük őket.

Aztán a neuronhálót

minden fehérje esetében
ezernyi kép segítségével tanítottuk.

E tanulási folyamatban
a neuronháló megtanulhatja,

hogy mely hullámmintázatok kapcsolódnak

az egyes fehérjeszerkezetekhez.

Így néz ki az egyik példánkban.

A fehérjerezgések miatt keletkezett

érdekes természetes mintázatot
látunk a felületen.

A fehérjék mechanikai rezgései okozzák

e felületi hullámokat,

amelyek szabad szemmel
vagy nagy sebességű kamerával látható

roppant érdekes
mintázatokat hoznak létre,

Minden fehérjének egyedi rezgéssávja van,

ezt már említettem.

Hallhatták a játszott zenében.

Ez itt ugyanannak az elvnek
a grafikus megjelenítése.

Két fehérje lenyomatát látjuk
ezen a sávdiagramon.

A bal oldali a 6m17 nevű.

Ez az az eset,

mikor a COVID-19 kórokozója
kötődött az emberi sejthez.

A jobb oldalon a 6m18-as van.

Az az eset, mikor a vírus
nem támadta meg az emberi sejtet.

A jobb oldali a nem fertőzött,
a bal oldali a fertőzött.

Ez a fehérje különösen fontos

abból a szempontból,

hogy megértsük, hogyan fertőz a COVID-19.

A neuronhálót
többféle fehérjére tanítottuk,

és felületi hullámokat vizsgáltunk.

Más kísérleteket is végezhetünk,

és filmezhetjük, rögzíthetjük az egyes
fehérjékhez tartozó felületi hullámokat,

a neuronhálóval osztályozhatjuk,

mely fehérjék váltották ki
az adott felületi hullámokat.

A módszer bevált.

Balra látható a 107m fehérje.

Barnás színű.

A sávdiagramon látható,

hogy a barna szín a legvalószínűbb
előrejelzés erre a helyzetre.

Az felel meg a 107m fehérjének.

Az a legvalószínűbb.

A modell remekül képes
a szerkezet előrejelezésére.

A diagramból látszik,

hogy a legjobb előrejelzés mindig

a rezgést okozó fehérjét mutatja ki.

A módszer alkalmas rá,

hogy a felszíni hullámokra ránézve
azonnal kimutassa,

melyik fehérje okozza a rezgéseket.

Nézzük a középső részt!

A 6m17 és a 6m18 fehérjéket már láttuk.

Ezek fertőző állapotok,

amikor a COVID-19 kórokozója
és az emberi test között

megindul a kölcsönhatás.

A 6m17 a csatolt állapot,
a 6m18 a leválasztott állapot.

Noha a szerkezet roppant hasonló,

de jelentéktelen a molekuláris változás,

és a kevéssé változott a rezgéssáv.

Az előző képen látható volt,

hogy a módszer jól érzi a különbségeket.

A legnagyobb valószínűség
a 6m18-ban világoskék,

ami adott szerkezetre utal.

Képes a szerkezetet előrejelezni.

A 6m17 zöldes színű; az elv ugyanaz.

E konkrét szerkezet
legnagyobb valószínűségét jelzi.

A módszer nemcsak megkülönbözteti
a sok fehérjeosztályt:

kicsi, nagy, hanem le is írja

a rezgéssávok hajszálnyi különbségeit is

és a felületi hullámok okozta
fehérjeföltekeredések közti

hajszálnyi különbségeket is.

A módszer alkalmazható az ún.
fehérje-inceptionizmus fejlesztésére.

Az érdekel minket,

hogy a vízfelületi hullámokban
találhatunk-e mintázatokat,

melyeket más képekben
lévő fehérjék gerjesztettek.

Hegyi látképet vagy tavat fotózva,

bármit lefényképezve
saját szemünkkel láthatjuk,

lefényképezve eldönthetjük,

hogy azokat a természetes
tulajdonságokat látjuk-e,

melyek más rendszerekben
e fehérjerezgésekben vannak.

Hol és hogy ismerjük föl más mindennapi
objektumokban e molekularezgéseket?

Ehhez a DeepDream algoritmust

és a különféle fehérjerezgésekre

megtanított neuronhálót alkalmazzuk.

Ezen a képen látható,

hogyan néz ki a rezgéssáv,

amely ebbe a felületi
vízhullám-szerkezetbe van beágyazódva.

Ha erre alkalmazzuk
a fehérje-inceptionizmus algoritmusát,

az majd fölismeri az összes mintázatot,

amelyek egyediek erre a fehérjére nézve.

Így működik a neuronháló.

A belső rétegek határozzák meg
az adott fehérje egyedi tulajdonságait,

és kimutatják, mely fehérje
keletkezett rezgés hatására.

E képfeldolgozást

ezen tulajdonságok
jobb megismerésére használhatjuk.

Ez a kép azt mutatja,

milyen eredménye van a feldolgozásnak
e spagettiszerű szerkezetekben.

Ezek egyedi lenyomatok vagy szerkezetek,

melyek az adott rezgéseket okozzák

a neuronhálókban.

A neuronhálókban

a fehérje-inceptionizmus algoritmusa
által keltett rezonancia

a láthatóvá tétel tényleg
hatékony módszere,

mellyel egyes tulajdonságok kinagyíthatók,

láthatóbbá tehetők és fölerősíthetők
ezeken a képeken.

Akárcsak a zeneszerszámokban,
pl. a gitárban keltett rezonanciát,

itt is úgy látjuk a rezonanciát,

mint a molekuláris rezgések
gerjesztette képeket.

Ha más helyzetet nézünk,
pl. folyó vízhullámait –

ez eredeti felvétel –,

e hullámokat nem fehérjék keltették,

sziklán átbukó folyóvíz
keltette a hullámokat,

megfigyelhetjük, hogyan kezeli
az algoritmus a hullámok tulajdonságait,

melyeket – ismétlem –
nem fehérje váltott ki,

de ezeknek hasonló tulajdonságai vannak,
mint a fehérjék okozta hullámoknak.

Képfeldolgozás után

előtűnnek bizonyos mintázatok.

Ezek azok a területek,
spagettiszerű szerkezetek,

ahol az algoritmus kimutatja
a belső szerkezetek rezonanciáját,

melyeket e fehérjerezgések okoztak.

Tehát folyókban is
láthatók a fehérjerezgések.

Ez példa a parti tájra,
ahol három elem létezik:

víz, sziklák és levegő.

Az algoritmus pedig
a fehérjerezgés tulajdonságait

mindhárom elemben kimutatja.

Némelyiket a vízhullámokban,
ami nem meglepő,

mert mindkettő vízhullám.

Hasonló elvet látunk a szikláknál.

Némely tulajdonság, némely sziklamintázat

a fehérjéknél látottakra emlékeztet.

Látjuk, hogy néhányuk
még az égnek is jutott.

Ez a képfeldolgozást alkalmazó elemzés,

és látható, hogy a képen föllelhetjük

a természetes tulajdonságokat,

amelyek jellemzőek a fehérjerezgésre.

Az anyag hang, és a hang anyag.

Láttuk, hogy mikor az anyag
megnyilvánulásáról van szó,

azt mint rezgések együttesét tekinthetjük.

Hallhatóvá tehetjük.

Hallhatóvá tehetjük a rezgéseket

pl. az anyag más állapotában: víz,
folyadékok felületi hullámaiban.

Bizonyos módszerekkel
kezelhetjük az anyagot

új anyag előállítására

vagy új hanggal

információ kimutatására

meglévő zeneszámokban.

Adódik a kérdés:

Miféle anyagot alkotott Beethoven,
mikor szerzeményeit elemezte?

Fehérjerezgésekkel is találkozhatunk
a fehérjerezgések tulajdonságai között,

melyek a rezgéssávok egyedi jelei,
csak más alakban.

Algoritmusként fehérje-inceptionizmust
alkalmazva kimutathatjuk,

hogy e rezgések nemcsak
vízhullámokban fordulnak elő,

hanem az anyag egyéb állapotaiban is.

Tájakban,

növényekben,

az égen, hóban és sok más elemben.

Köszönöm szépen a figyelmüket.