Буквально недавно случилась страшная штука. Тупые, но быстрые, оказываются лучше, чем умные и медленные.
Маленькие нейросети («обрезанные» версии ChatGPT и подобных, работающие сильно быстрее) могут решать сложные задачи. Но только при двух условиях:
— Сотни попыток.
— Есть быстрая проверка, получилось или нет.
Например, писать какой-то код, который можно запустить и понять, сделал он, что нужно, или нет.
Вычислительно дешевле и проще много раз спросить тупую модель, получить от неё кучу разных ответов. И проверить. Чем делать то же самое в несколько точных, но очень ресурсоёмких попыток. Это похоже на выбор между тремя специалистами, которых готовили в университете по специальности 5 лет и толпой из 200 добровольцев, среди которых обязательно найдётся азиат, который делает всё лучше, чем ты.
Исследование вот. Маленькие модели с большим числом независимых попыток показали себя лучше, чем большие с одной попыткой. На всех без исключения тестах. Ну, поскольку ответ легче всего проверить в программировании и математике, тесты были на эти темы.
Если человечество когда-то решало похожую задачу, то можно очень дёшево запустить 10 тысяч попыток в маленькой модели и получить ответ быстрее и дешевле, чем в точных моделях, но в единицах попыток. Маленькие модели обгоняют по КПД большие — напомним, только когда есть простой критерий отсева неудачных попыток.
Так что если вас не устраивает результат, продолжайте долбать модель. Возможно, через некоторое время она найдёт что-то ещё в корпусе и предложит альтернативный вариант.
Была такая шутка про десять тысяч обезьян с печатными машинками, которые способны написать «Войну и мир». В общем, исследование примерно так и называется.
И, если что, именно похожую штуку делает модель ChatGPT o1 — то самое «думает перед тем, как ответить» — только это когда результат не проверяется, а выбирается внешней моделью (или голосованием малых — тут пруфов не будет, это на основе общения с разработчиками).
_______
Источник | #Fourier_series
@F_S_C_P
-------
Секретики!
-------
Маленькие нейросети («обрезанные» версии ChatGPT и подобных, работающие сильно быстрее) могут решать сложные задачи. Но только при двух условиях:
— Сотни попыток.
— Есть быстрая проверка, получилось или нет.
Например, писать какой-то код, который можно запустить и понять, сделал он, что нужно, или нет.
Вычислительно дешевле и проще много раз спросить тупую модель, получить от неё кучу разных ответов. И проверить. Чем делать то же самое в несколько точных, но очень ресурсоёмких попыток. Это похоже на выбор между тремя специалистами, которых готовили в университете по специальности 5 лет и толпой из 200 добровольцев, среди которых обязательно найдётся азиат, который делает всё лучше, чем ты.
Исследование вот. Маленькие модели с большим числом независимых попыток показали себя лучше, чем большие с одной попыткой. На всех без исключения тестах. Ну, поскольку ответ легче всего проверить в программировании и математике, тесты были на эти темы.
Если человечество когда-то решало похожую задачу, то можно очень дёшево запустить 10 тысяч попыток в маленькой модели и получить ответ быстрее и дешевле, чем в точных моделях, но в единицах попыток. Маленькие модели обгоняют по КПД большие — напомним, только когда есть простой критерий отсева неудачных попыток.
Так что если вас не устраивает результат, продолжайте долбать модель. Возможно, через некоторое время она найдёт что-то ещё в корпусе и предложит альтернативный вариант.
Была такая шутка про десять тысяч обезьян с печатными машинками, которые способны написать «Войну и мир». В общем, исследование примерно так и называется.
И, если что, именно похожую штуку делает модель ChatGPT o1 — то самое «думает перед тем, как ответить» — только это когда результат не проверяется, а выбирается внешней моделью (или голосованием малых — тут пруфов не будет, это на основе общения с разработчиками).
_______
Источник | #Fourier_series
@F_S_C_P
-------
Секретики!
-------
arXiv.org
Large Language Monkeys: Scaling Inference Compute with Repeated Sampling
Scaling the amount of compute used to train language models has dramatically improved their capabilities. However, when it comes to inference, we often limit the amount of compute to only one...
Буквально недавно случилась страшная штука. Тупые, но быстрые, оказываются лучше, чем умные и медленные.
Маленькие нейросети («обрезанные» версии ChatGPT и подобных, работающие сильно быстрее) могут решать сложные задачи. Но только при двух условиях:
— Сотни попыток.
— Есть быстрая проверка, получилось или нет.
Например, писать какой-то код, который можно запустить и понять, сделал он, что нужно, или нет.
Вычислительно дешевле и проще много раз спросить тупую модель, получить от неё кучу разных ответов. И проверить. Чем делать то же самое в несколько точных, но очень ресурсоёмких попыток. Это похоже на выбор между тремя специалистами, которых готовили в университете по специальности 5 лет и толпой из 200 добровольцев, среди которых обязательно найдётся азиат, который делает всё лучше, чем ты.
Исследование вот. Маленькие модели с большим числом независимых попыток показали себя лучше, чем большие с одной попыткой. На всех без исключения тестах. Ну, поскольку ответ легче всего проверить в программировании и математике, тесты были на эти темы.
Если человечество когда-то решало похожую задачу, то можно очень дёшево запустить 10 тысяч попыток в маленькой модели и получить ответ быстрее и дешевле, чем в точных моделях, но в единицах попыток. Маленькие модели обгоняют по КПД большие — напомним, только когда есть простой критерий отсева неудачных попыток.
Так что если вас не устраивает результат, продолжайте долбать модель. Возможно, через некоторое время она найдёт что-то ещё в корпусе и предложит альтернативный вариант.
Была такая шутка про десять тысяч обезьян с печатными машинками, которые способны написать «Войну и мир». В общем, исследование примерно так и называется.
И, если что, именно похожую штуку делает модель ChatGPT o1 — то самое «думает перед тем, как ответить» — только это когда результат не проверяется, а выбирается внешней моделью (или голосованием малых — тут пруфов не будет, это на основе общения с разработчиками).
_______
Источник | #Fourier_series
@F_S_C_P
-------
Секретики!
-------
Маленькие нейросети («обрезанные» версии ChatGPT и подобных, работающие сильно быстрее) могут решать сложные задачи. Но только при двух условиях:
— Сотни попыток.
— Есть быстрая проверка, получилось или нет.
Например, писать какой-то код, который можно запустить и понять, сделал он, что нужно, или нет.
Вычислительно дешевле и проще много раз спросить тупую модель, получить от неё кучу разных ответов. И проверить. Чем делать то же самое в несколько точных, но очень ресурсоёмких попыток. Это похоже на выбор между тремя специалистами, которых готовили в университете по специальности 5 лет и толпой из 200 добровольцев, среди которых обязательно найдётся азиат, который делает всё лучше, чем ты.
Исследование вот. Маленькие модели с большим числом независимых попыток показали себя лучше, чем большие с одной попыткой. На всех без исключения тестах. Ну, поскольку ответ легче всего проверить в программировании и математике, тесты были на эти темы.
Если человечество когда-то решало похожую задачу, то можно очень дёшево запустить 10 тысяч попыток в маленькой модели и получить ответ быстрее и дешевле, чем в точных моделях, но в единицах попыток. Маленькие модели обгоняют по КПД большие — напомним, только когда есть простой критерий отсева неудачных попыток.
Так что если вас не устраивает результат, продолжайте долбать модель. Возможно, через некоторое время она найдёт что-то ещё в корпусе и предложит альтернативный вариант.
Была такая шутка про десять тысяч обезьян с печатными машинками, которые способны написать «Войну и мир». В общем, исследование примерно так и называется.
И, если что, именно похожую штуку делает модель ChatGPT o1 — то самое «думает перед тем, как ответить» — только это когда результат не проверяется, а выбирается внешней моделью (или голосованием малых — тут пруфов не будет, это на основе общения с разработчиками).
_______
Источник | #Fourier_series
@F_S_C_P
-------
Секретики!
-------
arXiv.org
Large Language Monkeys: Scaling Inference Compute with Repeated Sampling
Scaling the amount of compute used to train language models has dramatically improved their capabilities. However, when it comes to inference, we often limit the amount of compute to only one...
Чуваки берут и покрывают самолёты акульей кожей. Искусственной.
Акула — очень хитрая рыба, и её кожа обладает двумя полезными свойствами:
1) Не даёт рукоятке ножа скользить в потной руке.
2) Даёт акуле скользить в океане легче, чем без такой кожи.
В общем, из всего известного в биологии, оно самое подходящее для того, чтобы покрывать самолёты, чтобы им лучше леталось. Проблема в том, что идее этой лет 40, а самолёты покрывать стали только сейчас.
Аккурат больше сорока лет назад немецкий биолог Вольф-Эрнст Райф обнаружил небольшие продольные канавки на коже древних акул. Почему на ископаемых — потому что современные акулы обычно не подпускают близко немецких учёных с микроскопами, если у них есть выбор. Вольф-Эрнс вместе со своим другом Дитрихом Вольфгангом Бехертом замучали ещё акулу (на этот раз поновее), что очень заинтересовала Дитриха. И Вольфганга тоже. Потому что он оба был из аэрокосмического центра.
В общем, они запихали макет акулы (возможно, сделанный из самой акулы) в аэротрубу и измерили сопротивление с кожей и без. Немцы, фигли. Получилась разница 8%.
Казалось бы, наносим на самолёт, и минус 8% топлива, да? А вот хрен там стоял. Во-первых, надо правильно расцарапывать самолёт — 50 микрон в высоту, до 1 микрона в ширину. Сдует и выровняет на первом же взлёте, если не будет чего-то очень жёсткого в основе. Если это жёсткое ещё и разрушается от УФ (как большая часть пластиков), то тоже привет всем микроструктурам. Если оно ещё и не выдерживает перепад в 100 градусов (от -60 на высоте до Африки и Астрахани), то снова привет.
Ещё акула плавает примерно в одном эшелоне, а самолёты меняют свойства среды от совсем донных до почти поверхностных. Там упёрлись в моделирование: самолёты, к сожалению, сильно кривые, и считали они там правильные канавки буквально годами. Потом начали клеить, и это было плохой идеей. Идеей лучше оказалось сначала наносить покрытие УСЛОВНО типа латекса, а потом по нему уже царапать. Эксперименты кончились полной экономической нецелесообразностью.
Потом оказалось, что какие-то сумасшедшие гонщики уже наносят подобное покрытие на гоночные самолёты и читерят. Оказалось, что там две компании: одна написала специфический софт для расчёта только акулей кожи только на гоночных самолётах (и, вероятно, только на зелёных), а вторая научилась делать плёнку. Через задницу, не такую эффективную, как в теории, но научились. И оно летало. И летало быстрее, чем без плёнки.
Гонщиков подписали оклеивать транспортники. Через пару лет оклеили самолёт с площадь Ленина. Но не прямо интегралом по поверхности, а частично. Причём вручную. И эта штука заработала!
Если вы думаете, что на этом всё, то нет. Пришли эксплуатационщики и сказали, что самолёт обливают противообледенительной жидкостью, он леденеет, стоит на жарких стоянках, его чистят и моют, эта штука не должна отваливаться в рожу летящему сзади самолёту, не должна гореть быстрее тысячи баксов в секунду (как и весь остальной самолёт) и вообще не должна. Несите документы по сертификации, уррроды.
Поджигать прямо в аэротрубе макеты акул нельзя, поэтому надо летать. Поэтому "это просто пластиковая плёнка" зависла в испытаниях ещё на несколько лет. Летали куски 15х15 сантиметров на транспортниках. В общей сложности куски набрали 15 тысяч часов полёта. Для сравнения, если у вас в какой-то игре наиграно 15 тысяч часов, поздравляем, вы недополучили 7 годовых зарплат.
В итоге плёнка нанесена на 16 эксплуатируемых больших самолётов, наносится сейчас на 4 транспортника и 9 пассажирских, и 3 сентября Боинг-777F японского перевозчика полетел в этой шкуре из Чикаги в Токио. Потребление топлива снижается на 1-2%, а не на 8%, как у акулы, но всё равно это дико круто.
Детали есть вот тут и тут. А вот видео про разрушителей мифов и машину с кожей акулы.
_______
Источник | #Fourier_series
@F_S_C_P
Узнай судьбу картами Таро:
✨Anna Taro bot
Акула — очень хитрая рыба, и её кожа обладает двумя полезными свойствами:
1) Не даёт рукоятке ножа скользить в потной руке.
2) Даёт акуле скользить в океане легче, чем без такой кожи.
В общем, из всего известного в биологии, оно самое подходящее для того, чтобы покрывать самолёты, чтобы им лучше леталось. Проблема в том, что идее этой лет 40, а самолёты покрывать стали только сейчас.
Аккурат больше сорока лет назад немецкий биолог Вольф-Эрнст Райф обнаружил небольшие продольные канавки на коже древних акул. Почему на ископаемых — потому что современные акулы обычно не подпускают близко немецких учёных с микроскопами, если у них есть выбор. Вольф-Эрнс вместе со своим другом Дитрихом Вольфгангом Бехертом замучали ещё акулу (на этот раз поновее), что очень заинтересовала Дитриха. И Вольфганга тоже. Потому что он оба был из аэрокосмического центра.
В общем, они запихали макет акулы (возможно, сделанный из самой акулы) в аэротрубу и измерили сопротивление с кожей и без. Немцы, фигли. Получилась разница 8%.
Казалось бы, наносим на самолёт, и минус 8% топлива, да? А вот хрен там стоял. Во-первых, надо правильно расцарапывать самолёт — 50 микрон в высоту, до 1 микрона в ширину. Сдует и выровняет на первом же взлёте, если не будет чего-то очень жёсткого в основе. Если это жёсткое ещё и разрушается от УФ (как большая часть пластиков), то тоже привет всем микроструктурам. Если оно ещё и не выдерживает перепад в 100 градусов (от -60 на высоте до Африки и Астрахани), то снова привет.
Ещё акула плавает примерно в одном эшелоне, а самолёты меняют свойства среды от совсем донных до почти поверхностных. Там упёрлись в моделирование: самолёты, к сожалению, сильно кривые, и считали они там правильные канавки буквально годами. Потом начали клеить, и это было плохой идеей. Идеей лучше оказалось сначала наносить покрытие УСЛОВНО типа латекса, а потом по нему уже царапать. Эксперименты кончились полной экономической нецелесообразностью.
Потом оказалось, что какие-то сумасшедшие гонщики уже наносят подобное покрытие на гоночные самолёты и читерят. Оказалось, что там две компании: одна написала специфический софт для расчёта только акулей кожи только на гоночных самолётах (и, вероятно, только на зелёных), а вторая научилась делать плёнку. Через задницу, не такую эффективную, как в теории, но научились. И оно летало. И летало быстрее, чем без плёнки.
Гонщиков подписали оклеивать транспортники. Через пару лет оклеили самолёт с площадь Ленина. Но не прямо интегралом по поверхности, а частично. Причём вручную. И эта штука заработала!
Если вы думаете, что на этом всё, то нет. Пришли эксплуатационщики и сказали, что самолёт обливают противообледенительной жидкостью, он леденеет, стоит на жарких стоянках, его чистят и моют, эта штука не должна отваливаться в рожу летящему сзади самолёту, не должна гореть быстрее тысячи баксов в секунду (как и весь остальной самолёт) и вообще не должна. Несите документы по сертификации, уррроды.
Поджигать прямо в аэротрубе макеты акул нельзя, поэтому надо летать. Поэтому "это просто пластиковая плёнка" зависла в испытаниях ещё на несколько лет. Летали куски 15х15 сантиметров на транспортниках. В общей сложности куски набрали 15 тысяч часов полёта. Для сравнения, если у вас в какой-то игре наиграно 15 тысяч часов, поздравляем, вы недополучили 7 годовых зарплат.
В итоге плёнка нанесена на 16 эксплуатируемых больших самолётов, наносится сейчас на 4 транспортника и 9 пассажирских, и 3 сентября Боинг-777F японского перевозчика полетел в этой шкуре из Чикаги в Токио. Потребление топлива снижается на 1-2%, а не на 8%, как у акулы, но всё равно это дико круто.
Детали есть вот тут и тут. А вот видео про разрушителей мифов и машину с кожей акулы.
_______
Источник | #Fourier_series
@F_S_C_P
Узнай судьбу картами Таро:
✨Anna Taro bot
Nippon TV NEWS 24 JAPAN
ANA flies first freighter with sharkskin-inspired coating
All Nippon Airways launched Japan's first freighter with sharkskin-inspired coating on September 2. The surface film th...
Не хотите ли поговорить о Чарльзе нашем Дарвине и его теории? Увы, тут мы вынуждены поддержать РПЦ и других участников спора и выступить за то, что её давно пора прекратить преподавать.
Во-первых, там пробел с наследственностью. Дарвин написал там часть "under construction", а за неимением данных предложил модель, где всё тело отправляет маленькие образцы типа курьеров в половые клетки. Мендель и его генетика будут посовременнее. Ещё Дарвин знал про вариации, но не знал, откуда они берутся. Мы теперь знаем про мутации.
Естественно, не было популяционной генетики. Уравнения Харди-Вайнберга немного поменяли наше моделирование того, что будет происходить в более крупных системах.
Дарвин считал главной и почти единственной движущей силой естественный отбор, допускал половой отбор, но не сильно углублялся. Мы теперь знаем, что есть генетический дрейф, генный миграционный поток (это не к вопросу, откуда у людей в крови фактор макаки-резуса, а к вопросу, почему средний француз сейчас склоняется к арабскому генотипу), половой отбор (посмотрите на хвост фазана-аргуса, это самая бесполезная приспособа в естественном отборе), ну и там всякая эпигенетика (привет, осьминоги с 60% редактированием РНК).
И что отбор в реальном мире действует не на отдельные гены, а на комплексы, тоже не забудьте.
Потом одно из главных непониманий креационистов: эволюция не обязательно плавная. Бывает, она идёт скачками. Чаще всего по той же причине, почему Добрый вытеснил колу в магазинной популяции. Плюс сверху ещё ложится преадаптивность и прочие ништяки.
В результате предлагаем преподавать синтетическую теорию эволюции. Это когда есть отношения ген-среда, рассматривается эволюция не только организма и вида, но и гена и даже экосистемы. И вообще для РНК что медведь, что логово — часть системы своего собственного воспроизводства, живите с этим.
В том же происхождении человека тоже появились страшные слова вроде межвидовой гибридизации. И другие слова вроде парафилии тоже.
Так что да, пора уже немного обновиться. Теория Дарвина устарела. Несите хотя бы Хаксли. Либо Джулиана, либо Олдоса, чего уж там!
_______
Источник | #Fourier_series
@F_S_C_P
-------
Секретики!
-------
Во-первых, там пробел с наследственностью. Дарвин написал там часть "under construction", а за неимением данных предложил модель, где всё тело отправляет маленькие образцы типа курьеров в половые клетки. Мендель и его генетика будут посовременнее. Ещё Дарвин знал про вариации, но не знал, откуда они берутся. Мы теперь знаем про мутации.
Естественно, не было популяционной генетики. Уравнения Харди-Вайнберга немного поменяли наше моделирование того, что будет происходить в более крупных системах.
Дарвин считал главной и почти единственной движущей силой естественный отбор, допускал половой отбор, но не сильно углублялся. Мы теперь знаем, что есть генетический дрейф, генный миграционный поток (это не к вопросу, откуда у людей в крови фактор макаки-резуса, а к вопросу, почему средний француз сейчас склоняется к арабскому генотипу), половой отбор (посмотрите на хвост фазана-аргуса, это самая бесполезная приспособа в естественном отборе), ну и там всякая эпигенетика (привет, осьминоги с 60% редактированием РНК).
И что отбор в реальном мире действует не на отдельные гены, а на комплексы, тоже не забудьте.
Потом одно из главных непониманий креационистов: эволюция не обязательно плавная. Бывает, она идёт скачками. Чаще всего по той же причине, почему Добрый вытеснил колу в магазинной популяции. Плюс сверху ещё ложится преадаптивность и прочие ништяки.
В результате предлагаем преподавать синтетическую теорию эволюции. Это когда есть отношения ген-среда, рассматривается эволюция не только организма и вида, но и гена и даже экосистемы. И вообще для РНК что медведь, что логово — часть системы своего собственного воспроизводства, живите с этим.
В том же происхождении человека тоже появились страшные слова вроде межвидовой гибридизации. И другие слова вроде парафилии тоже.
Так что да, пора уже немного обновиться. Теория Дарвина устарела. Несите хотя бы Хаксли. Либо Джулиана, либо Олдоса, чего уж там!
_______
Источник | #Fourier_series
@F_S_C_P
-------
Секретики!
-------
Wikipedia
Синтетическая теория эволюции
современная эволюционная теория
Если вам показать цвет, то вы его быстро назовёте. Ну, может, кроме фуксии. Если дать послушать звук — название тоже быстро найдётся, даже если это «бвонг» из трейлеров.
И каждый раз этот цвет и это название для звука будет примерно одинаковым.
С запахами фокус канает только у кулинаров, парфюмеров или других специалистов. Обычный человек редко когда точно называет выделенные запахи и повторно их правильно определяет. Возможно, у вас не так, но это утверждение экспериментально доказано для англоговорящей популяции.
Считается, что мы, будучи совсем маленькими приматами, давным-давно хорошо нюхали, а потом для зрения понадобилось больше ресурсов. Когда глаза стали съезжаться вперёд, некоторые участки мозга прошли путь конверсии с нюха на зрение. Так наши пушистые предки, кажется, стали реже падать с деревьев наглушняк. Расчёт прыжка в среднем пологе леса был важнее того, как ночью пахнет вкусный орех.
И вот приходят чуваки в Малайзию в племя джахаи с лингвистическим анализом, а там дофига слов для запахов. И называют они их очень уверенно, как цвета. Типа «Вася, помнишь тот дом, который на площади, улитками старыми пахнет такой?» и Вася — «Ага, который этот, как его, ну, красный, да?».
Вообще, для большинства языков запахи описываются через что-то промежуточное. Например, источники — например, банановый или шоколадный запах названы по предметам. Некоторые запахи вообще оказываются невыразмиыми стандартными языковыми средствами.
У джахаев не так, у них спецтермины — как у нас для цвета.
И нюхают они сильно лучше. И когда называют друг другу запах, согласованность того, что они считают одним и тем же, выше.
Базовых гипотез было три: лингвистическая, что им достался язык с кучей дескрипторов запахов, экологическая (в лесу надо знать запахи, потому что визуально лес одинаковый), пропитания (они охотники-собиратели, может, им это сильно надо). Потом подсобрали данных по осёдлым племенам не в лесу той же языковой группы, оказалось, третья.
Охотники-собиратели и осёдлые племена ещё и имеют разные социальные нормы для запахов: «Охотники-собиратели используют свой лексикон запахов в любом деле, в то время как у семелай существует табу на использование запаховых терминов в лесу. Охотники-собиратели верят, что люди обладают врожденным личным запахом, и управляют своим социальным пространством, чтобы избежать неуместного смешения запахов (например, брат и сестра, сидящие слишком близко друг к другу, считаются кровосмешением). Осёдлые не разделяют этого убеждения»
Исследование вот:
https://www.researchgate.net/publication/322583087_Hunter-Gatherer_Olfaction_Is_Special/fulltext/5badc6f392851ca9ed2b9243/Hunter-Gatherer-Olfaction-Is-Special.pdf
Наверное, в нашем обществе им было бы дико сложно запоминать людей, потому что они каждый раз пахнут по-разному.
_______
Источник | #Fourier_series
@F_S_C_P
Стань спонсором!
И каждый раз этот цвет и это название для звука будет примерно одинаковым.
С запахами фокус канает только у кулинаров, парфюмеров или других специалистов. Обычный человек редко когда точно называет выделенные запахи и повторно их правильно определяет. Возможно, у вас не так, но это утверждение экспериментально доказано для англоговорящей популяции.
Считается, что мы, будучи совсем маленькими приматами, давным-давно хорошо нюхали, а потом для зрения понадобилось больше ресурсов. Когда глаза стали съезжаться вперёд, некоторые участки мозга прошли путь конверсии с нюха на зрение. Так наши пушистые предки, кажется, стали реже падать с деревьев наглушняк. Расчёт прыжка в среднем пологе леса был важнее того, как ночью пахнет вкусный орех.
И вот приходят чуваки в Малайзию в племя джахаи с лингвистическим анализом, а там дофига слов для запахов. И называют они их очень уверенно, как цвета. Типа «Вася, помнишь тот дом, который на площади, улитками старыми пахнет такой?» и Вася — «Ага, который этот, как его, ну, красный, да?».
Вообще, для большинства языков запахи описываются через что-то промежуточное. Например, источники — например, банановый или шоколадный запах названы по предметам. Некоторые запахи вообще оказываются невыразмиыми стандартными языковыми средствами.
У джахаев не так, у них спецтермины — как у нас для цвета.
И нюхают они сильно лучше. И когда называют друг другу запах, согласованность того, что они считают одним и тем же, выше.
Базовых гипотез было три: лингвистическая, что им достался язык с кучей дескрипторов запахов, экологическая (в лесу надо знать запахи, потому что визуально лес одинаковый), пропитания (они охотники-собиратели, может, им это сильно надо). Потом подсобрали данных по осёдлым племенам не в лесу той же языковой группы, оказалось, третья.
Охотники-собиратели и осёдлые племена ещё и имеют разные социальные нормы для запахов: «Охотники-собиратели используют свой лексикон запахов в любом деле, в то время как у семелай существует табу на использование запаховых терминов в лесу. Охотники-собиратели верят, что люди обладают врожденным личным запахом, и управляют своим социальным пространством, чтобы избежать неуместного смешения запахов (например, брат и сестра, сидящие слишком близко друг к другу, считаются кровосмешением). Осёдлые не разделяют этого убеждения»
Исследование вот:
https://www.researchgate.net/publication/322583087_Hunter-Gatherer_Olfaction_Is_Special/fulltext/5badc6f392851ca9ed2b9243/Hunter-Gatherer-Olfaction-Is-Special.pdf
Наверное, в нашем обществе им было бы дико сложно запоминать людей, потому что они каждый раз пахнут по-разному.
_______
Источник | #Fourier_series
@F_S_C_P
Стань спонсором!
Ура, у нас на планете появилась первая бессмертная муха! https://t.iss.one/Fourier_series/173
Развитие AI когда-то шло по пути "а давайте возьмём и нарежем мозг Ленина тонкими-тонкими слоями, отсканируем каждый, потом определим, какая клетка с чем соединяется и получим работающий механизм". Мозг Ленина сохранили в Институте мозга, но он оказался слишком амбициозной целью, поэтому начали с мыши. Мышь оказалась на удивление здоровенным организмом на 70 миллионов нейронов. Для сравнения — у нас 86 миллиардов нейронов и примерно 2,3 тысячи связей у каждого.
Оказалось, даже мышь не так-то просто картографировать. Сложная.
Тогда расшифровали сначала круглого червя (302 нейрона, 7 тысяч синапсов, уровень школьных нейросеток), личинку Ciona intestinalis и ещё одного червя, а дальше частично замахнулись на простую рыбу и начали картографировать мышь. Прошли меньше десятой процента.
А вот недавно закончили собирать коннектом взрослой дрозофиллы. Там 139,5 тысяч нейронов, 54,5 миллионов связей и всё это покрыто полностью. В смысле, у нас прямо есть реверс-инжиниринг этой самой насекомой. Для этого понадобилось несколько команд учёных из разных стран, специализированное железо и дополнительно 33 человеко-года разметки. Работали с 2016 года.
Сайт, где можно скачать датасет и вообще полюбоваться на устройство этого мозга.
Интересно, что там есть отдельные нейроны для движения назад, для быстрого движения и для движения вперёд. То есть это три разных функции, по-разному управляющие конечностями, а не одна с модификаторами. И ещё одна для остановки всего насекомого, потому что основные не умеют. Ещё там море интересного с памятью, но это уже стоит ковыряться в отдельных работах. Их по коннектому уже штук 50, начали делать ещё когда он был наполовину готов.
Примерно половина нейронов обращается к зрению либо напрямую, либо через хабы в соответствующих областях. Там целый набор внутренних сетей: есть сеть передачи, есть сумматоры, которые строят агрегированные данные и так далее. Почти 14% нейронов передают сенсорные сигналы в мозг поглубже, то есть можно сказать, что дрозофила у нас — операционная система реального времени, реагирующая на обстановку. То есть прошивка у неё — что-то вроде современных АСУ ТП.
В общем, мы, земляне, оцифровали первый достаточно сложный организм. Так что это первая бессмертная дрозофилла на нашей планете — по крайней мере, её мозг теперь можно скачать и воспроизвести. Весит 14 Гб.
А этот пост мы делали для повышения среднего IQ школьников, оригинал вот тут.
_______
Источник | #Fourier_series
@F_S_C_P
▪️Генерируй картинки в боте:
Flux + MidJourney
Развитие AI когда-то шло по пути "а давайте возьмём и нарежем мозг Ленина тонкими-тонкими слоями, отсканируем каждый, потом определим, какая клетка с чем соединяется и получим работающий механизм". Мозг Ленина сохранили в Институте мозга, но он оказался слишком амбициозной целью, поэтому начали с мыши. Мышь оказалась на удивление здоровенным организмом на 70 миллионов нейронов. Для сравнения — у нас 86 миллиардов нейронов и примерно 2,3 тысячи связей у каждого.
Оказалось, даже мышь не так-то просто картографировать. Сложная.
Тогда расшифровали сначала круглого червя (302 нейрона, 7 тысяч синапсов, уровень школьных нейросеток), личинку Ciona intestinalis и ещё одного червя, а дальше частично замахнулись на простую рыбу и начали картографировать мышь. Прошли меньше десятой процента.
А вот недавно закончили собирать коннектом взрослой дрозофиллы. Там 139,5 тысяч нейронов, 54,5 миллионов связей и всё это покрыто полностью. В смысле, у нас прямо есть реверс-инжиниринг этой самой насекомой. Для этого понадобилось несколько команд учёных из разных стран, специализированное железо и дополнительно 33 человеко-года разметки. Работали с 2016 года.
Сайт, где можно скачать датасет и вообще полюбоваться на устройство этого мозга.
Интересно, что там есть отдельные нейроны для движения назад, для быстрого движения и для движения вперёд. То есть это три разных функции, по-разному управляющие конечностями, а не одна с модификаторами. И ещё одна для остановки всего насекомого, потому что основные не умеют. Ещё там море интересного с памятью, но это уже стоит ковыряться в отдельных работах. Их по коннектому уже штук 50, начали делать ещё когда он был наполовину готов.
Примерно половина нейронов обращается к зрению либо напрямую, либо через хабы в соответствующих областях. Там целый набор внутренних сетей: есть сеть передачи, есть сумматоры, которые строят агрегированные данные и так далее. Почти 14% нейронов передают сенсорные сигналы в мозг поглубже, то есть можно сказать, что дрозофила у нас — операционная система реального времени, реагирующая на обстановку. То есть прошивка у неё — что-то вроде современных АСУ ТП.
В общем, мы, земляне, оцифровали первый достаточно сложный организм. Так что это первая бессмертная дрозофилла на нашей планете — по крайней мере, её мозг теперь можно скачать и воспроизвести. Весит 14 Гб.
А этот пост мы делали для повышения среднего IQ школьников, оригинал вот тут.
_______
Источник | #Fourier_series
@F_S_C_P
▪️Генерируй картинки в боте:
Flux + MidJourney
Telegram
Ряды Фурье
Ура, у нас на планете появилась первая бессмертная муха!
Развитие AI когда-то шло по пути "а давайте возьмём и нарежем мозг Ленина тонкими-тонкими слоями, отсканируем каждый, потом определим, какая клетка с чем соединяется и получим работающий механизм".…
Развитие AI когда-то шло по пути "а давайте возьмём и нарежем мозг Ленина тонкими-тонкими слоями, отсканируем каждый, потом определим, какая клетка с чем соединяется и получим работающий механизм".…
Ура, минутка сексизма! Разбираем метаисследование по красоте.
Красота = привлекательность для размножения. Да, бывают красивые люди, которых вы не обязательно хотите трахнуть, но в целом идеалы красоты отражают адаптации полового отбора.
Лет 50 назад внезапно выяснилось, что красота универсальна в разных культурах. Базовая шкала одна и та же. Дальше решает насмотренность: если с детства вас окружали люди с определёнными чертами лица и т.п., то их образы воспринимаются как более знакомые, то есть более приятные.
Когда мы сталкиваемся с новым стимулом, он сравнивает его с усреднённым прототипом. Если сильно похож — свой. Упрощая, работает так: яркие явно красивые черты дают плюс к красоте, и близость к среднему увиденному за жизнь лицу даёт плюс.
При взгляде на привлекательные лица активируются система вознаграждения. То есть наша прошивка подсказывает, что с привлекательными людьми стоит быть рядом. Ну социум автоматически приписывает красивым людям и другие положительные черты. Чтобы управлять людьми, по возможности, рождайтесь красивыми.
Лицо распознаётся очень быстро, потому что это реализовано чуть ли не в ПЛИСке (выделенной вычислительной области мозга). Оценка — 100 миллисекунд. Детекторы красоты на хардкоде, есть даже у младенцев. Кажется, это пошло ещё с тех времён, когда перекошенное лицо было признаком паразитарной инфекции.
У мужчин бонусы к красоте дают широкий подбородок, густые брови и более грубые черты лица. С другой стороны, крайняя мужественность имеет недостатки в в родительстве. Она ассоциируется с агрессивностью и контролирующим поведением. Поэтому нужно искать того, кто сочетает эти качества, либо подходить по принципам ТРИЗа, и искать как минимум двоих. По мере изменения фертильной стадии женщины, более мужицкие атрибуты становятся важнее, и влияние глубокого голоса тоже.
Глубокий мужской голос воспринимается как более привлекательный и доминантный. Он может указывать на высокий уровень тестостерона. У женщин более высокий мелодичный голос может ассоциироваться с молодостью и фертильностью.
У женщин ключевые черты лица — узкий подбородок, полные губы, большие глаза и тонкие брови. Эти черты связаны с влиянием половых гормонов в юности. Фотографироваться стоит с увеличенными зрачками: это признак возбуждения, который считывается на уровне прошивки. Если глаза визуально наклонены внутрь, это даёт ещё плюс. Можно и дорисовать. Вообще, макияж люто повышает привлекательность женщин )
Активная мимика — хорошо. Увеличение мимики во время овуляции также подтверждает эту идею.
Гладкая ровная кожа = молодость, здоровье и высокая фертильность. Тут, к сожалению, случилось страшное, потому что у обезьян кожа становится упругой в момент, когда они готовы размножаться и в достаточно зрелом возрасте. А вот у людей кожа бывает упругой только в молодости, а прошивка примерно та же.
Молодое лицо у зрелых людей = круто. Счастье и доброжелательность — часть красоты, улыбка повышает ваши баллы.
Все любят стройных. У женщин оптимальным считается индекс массы тела около 20 и соотношение талии к бёдрам около 0,7. Как скромно отмечают исследователи, роль играет также размер груди и бедер. У мужчин — более низкий ИМТ + широкие плечи.
Высоким быть лучше.
У обоих полов уверенность, координированные движения, симметричная походка и проявление интереса к собеседнику дают плюсы к воспринимаемой красоте. Женщины двигаются более скоординированно и симметрично в середине лютеиновой фазы (много эстрогена) по сравнению с их менструальным периодом.
Красное работает. Мужчины оставляют больше чаевых официанткам, одетым в красное.
Во многих культурах мужчины женщин моложе, а женщины наоборот. Это потому что период фертильности у женщин короче. Часики-то тикают. У мужчин эффекты старения не так очевидны на морде лица. Важен статус. Седые волосатые самцы выше в иерархии приматов обычно. {...продолжить в источнике}
_______
Источник | #Fourier_series
@F_S_C_P
Стань спонсором!
Красота = привлекательность для размножения. Да, бывают красивые люди, которых вы не обязательно хотите трахнуть, но в целом идеалы красоты отражают адаптации полового отбора.
Лет 50 назад внезапно выяснилось, что красота универсальна в разных культурах. Базовая шкала одна и та же. Дальше решает насмотренность: если с детства вас окружали люди с определёнными чертами лица и т.п., то их образы воспринимаются как более знакомые, то есть более приятные.
Когда мы сталкиваемся с новым стимулом, он сравнивает его с усреднённым прототипом. Если сильно похож — свой. Упрощая, работает так: яркие явно красивые черты дают плюс к красоте, и близость к среднему увиденному за жизнь лицу даёт плюс.
При взгляде на привлекательные лица активируются система вознаграждения. То есть наша прошивка подсказывает, что с привлекательными людьми стоит быть рядом. Ну социум автоматически приписывает красивым людям и другие положительные черты. Чтобы управлять людьми, по возможности, рождайтесь красивыми.
Лицо распознаётся очень быстро, потому что это реализовано чуть ли не в ПЛИСке (выделенной вычислительной области мозга). Оценка — 100 миллисекунд. Детекторы красоты на хардкоде, есть даже у младенцев. Кажется, это пошло ещё с тех времён, когда перекошенное лицо было признаком паразитарной инфекции.
У мужчин бонусы к красоте дают широкий подбородок, густые брови и более грубые черты лица. С другой стороны, крайняя мужественность имеет недостатки в в родительстве. Она ассоциируется с агрессивностью и контролирующим поведением. Поэтому нужно искать того, кто сочетает эти качества, либо подходить по принципам ТРИЗа, и искать как минимум двоих. По мере изменения фертильной стадии женщины, более мужицкие атрибуты становятся важнее, и влияние глубокого голоса тоже.
Глубокий мужской голос воспринимается как более привлекательный и доминантный. Он может указывать на высокий уровень тестостерона. У женщин более высокий мелодичный голос может ассоциироваться с молодостью и фертильностью.
У женщин ключевые черты лица — узкий подбородок, полные губы, большие глаза и тонкие брови. Эти черты связаны с влиянием половых гормонов в юности. Фотографироваться стоит с увеличенными зрачками: это признак возбуждения, который считывается на уровне прошивки. Если глаза визуально наклонены внутрь, это даёт ещё плюс. Можно и дорисовать. Вообще, макияж люто повышает привлекательность женщин )
Активная мимика — хорошо. Увеличение мимики во время овуляции также подтверждает эту идею.
Гладкая ровная кожа = молодость, здоровье и высокая фертильность. Тут, к сожалению, случилось страшное, потому что у обезьян кожа становится упругой в момент, когда они готовы размножаться и в достаточно зрелом возрасте. А вот у людей кожа бывает упругой только в молодости, а прошивка примерно та же.
Молодое лицо у зрелых людей = круто. Счастье и доброжелательность — часть красоты, улыбка повышает ваши баллы.
Все любят стройных. У женщин оптимальным считается индекс массы тела около 20 и соотношение талии к бёдрам около 0,7. Как скромно отмечают исследователи, роль играет также размер груди и бедер. У мужчин — более низкий ИМТ + широкие плечи.
Высоким быть лучше.
У обоих полов уверенность, координированные движения, симметричная походка и проявление интереса к собеседнику дают плюсы к воспринимаемой красоте. Женщины двигаются более скоординированно и симметрично в середине лютеиновой фазы (много эстрогена) по сравнению с их менструальным периодом.
Красное работает. Мужчины оставляют больше чаевых официанткам, одетым в красное.
Во многих культурах мужчины женщин моложе, а женщины наоборот. Это потому что период фертильности у женщин короче. Часики-то тикают. У мужчин эффекты старения не так очевидны на морде лица. Важен статус. Седые волосатые самцы выше в иерархии приматов обычно. {...продолжить в источнике}
_______
Источник | #Fourier_series
@F_S_C_P
Стань спонсором!
Telegram
Ряды Фурье
Ура, минутка сексизма! Разбираем метаисследование по красоте.
Красота = привлекательность для размножения. Да, бывают красивые люди, которых вы не обязательно хотите трахнуть, но в целом идеалы красоты отражают адаптации полового отбора.
Лет 50 назад внезапно…
Красота = привлекательность для размножения. Да, бывают красивые люди, которых вы не обязательно хотите трахнуть, но в целом идеалы красоты отражают адаптации полового отбора.
Лет 50 назад внезапно…
В 2019 году вышло исследование про супердолгожителей. Тех дедушек и бабушек, которые умудрились прожить больше 100 лет. Ну, знаете, горный воздух, свежие овощи, минимум быстрых углеводов, крепкая семья, верные друзья, спокойные отношения, прогулки каждый день, низкое атмосферное давление, вот это всё — прям идеальная картина.
Это давно знали по предыдущим исследованиям. Проблемы начались чуть позже, когда на данные взглянули математики.
Они овощами не впечатлились ни разу.
Первое, что их удивило — что всего один фактор на 69-82% снизил количество супердолгожителей. Это наличие свидетельства о рождении. Когда их начали выдавать, видимо, это резко сократило шансы дожить до 100 лет. Опасные бумажки, однако.
Второй интересный момент — как так получилось, что супердолгожители сосредоточены в самых неблагоприятных районах по криминальной обстановке и вообще уровню жизни? Бедность была очень хорошим предиктором супердолгожительства.
Несколько лет ковырялись с тем, что надо бухать и курить каждый день, пореже мыться — и изучением наследственности разных маргиналов.
Например, в выборках самых пожилых людей часто наблюдаются уровни курения 17-50% [6] и уровни неграмотности 50-80% [5,6]. При обследовании "голубой зоны" Икарии Хрисохоу и др. отметили, что среди самых пожилых людей: более 95-98% случаев имеют заработную плату ниже медианной, умеренное или высокое потребление алкоголя (5,1-8,0 л/год), 10% неграмотных, в среднем 7,4 года образования и 99% курящих среди мужчин [3].
А потом случилось страшное:
Более недавние исследования выявили потенциальную роль ошибок [13-16] и операторских смещений [17] в создании моделей выживания в старческом возрасте и данных. В свою очередь, эти выводы вызвали реакцию с потенциально разрушительными последствиями: что при таких моделях большинство, если не все рекорды удивительного возраста могут быть ошибками [18].
Итальянцы старше 100 лет сосредоточены в беднейших, наиболее отдаленных провинциях с самой короткой продолжительностью жизни, в то время как американские супердолгожители сосредоточены в популяциях с неполными регистрами рождений и смертей. Обе эти закономерности трудно объяснить биологически, но они легко объясняются экономическими факторами, способствующими пенсионному мошенничеству и ошибкам в отчетности.
В общем, если в ауле есть дедушка, который получает пенсию, и такой актив внезапно амортизируется, то проще не показывать его почтальону, и продолжать получать за него пенсию уже родственникам. Видимо, сложности возникают только тогда, когда почтенного старца надо предъявить на юбилей для местного телеканала.
Ну и это касается даже Японии:
Высококачественные системы всеобщей регистрации часто содержат необнаруженные частые ошибки. Например, вопреки предыдущим утверждениям о том, что "Япония имеет... одни из самых качественных данных о самых пожилых людях" [24], расследование японских записей в 2010 году показало, что 238 000 столетних жителей на самом деле пропали без вести или умерли [25].
Исследование вот.
Секрет долгожительства во многих случаях — систематическая подделка документов!
_______
Источник | #Fourier_series
@F_S_C_P
Стань спонсором!
Это давно знали по предыдущим исследованиям. Проблемы начались чуть позже, когда на данные взглянули математики.
Они овощами не впечатлились ни разу.
Первое, что их удивило — что всего один фактор на 69-82% снизил количество супердолгожителей. Это наличие свидетельства о рождении. Когда их начали выдавать, видимо, это резко сократило шансы дожить до 100 лет. Опасные бумажки, однако.
Второй интересный момент — как так получилось, что супердолгожители сосредоточены в самых неблагоприятных районах по криминальной обстановке и вообще уровню жизни? Бедность была очень хорошим предиктором супердолгожительства.
Несколько лет ковырялись с тем, что надо бухать и курить каждый день, пореже мыться — и изучением наследственности разных маргиналов.
Например, в выборках самых пожилых людей часто наблюдаются уровни курения 17-50% [6] и уровни неграмотности 50-80% [5,6]. При обследовании "голубой зоны" Икарии Хрисохоу и др. отметили, что среди самых пожилых людей: более 95-98% случаев имеют заработную плату ниже медианной, умеренное или высокое потребление алкоголя (5,1-8,0 л/год), 10% неграмотных, в среднем 7,4 года образования и 99% курящих среди мужчин [3].
А потом случилось страшное:
Более недавние исследования выявили потенциальную роль ошибок [13-16] и операторских смещений [17] в создании моделей выживания в старческом возрасте и данных. В свою очередь, эти выводы вызвали реакцию с потенциально разрушительными последствиями: что при таких моделях большинство, если не все рекорды удивительного возраста могут быть ошибками [18].
Итальянцы старше 100 лет сосредоточены в беднейших, наиболее отдаленных провинциях с самой короткой продолжительностью жизни, в то время как американские супердолгожители сосредоточены в популяциях с неполными регистрами рождений и смертей. Обе эти закономерности трудно объяснить биологически, но они легко объясняются экономическими факторами, способствующими пенсионному мошенничеству и ошибкам в отчетности.
В общем, если в ауле есть дедушка, который получает пенсию, и такой актив внезапно амортизируется, то проще не показывать его почтальону, и продолжать получать за него пенсию уже родственникам. Видимо, сложности возникают только тогда, когда почтенного старца надо предъявить на юбилей для местного телеканала.
Ну и это касается даже Японии:
Высококачественные системы всеобщей регистрации часто содержат необнаруженные частые ошибки. Например, вопреки предыдущим утверждениям о том, что "Япония имеет... одни из самых качественных данных о самых пожилых людях" [24], расследование японских записей в 2010 году показало, что 238 000 столетних жителей на самом деле пропали без вести или умерли [25].
Исследование вот.
Секрет долгожительства во многих случаях — систематическая подделка документов!
_______
Источник | #Fourier_series
@F_S_C_P
Стань спонсором!
Короткий ликбез про то, куда дели квантовые компьютеры.
Главная проблема — алгоритм там делается не по шагам, а сразу целиком. И если в процессе исполнения что-то глюкнуло, то вернуться на шаг назад и исправить нельзя. Можно только доделать до конца и посмотреть, что получилось. Промежуточных состояний, по сути, нет. Точнее, они существуют, но их нельзя измерить без разрушения квантовой суперпозиции. То есть на практике сбросить всё в исходное состояние и начать заново.
Это физическая особенность квантовых вычислений. С одной стороны, они дают вам возможность обрабатывать сразу все варианты развития событий с помощью суперпозиций, с другой стороны — руками это трогать нельзя. Машина жужжит, работает, потом выдаёт ответ — 42. В процессе происходит магия.
Так вот, во время стадии "жужжит", кубиты — основа превосходства квантовых компьютеров над убогими обычными — глючат. Потому что внешняя среда. И четверг.
У каждого есть средний процент глюка. Обычный кубит даёт правильную операцию в районе 92,7%, хороший годный отечественный кубит может до 98%. То есть 100% матожидание ошибки будет через 14-50 шагов в зависимости от качества кубита.
А обычно в алгоритме сильно больше шагов. В нормальном алгоритме на порядки больше. В алгоритмах, которые нужны от квантовых компьютеров — например, для быстрой факторизации или поиска элементов в списке в одно действие — прямо очень дофига больше. Поэтому в итоге либо ваш код короткий и практически-бесполезный, потому что такие простые вещи лучше делать на обычной машине, либо длинный и глючный, и всегда выдаёт решения с косяками.
Но! Такую проблему мы, земляне, уже решали с оперативной памятью. Она тоже безбожно глючила. В ней появились особые байты, по 9 бит, где последний — контрольный. Можно и больше, в зависимости от того, как высоко относительно уровня моря стоит или летит ваш компьютер, потому что излучения больше. Важно, что логический байт всегда был 8 бит, а его железная реализация процессор не волнует. Рядом были ещё более глючные магнитные накопители на ленте и CD, где 8 байт звука занимали 24 физических байта. Потому что Хемминг и его код. Можно просто отбрасывать заглючивший блок и считать без него. Можно подходить статистически, "размазывая" вычисления на несколько блоков, а потом голосовать большинством за правильное. Можно ещё много чего.
С такими алгоритмами всё относительно просто, потому что глюк можно увидеть в тот момент, когда он появился. И сам по себе глюк случается редко, то есть не надо контролировать контролирующего.
А вот в случае кубитов надо несколько десятков вспомогательных, обычно от 9 (это теоретический минимум) до 40 и больше, потому что первые 9 тоже косячат, поэтому им тоже... Короче, вы поняли. Потому что все эти коррекции — часть алгоритма, который надо выполнить за один раз целиком.
Собственно, это основная причина, почему принципиального прогресса нет. Например, IBM показала Кондор с 1121 кубитом, из которых логических может оказаться штук 10-20, и то, запутываемых только по соседним парам. Про такие вещи в пресс-релизах не особо пишут.
Можно ещё некоторое время поговорить про кутриты, про возможность запутывания несоседних кубитов, про сверхпроводниковые, ионные и хорошие годные отечественные фотонные платформы, про то, что от скорости декогеренции зависит ограничение на время выполнения алгоритма, но в целом всё главное вы уже знаете. Важно повышать достоверность кубитной операции.
До примерно 2020-2021 года считалось, что 99% на кубит — практический предел технологий на этой планете. Но:
— UNSW в Австралии получили точность 99,95% в пике (с двумя кубитами 99,37%).
— Голландская команда Ливена Вандерсипена выдала 99,87% {...продолжить в источнике}
_______
Источник | #Fourier_series
@F_S_C_P
-------
Секретики!
-------
Главная проблема — алгоритм там делается не по шагам, а сразу целиком. И если в процессе исполнения что-то глюкнуло, то вернуться на шаг назад и исправить нельзя. Можно только доделать до конца и посмотреть, что получилось. Промежуточных состояний, по сути, нет. Точнее, они существуют, но их нельзя измерить без разрушения квантовой суперпозиции. То есть на практике сбросить всё в исходное состояние и начать заново.
Это физическая особенность квантовых вычислений. С одной стороны, они дают вам возможность обрабатывать сразу все варианты развития событий с помощью суперпозиций, с другой стороны — руками это трогать нельзя. Машина жужжит, работает, потом выдаёт ответ — 42. В процессе происходит магия.
Так вот, во время стадии "жужжит", кубиты — основа превосходства квантовых компьютеров над убогими обычными — глючат. Потому что внешняя среда. И четверг.
У каждого есть средний процент глюка. Обычный кубит даёт правильную операцию в районе 92,7%, хороший годный отечественный кубит может до 98%. То есть 100% матожидание ошибки будет через 14-50 шагов в зависимости от качества кубита.
А обычно в алгоритме сильно больше шагов. В нормальном алгоритме на порядки больше. В алгоритмах, которые нужны от квантовых компьютеров — например, для быстрой факторизации или поиска элементов в списке в одно действие — прямо очень дофига больше. Поэтому в итоге либо ваш код короткий и практически-бесполезный, потому что такие простые вещи лучше делать на обычной машине, либо длинный и глючный, и всегда выдаёт решения с косяками.
Но! Такую проблему мы, земляне, уже решали с оперативной памятью. Она тоже безбожно глючила. В ней появились особые байты, по 9 бит, где последний — контрольный. Можно и больше, в зависимости от того, как высоко относительно уровня моря стоит или летит ваш компьютер, потому что излучения больше. Важно, что логический байт всегда был 8 бит, а его железная реализация процессор не волнует. Рядом были ещё более глючные магнитные накопители на ленте и CD, где 8 байт звука занимали 24 физических байта. Потому что Хемминг и его код. Можно просто отбрасывать заглючивший блок и считать без него. Можно подходить статистически, "размазывая" вычисления на несколько блоков, а потом голосовать большинством за правильное. Можно ещё много чего.
С такими алгоритмами всё относительно просто, потому что глюк можно увидеть в тот момент, когда он появился. И сам по себе глюк случается редко, то есть не надо контролировать контролирующего.
А вот в случае кубитов надо несколько десятков вспомогательных, обычно от 9 (это теоретический минимум) до 40 и больше, потому что первые 9 тоже косячат, поэтому им тоже... Короче, вы поняли. Потому что все эти коррекции — часть алгоритма, который надо выполнить за один раз целиком.
Собственно, это основная причина, почему принципиального прогресса нет. Например, IBM показала Кондор с 1121 кубитом, из которых логических может оказаться штук 10-20, и то, запутываемых только по соседним парам. Про такие вещи в пресс-релизах не особо пишут.
Можно ещё некоторое время поговорить про кутриты, про возможность запутывания несоседних кубитов, про сверхпроводниковые, ионные и хорошие годные отечественные фотонные платформы, про то, что от скорости декогеренции зависит ограничение на время выполнения алгоритма, но в целом всё главное вы уже знаете. Важно повышать достоверность кубитной операции.
До примерно 2020-2021 года считалось, что 99% на кубит — практический предел технологий на этой планете. Но:
— UNSW в Австралии получили точность 99,95% в пике (с двумя кубитами 99,37%).
— Голландская команда Ливена Вандерсипена выдала 99,87% {...продолжить в источнике}
_______
Источник | #Fourier_series
@F_S_C_P
-------
Секретики!
-------
Wikipedia
ECC memory
computer memory which detects and corrects errors
В Южной Корее была офигенно интересная история с развитием УЗИ.
Оказалось, можно искать рак щитовидки на ранних стадиях. Пока опухоль маленькая, можно вовремя отловить её на УЗИ, и вырезать там что-нибудь пациенту, чтобы спасти его жизнь пораньше. Диагнозов стали ставить на порядок больше. На лечение по этим диагнозам стали тратить в 7 раз больше денег, чем до начала программы.
Потом свели статистику за несколько лет и очень удивились, что смертность почти не изменилась.
Многие обнаруженные мелкие опухоли, вероятно, никогда бы не прогрессировали и не вызвали клинических симптомов. Однако их обнаружение часто приводило к тому, что хирург отрезал кусок пациента. Плюс сам пациент не сказать, чтобы был офигенно рад такому диагнозу, а на его выживаемость это никак не влияло.
Плюс сопутствующий ущерб — рост нагрузки на систему здравоохранения и то, что эти ресурсы не пустили на что-то другое, например, на реабилитацию наркоманов или лечение шизофрении. Ну или строительство железных дорог, тоже полезная штука с понятным результатом.
Исследования про это вот и вот (DOI 10.1056/NEJMp1409841).
Примерно такая же история с другими диагнозами, вот мета:
— Маммография (рак груди): 0 дней увеличения продолжительности жизни (95% CI: -190 до 237 дней)
— Ежегодный или двухгодичный тест на скрытую кровь (колоректальный рак): 0 дней (95% CI: -70.7 до 70.7 дней)
— Колоноскопия: 37 дней, но статистически незначимо (95% CI: -146 до 146 дней)
— ПСА-тест (рак простаты): 37 дней, но статистически незначимо (95% CI: -37 до 73 дней)
— КТ легких: 107 дней, но с широким доверительным интервалом (95% CI: -286 до 430 дней)
Только сигмоидоскопия показала значимое увеличение ожидаемой продолжительности жизни на 110 дней.
Что это всё значит? Не делать скрининги теперь?
Нет, конечно, делать. Но те, которые системно приносят больше пользы, чем вреда.
Некоторые заболевания на ранних стадиях хорошо детектируются и лечатся эффективнее. Симптомов ждать не надо, надо ходить к адекватным врачам и внимательно их слушать. Для некоторых болезней заметные симптомы означают, что вам надо ехать на дачу, к земле привыкать. Их, конечно, лучше искать раньше.
Обратите внимание, что значимая часть проблем связана с перегрузкой системы здравоохранения. То есть если вы лично в коммерции нашли скрининги, которые лично для вас (а не для общества в целом) создают меньше рисков, чем могут обеспечить пользы, они целесообразны. В смысле, пока вы готовы платить, а вам не делают КТ раз в месяц и не берут биопсию раз в полгода — можно паранойить.
За наводку огромное спасибо Ольге Меербах (вот её канал) и Elena Sofronova со ссылкой на занудного педиатра.
_______
Источник | #Fourier_series
@F_S_C_P
▪️Генерируй картинки в боте:
Flux + MidJourney
Оказалось, можно искать рак щитовидки на ранних стадиях. Пока опухоль маленькая, можно вовремя отловить её на УЗИ, и вырезать там что-нибудь пациенту, чтобы спасти его жизнь пораньше. Диагнозов стали ставить на порядок больше. На лечение по этим диагнозам стали тратить в 7 раз больше денег, чем до начала программы.
Потом свели статистику за несколько лет и очень удивились, что смертность почти не изменилась.
Многие обнаруженные мелкие опухоли, вероятно, никогда бы не прогрессировали и не вызвали клинических симптомов. Однако их обнаружение часто приводило к тому, что хирург отрезал кусок пациента. Плюс сам пациент не сказать, чтобы был офигенно рад такому диагнозу, а на его выживаемость это никак не влияло.
Плюс сопутствующий ущерб — рост нагрузки на систему здравоохранения и то, что эти ресурсы не пустили на что-то другое, например, на реабилитацию наркоманов или лечение шизофрении. Ну или строительство железных дорог, тоже полезная штука с понятным результатом.
Исследования про это вот и вот (DOI 10.1056/NEJMp1409841).
Примерно такая же история с другими диагнозами, вот мета:
— Маммография (рак груди): 0 дней увеличения продолжительности жизни (95% CI: -190 до 237 дней)
— Ежегодный или двухгодичный тест на скрытую кровь (колоректальный рак): 0 дней (95% CI: -70.7 до 70.7 дней)
— Колоноскопия: 37 дней, но статистически незначимо (95% CI: -146 до 146 дней)
— ПСА-тест (рак простаты): 37 дней, но статистически незначимо (95% CI: -37 до 73 дней)
— КТ легких: 107 дней, но с широким доверительным интервалом (95% CI: -286 до 430 дней)
Только сигмоидоскопия показала значимое увеличение ожидаемой продолжительности жизни на 110 дней.
Что это всё значит? Не делать скрининги теперь?
Нет, конечно, делать. Но те, которые системно приносят больше пользы, чем вреда.
Некоторые заболевания на ранних стадиях хорошо детектируются и лечатся эффективнее. Симптомов ждать не надо, надо ходить к адекватным врачам и внимательно их слушать. Для некоторых болезней заметные симптомы означают, что вам надо ехать на дачу, к земле привыкать. Их, конечно, лучше искать раньше.
Обратите внимание, что значимая часть проблем связана с перегрузкой системы здравоохранения. То есть если вы лично в коммерции нашли скрининги, которые лично для вас (а не для общества в целом) создают меньше рисков, чем могут обеспечить пользы, они целесообразны. В смысле, пока вы готовы платить, а вам не делают КТ раз в месяц и не берут биопсию раз в полгода — можно паранойить.
За наводку огромное спасибо Ольге Меербах (вот её канал) и Elena Sofronova со ссылкой на занудного педиатра.
_______
Источник | #Fourier_series
@F_S_C_P
▪️Генерируй картинки в боте:
Flux + MidJourney
ResearchGate
(PDF) Association between screening and the thyroid cancer "epidemic" in South Korea: Evidence from a nationwide study
PDF | Objective To investigate whether screening for thyroid cancer led to the current “epidemic” in South Korea. Design Review of the medical records... | Find, read and cite all the research you need on ResearchGate