Ml для моделирования, прогнозирования и планирования процессов
Проект реализуется в рамках соответствующего контракта со структурами АП, в рамках исполнения Указа Президента «Об основах государственной политики в сфере стратегического планирования»
Проект реализуется в рамках соответствующего контракта со структурами АП, в рамках исполнения Указа Президента «Об основах государственной политики в сфере стратегического планирования»
Нанопоровое секвенирование активнее используется в лабораториях: компактное оборудование, быстрое получение длинных прочтений, возможность работы в полевых условиях — всё это делает технологию особенно привлекательной для молекулярных биологов
Но вместе с доступностью платформы растёт и объём данных, которые приходится обрабатывать самим исследователям
Сегодня уже недостаточно просто загрузить образец в прибор — чтобы получить осмысленный результат, нужно уметь уверенно работать с сигналами, выравниваниями, сборками и вариантами
Базовая биоинформатика становится неотъемлемой частью лабораторной практики
Но вместе с доступностью платформы растёт и объём данных, которые приходится обрабатывать самим исследователям
Сегодня уже недостаточно просто загрузить образец в прибор — чтобы получить осмысленный результат, нужно уметь уверенно работать с сигналами, выравниваниями, сборками и вариантами
Базовая биоинформатика становится неотъемлемой частью лабораторной практики
Квантовое преобразование Фурье — это не просто красивая математическая абстракция, а настоящий «швейцарский нож» квантовых вычислений
Пусть есть сложный квантовый сигнал — суперпозиция множества состояний с разными амплитудами
Классический компьютер должен был бы анализировать каждую компоненту по отдельности, что заняло бы экспоненциальное время
QFT же благодаря квантовому параллелизму анализирует все компоненты одновременно
В основе QFT лежит та же математическая идея, что и в классическом преобразовании Фурье: любой сигнал можно разложить на синусоиды разных частот
Но в квантовом случае «сигналом» служит вектор амплитуд квантового состояния, а «частоты» — это фазовые соотношения между базисными состояниями
Классический алгоритм быстрого преобразования Фурье требует O(N log N) операций для обработки N точек данных
Квантовый же требует всего O(n2) квантовых гейтов для n кубитов, где N = 2n
Это означает экспоненциальное ускорение: для обработки миллиона точек классически нужно около 20.000.000 операций, квантово — всего 400 гейтов!
Секрет такой эффективности — в умной декомпозиции. QFT можно представить как произведение простых операций: гейтов Адамара и контролируемых фазовых сдвигов
Каждый кубит последовательно обрабатывается гейтом Адамара, который создаёт суперпозицию, а затем серией контролируемых поворотов, которые вносят нужные фазовые сдвиги в зависимости от состояний других кубитов
Практическая реализация на Qiskit выглядит удивительно компактно:
Ещё одно удивительное свойство QFT — его обратимость
Поскольку это унитарное преобразование, существует обратный QFT†, который точно восстанавливает исходное состояние
Это критически важно для квантовых алгоритмов, когда нужно «распаковать» информацию из частотного представления обратно в амплитудное
В квантовой оценке фазы QFT работает как точный «частотомер» для квантовых состояний
Если у нас есть собственное состояние унитарного оператора с неизвестной фазой, QFT может извлечь эту фазу с экспоненциальной точностью — n кубитов дают точность до 2–n радиан
Это как если бы у вас был музыкальный инструмент, который может определить частоту ноты с точностью до миллионных долей герца
Но самое захватывающее в QFT — это то, как он превращает локальную информацию в глобальную
Классические алгоритмы должны «собирать» информацию по кусочкам, QFT же благодаря квантовой суперпозиции и интерференции извлекает глобальные свойства функции за один «взгляд»
Это принципиально новый способ обработки информации, который становится основой квантового превосходства
QFT — это мост между дискретной математикой и непрерывной физикой, между классическими вычислениями и квантовой реальностью
Когда квантовые компьютеры станут повсеместными, именно QFT будет тем инструментом, который откроет доступ к решению задач, которые сегодня кажутся невозможными
Пусть есть сложный квантовый сигнал — суперпозиция множества состояний с разными амплитудами
Классический компьютер должен был бы анализировать каждую компоненту по отдельности, что заняло бы экспоненциальное время
QFT же благодаря квантовому параллелизму анализирует все компоненты одновременно
В основе QFT лежит та же математическая идея, что и в классическом преобразовании Фурье: любой сигнал можно разложить на синусоиды разных частот
Но в квантовом случае «сигналом» служит вектор амплитуд квантового состояния, а «частоты» — это фазовые соотношения между базисными состояниями
Классический алгоритм быстрого преобразования Фурье требует O(N log N) операций для обработки N точек данных
Квантовый же требует всего O(n2) квантовых гейтов для n кубитов, где N = 2n
Это означает экспоненциальное ускорение: для обработки миллиона точек классически нужно около 20.000.000 операций, квантово — всего 400 гейтов!
Секрет такой эффективности — в умной декомпозиции. QFT можно представить как произведение простых операций: гейтов Адамара и контролируемых фазовых сдвигов
Каждый кубит последовательно обрабатывается гейтом Адамара, который создаёт суперпозицию, а затем серией контролируемых поворотов, которые вносят нужные фазовые сдвиги в зависимости от состояний других кубитов
Практическая реализация на Qiskit выглядит удивительно компактно:
from qiskit import QuantumCircuit
from qiskit.circuit.library import QFT
import numpy as np
def create_qft_demo(n_qubits):
"""Демонстрация QFT для поиска периода"""
qc = QuantumCircuit(n_qubits)
# Подготавливаем периодическое состояние
for i in range(n_qubits):
qc.h(i)
# Добавляем фазовые сдвиги для создания периода
period = 3
for i in range(n_qubits):
qc.p(2 * np.pi * i / period, i)
# Применяем QFT
qft = QFT(n_qubits)
qc.compose(qft, inplace=True)
return qc
# Создаём и визуализируем схему
circuit = create_qft_demo(4)
print("QFT готов к поиску скрытого периода!")
Ещё одно удивительное свойство QFT — его обратимость
Поскольку это унитарное преобразование, существует обратный QFT†, который точно восстанавливает исходное состояние
Это критически важно для квантовых алгоритмов, когда нужно «распаковать» информацию из частотного представления обратно в амплитудное
В квантовой оценке фазы QFT работает как точный «частотомер» для квантовых состояний
Если у нас есть собственное состояние унитарного оператора с неизвестной фазой, QFT может извлечь эту фазу с экспоненциальной точностью — n кубитов дают точность до 2–n радиан
Это как если бы у вас был музыкальный инструмент, который может определить частоту ноты с точностью до миллионных долей герца
Но самое захватывающее в QFT — это то, как он превращает локальную информацию в глобальную
Классические алгоритмы должны «собирать» информацию по кусочкам, QFT же благодаря квантовой суперпозиции и интерференции извлекает глобальные свойства функции за один «взгляд»
Это принципиально новый способ обработки информации, который становится основой квантового превосходства
QFT — это мост между дискретной математикой и непрерывной физикой, между классическими вычислениями и квантовой реальностью
Когда квантовые компьютеры станут повсеместными, именно QFT будет тем инструментом, который откроет доступ к решению задач, которые сегодня кажутся невозможными
Исследование от международной коллаборации ведущих университетов и исследовательских центров
Интернет эволюционирует от библиотеки документов к экосистеме взаимодействующих интеллектов, где агенты создают контент друг для друга, возможно никогда не показывая его людям
Главное, на что делают акцент исследователи - переход от "пользователь делает" к "пользователь делегирует" — вместо ручного выполнения задач в интернете, люди теперь ставят цели, а Ml-агенты автономно их достигают
Какие изменения предполагаются:
1. Веб-страницы становятся активными программными агентами
2. Гиперссылки превращаются в каналы координации между агентами
3. Информация встраивается в параметры Ml-моделей, а не хранится в документах
Новые протоколы связи:
MCP — агенты ↔ инструменты/сервисы
A2A — агент ↔ агент прямая коммуникация
Экономика внимания Ml-агентов - сервисы теперь конкурируют не за клики людей, а за выбор агентами
Рождается новая бизнес-модель, где агенты становятся "покупателями"
Вызовы:
Безопасность — как контролировать автономные системы
Экономика — кто платит за действия агентов
Управление — как регулировать машинные решения
Доверие — как обеспечить надежность агентов
GitHub
Интернет эволюционирует от библиотеки документов к экосистеме взаимодействующих интеллектов, где агенты создают контент друг для друга, возможно никогда не показывая его людям
Главное, на что делают акцент исследователи - переход от "пользователь делает" к "пользователь делегирует" — вместо ручного выполнения задач в интернете, люди теперь ставят цели, а Ml-агенты автономно их достигают
Какие изменения предполагаются:
1. Веб-страницы становятся активными программными агентами
2. Гиперссылки превращаются в каналы координации между агентами
3. Информация встраивается в параметры Ml-моделей, а не хранится в документах
Новые протоколы связи:
MCP — агенты ↔ инструменты/сервисы
A2A — агент ↔ агент прямая коммуникация
Экономика внимания Ml-агентов - сервисы теперь конкурируют не за клики людей, а за выбор агентами
Рождается новая бизнес-модель, где агенты становятся "покупателями"
Вызовы:
Безопасность — как контролировать автономные системы
Экономика — кто платит за действия агентов
Управление — как регулировать машинные решения
Доверие — как обеспечить надежность агентов
GitHub
arXiv.org
Agentic Web: Weaving the Next Web with AI Agents
The emergence of AI agents powered by large language models (LLMs) marks a pivotal shift toward the Agentic Web, a new phase of the internet defined by autonomous, goal-driven interactions. In...
TRIBE (Trimodal Brain Encoder) с 1.000.000.000 параметров — первая сеть, обученная предсказывать реакции мозга на стимулы в разных модальностях, кортикальных областях и у разных людей
Модель объединяет предварительно обученные представления нескольких базовых моделей:
- текстовой (Llama 3.2),
- аудио (Wav2Vec2-BERT от Seamless)
- видео (V-JEPA 2), чтобы предсказывать пространственно-временные отклики мозга (fMRI) на фильмы, собранные в рамках проекта Courtois NeuroMod (80 часов на каждого испытуемого)
Команда разработчиков модели FAIR’s Brain & AI заняла 1-е место на соревновании по моделированию мозга Algonauts 2025
Код
Данные
Модель объединяет предварительно обученные представления нескольких базовых моделей:
- текстовой (Llama 3.2),
- аудио (Wav2Vec2-BERT от Seamless)
- видео (V-JEPA 2), чтобы предсказывать пространственно-временные отклики мозга (fMRI) на фильмы, собранные в рамках проекта Courtois NeuroMod (80 часов на каждого испытуемого)
Команда разработчиков модели FAIR’s Brain & AI заняла 1-е место на соревновании по моделированию мозга Algonauts 2025
Код
Данные
Lean 4 — это интерактивный помощник по доказательствам, где математика пишется как код, а машина проверяет каждое определение и шаг рассуждения
Учебник Mathematics in Lean учит формализовывать задачи на понятном «языке доказательств»: от элементарной теории чисел до анализа и меры
За спиной — большая библиотека Mathlib и активное сообщество в чате Lean Zulip, так что вы не останетесь одни
Книга задумана как «живой» учебник внутри VS Code
Открываете Lean, печатаете определения и леммы, а в правой панели сразу видите цели и подсказки от системы
Практика — в центре: каждый раздел сопровождается файлом с примерами и упражнениями, их удобно править прямо в редакторе и тут же смотреть реакцию Lean (вплоть до простых экспериментов вроде #eval "Привет, мир!")
Старт простой: ставите Lean 4 и VS Code, клонируете репозиторий mathematics_in_lean, открываете папку MIL и работаете в своей копии, чтобы безболезненно подтягивать обновления
Внутри — аккуратная структура по главам, текстовые подсказки и готовые решения в отдельной папке для самопроверки
Документацию удобно вызывать прямо из редактора через команду «Lean 4: Docs»
Если не хочется настраивать среду локально, всё запускается в облаке через Gitpod: открыли проект — и можно учиться с телефона или любого ноутбука
Учебник ещё развивается, поэтому время от времени стоит обновлять репозиторий — материалы пополняются
https://leanprover-community.github.io/mathematics_in_lean/C01_Introduction.html
Учебник Mathematics in Lean учит формализовывать задачи на понятном «языке доказательств»: от элементарной теории чисел до анализа и меры
За спиной — большая библиотека Mathlib и активное сообщество в чате Lean Zulip, так что вы не останетесь одни
Книга задумана как «живой» учебник внутри VS Code
Открываете Lean, печатаете определения и леммы, а в правой панели сразу видите цели и подсказки от системы
Практика — в центре: каждый раздел сопровождается файлом с примерами и упражнениями, их удобно править прямо в редакторе и тут же смотреть реакцию Lean (вплоть до простых экспериментов вроде #eval "Привет, мир!")
Старт простой: ставите Lean 4 и VS Code, клонируете репозиторий mathematics_in_lean, открываете папку MIL и работаете в своей копии, чтобы безболезненно подтягивать обновления
Внутри — аккуратная структура по главам, текстовые подсказки и готовые решения в отдельной папке для самопроверки
Документацию удобно вызывать прямо из редактора через команду «Lean 4: Docs»
Если не хочется настраивать среду локально, всё запускается в облаке через Gitpod: открыли проект — и можно учиться с телефона или любого ноутбука
Учебник ещё развивается, поэтому время от времени стоит обновлять репозиторий — материалы пополняются
https://leanprover-community.github.io/mathematics_in_lean/C01_Introduction.html