Всем привет !
Сегодня завершилась интересная история с инвестированием в проект PromCore 20 000 000$.
Не будем спойлирить , собрали отдельную статью историю, которая превратилась в целый детектив.
Мы не ожидали что так скоро нас заметят международные инвесторы. Не спешите ставить реакции, обязательно прочитайте статью.
Сегодня завершилась интересная история с инвестированием в проект PromCore 20 000 000$.
Не будем спойлирить , собрали отдельную статью историю, которая превратилась в целый детектив.
Мы не ожидали что так скоро нас заметят международные инвесторы. Не спешите ставить реакции, обязательно прочитайте статью.
⚡6👍3😱3❤1
Всем привет !
🔹У проекта PromCore появилась возможность значительно сократить время обучения нейросетей. И под значительно, имеется в виду в десятки раз быстрее.
🔹Первой будет опубликована новая версия нейросети FEMnet 2.0, она станет минимум в 10 раз больше и достигнет 10 000 000 нейронов.
🔹За март месяц, проект PromCore сделал в обучении нейросетей больше , чем за всё предыдущее время работы в области написания моделей нейросетей. Для нас это огромное и волнующее открытие.
🔹Текущая доступная версия нейросети FEMnet имеет большое число нерешённых проблем своей архитектуры. И мы наконец-то решились на важный шаг, который отгладывали годами.
🔹С 01.03.2025 началась сложная работа по кардинальному изменению архитектуры модели нейросети FEMnet. Новая версия уже показывает результат намного лучше чем предыдущая версия.
🔹На текущий момент для новой модели нейросети FEMnet написаны еще несколько вспомогательных программ по автоматизации формирования данных обучения , так обучающие данные начали превышать 5 000 000 данных. Такие объемы уже невозможно подготавливать вручную.
🔹Нот есть и цена для улучшений. Новая версия нейросети стала занимать значительно больше места на диске пользователя. Ранее общий вес был не более 14 Мб. Теперь это будет свыше 120 Мб и их придется скачивать в полуавтоматическом режиме.
🔹В скором будущем, размерность нейросети FEMnet 2.0 составит гигабайты, как и любые другие современные нейросети.
🔹Самое главное, что мы сделали в новой версии FEMnet 2.0, это добавили смещение которое соответствует биологическому порогу возбуждения нейронов. Без этого, ранее нейроны были слишком прямолинейными и не могли устроить восстание машин, а теперь ... 😎.
🔹Если привести некие более понятные примеры , то текущая доступная версия нейросети FEMnet 1.0 действует по принципу - если 5 человек увидят проблему в плите перекрытия , то только тогда нейросеть скажет насколько все плохо.
Новая версия нейросети сможет предсказывать проблемы там где они даже не очевидны и человек только задумался о возможности проблем.
🔹Если еще более простыми словами, то нейросеть FEMnet 2.0 уже не просто думает с оглядкой на свой опыт , а уже и размышляет, т.е. копирует поведение биологического нейрона.
🔹У проекта PromCore появилась возможность значительно сократить время обучения нейросетей. И под значительно, имеется в виду в десятки раз быстрее.
🔹Первой будет опубликована новая версия нейросети FEMnet 2.0, она станет минимум в 10 раз больше и достигнет 10 000 000 нейронов.
🔹За март месяц, проект PromCore сделал в обучении нейросетей больше , чем за всё предыдущее время работы в области написания моделей нейросетей. Для нас это огромное и волнующее открытие.
🔹Текущая доступная версия нейросети FEMnet имеет большое число нерешённых проблем своей архитектуры. И мы наконец-то решились на важный шаг, который отгладывали годами.
🔹С 01.03.2025 началась сложная работа по кардинальному изменению архитектуры модели нейросети FEMnet. Новая версия уже показывает результат намного лучше чем предыдущая версия.
🔹На текущий момент для новой модели нейросети FEMnet написаны еще несколько вспомогательных программ по автоматизации формирования данных обучения , так обучающие данные начали превышать 5 000 000 данных. Такие объемы уже невозможно подготавливать вручную.
🔹Нот есть и цена для улучшений. Новая версия нейросети стала занимать значительно больше места на диске пользователя. Ранее общий вес был не более 14 Мб. Теперь это будет свыше 120 Мб и их придется скачивать в полуавтоматическом режиме.
🔹В скором будущем, размерность нейросети FEMnet 2.0 составит гигабайты, как и любые другие современные нейросети.
🔹Самое главное, что мы сделали в новой версии FEMnet 2.0, это добавили смещение которое соответствует биологическому порогу возбуждения нейронов. Без этого, ранее нейроны были слишком прямолинейными и не могли устроить восстание машин, а теперь ... 😎.
🔹Если привести некие более понятные примеры , то текущая доступная версия нейросети FEMnet 1.0 действует по принципу - если 5 человек увидят проблему в плите перекрытия , то только тогда нейросеть скажет насколько все плохо.
Новая версия нейросети сможет предсказывать проблемы там где они даже не очевидны и человек только задумался о возможности проблем.
🔹Если еще более простыми словами, то нейросеть FEMnet 2.0 уже не просто думает с оглядкой на свой опыт , а уже и размышляет, т.е. копирует поведение биологического нейрона.
👍10🔥8👏3😱1
Всем привет !
🔹Новая версия нейросети FEMnet 2.0 интегрирована в интерфейс новой версии PromCore 4.
🔹Для теста пока выбрана модель определения прогибов, с понедельника добавим и изгибающие моменты.
🔹Во вложенных картинках сравнение МКЭ, FEMnet 1.0 и FEMnet 2.0.
🔹Точность, на незнакомых для нейросети задачах, значительно выросла по сравнению с версией 1.0. Если обратить внимание на значение прогибов , то разница точности версий нейросетей очевидна.
🔹Нейросеть значительно лучше стала понимать пролеты более 6 метров и консоли более 2 метров.
🔹И это только начало. Новая модель нейросети в теории теперь может понимать узловые нагрузки, линейные нагрузки, локальные утолщения элементов, балки, отверстия и многое другое.
🔹И самое главное, точность нахождения изгибающих моментов вырастит значительно. Команда PromCore считает, что мы наконец-то нашли идеальную математическую модель описывающую НДС плоских плит.
🔹Новая версия нейросети FEMnet 2.0 интегрирована в интерфейс новой версии PromCore 4.
🔹Для теста пока выбрана модель определения прогибов, с понедельника добавим и изгибающие моменты.
🔹Во вложенных картинках сравнение МКЭ, FEMnet 1.0 и FEMnet 2.0.
🔹Точность, на незнакомых для нейросети задачах, значительно выросла по сравнению с версией 1.0. Если обратить внимание на значение прогибов , то разница точности версий нейросетей очевидна.
🔹Нейросеть значительно лучше стала понимать пролеты более 6 метров и консоли более 2 метров.
🔹И это только начало. Новая модель нейросети в теории теперь может понимать узловые нагрузки, линейные нагрузки, локальные утолщения элементов, балки, отверстия и многое другое.
🔹И самое главное, точность нахождения изгибающих моментов вырастит значительно. Команда PromCore считает, что мы наконец-то нашли идеальную математическую модель описывающую НДС плоских плит.
👍8🔥6⚡3
Всем привет !
Все работы по обучению новой версии FEMnet 2.0 завершены.
И пока мы писали подробную статью с описанием всех результатов тестов, нам удалось выявить новую закономерность. Данная закономерность формирует армирование плоских плит, подробности по ссылке выше. В целом статья описывает:
🔹Сравнение FEMnet 1.0 и FEMnet 2.0
🔹Сравнение FEM и FEMnet 2.0
🔹Оценка НДС и армирования во всех примерах
🔹Общая закономерность распределения арматуры в плитах
🔹Закономерности развития трещин
Результаты всех исследований и обучения нейросети FEMnet 2.0 дали нам несколько рабочих гипотез по улучшению результатов и формированию еще более продвинутой версии нейросети FEMnet 3.0. Версия 3.0 будет проходить серию тестов после сбора дополнительно 10 000 000 данных для обучения.
Все работы по обучению новой версии FEMnet 2.0 завершены.
И пока мы писали подробную статью с описанием всех результатов тестов, нам удалось выявить новую закономерность. Данная закономерность формирует армирование плоских плит, подробности по ссылке выше. В целом статья описывает:
🔹Сравнение FEMnet 1.0 и FEMnet 2.0
🔹Сравнение FEM и FEMnet 2.0
🔹Оценка НДС и армирования во всех примерах
🔹Общая закономерность распределения арматуры в плитах
🔹Закономерности развития трещин
Результаты всех исследований и обучения нейросети FEMnet 2.0 дали нам несколько рабочих гипотез по улучшению результатов и формированию еще более продвинутой версии нейросети FEMnet 3.0. Версия 3.0 будет проходить серию тестов после сбора дополнительно 10 000 000 данных для обучения.
👍7🔥6👏3
Всем привет !
Когда то давно, первые решения проекта PromCore, тестировались на строительной системе КУБ2.5. КУБ 2.5 давно уникальная безригельная домостроительная система, в которой собраны все самые оптимальны решения за многие десятилетия развития теории железобетона с 60х по 90е годы XX века. И в теории данной системой можно уже проверять софт, а не наоборот.
🔹За многие годы работы над модернизацией системы КУБ2.5 для компании Главстрой, средний расход по объектам ЖК Столичный составлял 139 кг/м3. Средних расход по плитам перекрытия 125 кг/м3.
🔹Нейросеть FEMnet 2.0 не обучалась примерам с системой КУБ2.5, но мы решили ее протестировать на ней.
🔹Новая нейросеть FEMnet справилась с этой задачей на отлично. И больше всего поразил результат по расходам армирования, они совпадают с высокой точностью.
🔹Центральные колонны красные и для них не найдено армирование, так как программа рассчитана для монолитных каркасов , в которых максимальное армирование ограничивается 10% с учетом перехлеста, т.е. по факту оно должно не превышать 5%. А в сборных колоннах КУБ2.5 % армирование достигает 9.5% на нижних ярусах.
🔹Текущая доступная версия FEMnet 1.0 в программе PromCore 3, не совсем справляется с КУБ2.5. Довольно сильно искажает результаты армирования, до 20%.
Когда то давно, первые решения проекта PromCore, тестировались на строительной системе КУБ2.5. КУБ 2.5 давно уникальная безригельная домостроительная система, в которой собраны все самые оптимальны решения за многие десятилетия развития теории железобетона с 60х по 90е годы XX века. И в теории данной системой можно уже проверять софт, а не наоборот.
🔹За многие годы работы над модернизацией системы КУБ2.5 для компании Главстрой, средний расход по объектам ЖК Столичный составлял 139 кг/м3. Средних расход по плитам перекрытия 125 кг/м3.
🔹Нейросеть FEMnet 2.0 не обучалась примерам с системой КУБ2.5, но мы решили ее протестировать на ней.
🔹Новая нейросеть FEMnet справилась с этой задачей на отлично. И больше всего поразил результат по расходам армирования, они совпадают с высокой точностью.
🔹Центральные колонны красные и для них не найдено армирование, так как программа рассчитана для монолитных каркасов , в которых максимальное армирование ограничивается 10% с учетом перехлеста, т.е. по факту оно должно не превышать 5%. А в сборных колоннах КУБ2.5 % армирование достигает 9.5% на нижних ярусах.
🔹Текущая доступная версия FEMnet 1.0 в программе PromCore 3, не совсем справляется с КУБ2.5. Довольно сильно искажает результаты армирования, до 20%.
🔥8👍2⚡1👏1
Всем привет !
🔹В свежем исследовании проекта PromCore, наконец- то была найдена постоянная зависимость армирования плоских плит перекрытий.
🔹 Средний расход в плоских плитах перекрытия подчиняется зависимости 14.2*L+40.3. Где L - это средний пролет между пилонами с 20% отклонением.
🔹 Для доказательства информацию генерировали 3 нейросети: FEMnet 2.0, SmartPylon, SmartCity. Сбор и анализ полученных данных выполняла нейросеть ChatGPT o4 и ChatGPT 4.5.
🔹 В общей сложности в течении 5 минут было сгенерировано 100 схем расположения пилонов со всей арматурой по двум разным архитектурным планам зданий.
🔹 Общий объем проанализированной информации нейросетями составил 100 Гб
🔹 Все же есть зависимость формы здания на расход.
🔹 К сожалению за многие годы получить такие данных от живых специалистов не получалось , так как два разных конструктора армируют дома с разными подходами и разными расходами.
🔹Все подробности всего исследования в подробной статье.
🔹В свежем исследовании проекта PromCore, наконец- то была найдена постоянная зависимость армирования плоских плит перекрытий.
🔹 Средний расход в плоских плитах перекрытия подчиняется зависимости 14.2*L+40.3. Где L - это средний пролет между пилонами с 20% отклонением.
🔹 Для доказательства информацию генерировали 3 нейросети: FEMnet 2.0, SmartPylon, SmartCity. Сбор и анализ полученных данных выполняла нейросеть ChatGPT o4 и ChatGPT 4.5.
🔹 В общей сложности в течении 5 минут было сгенерировано 100 схем расположения пилонов со всей арматурой по двум разным архитектурным планам зданий.
🔹 Общий объем проанализированной информации нейросетями составил 100 Гб
🔹 Все же есть зависимость формы здания на расход.
🔹 К сожалению за многие годы получить такие данных от живых специалистов не получалось , так как два разных конструктора армируют дома с разными подходами и разными расходами.
🔹Все подробности всего исследования в подробной статье.
👍12🔥2
Всем привет !
🔹 PromCore 4 готов почти на 100%. Осталось добавить пару фич и исправить несколько багов, найденных в ходе финального бета-тестирования.
🔹 Новая версия станет доступна предварительно 5 мая.
🔹 С 5 мая новая версия будет доступна в течение 60 дней всем пользователям бесплатно.
🔹 Всем кто когда-либо отправлял запрос на доступ к программе, повторный запрос отправлять нет необходимости, доступ представиться автоматически.
🔹 По истечению 60 дней, с 5 июля вернется стандартная форма предоставления доступа.
🔹После майских праздников будет проведен стрим с демонстрацией новых функций. Но вместе с выходом новой версии будет доступен подробный видеоролик с демонстрацией новых возможностей.
🔹 PromCore 4 готов почти на 100%. Осталось добавить пару фич и исправить несколько багов, найденных в ходе финального бета-тестирования.
🔹 Новая версия станет доступна предварительно 5 мая.
🔹 С 5 мая новая версия будет доступна в течение 60 дней всем пользователям бесплатно.
🔹 Всем кто когда-либо отправлял запрос на доступ к программе, повторный запрос отправлять нет необходимости, доступ представиться автоматически.
🔹 По истечению 60 дней, с 5 июля вернется стандартная форма предоставления доступа.
🔹После майских праздников будет проведен стрим с демонстрацией новых функций. Но вместе с выходом новой версии будет доступен подробный видеоролик с демонстрацией новых возможностей.
👍10🔥2🎉1
Всем привет !
🔹В версии PromCore 4, все расчеты и процессы автоматизации моделирование новых инструментов, перейдут на GPU. В связи с этим подготовлена статья в которой приведены сравнительные тесты времени расчета и моделирования небольшого 12-ти этажного здания.
🔹В статье данные по более чем 200 наиболее популярным видеокартам за крайние 13 лет. С 2012 года средняя производительность GPU выросла с уровня GT 630 (2012) до RTX 5090 (2025), обеспечив ~100× прирост скорости вычислений.
🔹Для сравнения, производительность CPU за тот же период увеличилась с Intel i7-3770K (6474 PassMark) до AMD Ryzen 9 7950X (63621 PassMark), то есть в ~10×.
🔹GPU выигрывают за счёт масштабируемой параллельной архитектуры и быстродействующей памяти, тогда как CPU ограничены ростом тактовых частот и тепловым пакетом.
🔹В версии PromCore 4, все расчеты и процессы автоматизации моделирование новых инструментов, перейдут на GPU. В связи с этим подготовлена статья в которой приведены сравнительные тесты времени расчета и моделирования небольшого 12-ти этажного здания.
🔹В статье данные по более чем 200 наиболее популярным видеокартам за крайние 13 лет. С 2012 года средняя производительность GPU выросла с уровня GT 630 (2012) до RTX 5090 (2025), обеспечив ~100× прирост скорости вычислений.
🔹Для сравнения, производительность CPU за тот же период увеличилась с Intel i7-3770K (6474 PassMark) до AMD Ryzen 9 7950X (63621 PassMark), то есть в ~10×.
🔹GPU выигрывают за счёт масштабируемой параллельной архитектуры и быстродействующей памяти, тогда как CPU ограничены ростом тактовых частот и тепловым пакетом.
👍9🔥2
Всем привет !
В преддверии релиза 4 версии программы команда PromCore решила параллельно изучить возможности еще большего улучшения нейросети FEMnet 2.0. Для этого мы еще собрали несколько миллионов данных обучения и получили интересные данные.
🔹Мы нашли около 25 000 данных которые искажали данные обучения всех версий нейросетей.
🔹Улучшение возможно и значительно, но с улучшением растет и размер нейросети. В течении нескольких месяцев выйдет еще одна новая нейросеть FEMnet 3.0. Для сравнения размерностей нейросетей:
- FEMnet 1.0 (PromCore 3) - 1 000 000 параметров
- FEMnet 2.0 (PromCore 4) - 4 800 000 параметров
- FEMnet 3.0 (PromCore 4) - 19 240 000 параметров
🔹Версия нейросети FEMnet 3.0 соответственно медленнее по сравнению с FEMnet 2.0, но не в 4 раза, мы переписали значительную часть движка генерации данных для конечных элементов, реализовали более лучший параллелизм данных. Пользователь на стартовом окне программы будет выбирать какую нейросеть он хочет использовать в основной программе. Изменить выбор в режиме работы с нейросетью будет невозможно, придется возвращаться на стартовое окно.
🔹Нейросеть FEMnet 3.0 станет еще больше, примерно 300 Мб, больше чем сама программа PromCore.
🔹 FEMnet 3.0 стал и намного капризнее к выделению памяти на GPU во время работы. Пришлось переписать весь движок в который раз под 3.0. Так же эта версия нейросети выжимает все соки из Vulkan API.
🔹Новая архитектура нейросетей подстраивается под развитие GPU , в основном от Nvidia. С выходом линейки видеокарт 5000 серии появилось много проблем, с которыми ранее пользователи не сталкивались. Часто можно было прочитать что тот или иной драйвер ломает систему, проблемы не прошли мимо и проекта PromCore. Проблема в том что Vulkan API имеет не очень стабильную SwapChain. Не будем подробно описывать эту технологию. Nvidia и Vulkan обещают починить в короткие сроки. В чем заключается проблема для пользователя, из-за того что Vulkan дает значительный прирост для нейросети FEMnet 2.0 по сравнению с DirectX, при сворачивании программы в трей, GPU выдает «device lost» и не может связать обратно картинку из буфера. Поэтому новую версию PromCore нельзя будет свернуть в трей ОС. Данная функция будет отключена, пока Nvidia не решит проблему в драйверах.
🔹Этот пост написан больше к тому, что новая архитектура программ с расчетами и моделированием на GPU сталкиваются с новыми проблемами. И о данных проблемах нет информации в интернете, проект начинает проходить этап когда мы сталкиваемся с проблемами первыми среди разработчиков ПО. Так сказать первопроходцы в мире параллелизма на GPU среди BIM/CAD.
В преддверии релиза 4 версии программы команда PromCore решила параллельно изучить возможности еще большего улучшения нейросети FEMnet 2.0. Для этого мы еще собрали несколько миллионов данных обучения и получили интересные данные.
🔹Мы нашли около 25 000 данных которые искажали данные обучения всех версий нейросетей.
🔹Улучшение возможно и значительно, но с улучшением растет и размер нейросети. В течении нескольких месяцев выйдет еще одна новая нейросеть FEMnet 3.0. Для сравнения размерностей нейросетей:
- FEMnet 1.0 (PromCore 3) - 1 000 000 параметров
- FEMnet 2.0 (PromCore 4) - 4 800 000 параметров
- FEMnet 3.0 (PromCore 4) - 19 240 000 параметров
🔹Версия нейросети FEMnet 3.0 соответственно медленнее по сравнению с FEMnet 2.0, но не в 4 раза, мы переписали значительную часть движка генерации данных для конечных элементов, реализовали более лучший параллелизм данных. Пользователь на стартовом окне программы будет выбирать какую нейросеть он хочет использовать в основной программе. Изменить выбор в режиме работы с нейросетью будет невозможно, придется возвращаться на стартовое окно.
🔹Нейросеть FEMnet 3.0 станет еще больше, примерно 300 Мб, больше чем сама программа PromCore.
🔹 FEMnet 3.0 стал и намного капризнее к выделению памяти на GPU во время работы. Пришлось переписать весь движок в который раз под 3.0. Так же эта версия нейросети выжимает все соки из Vulkan API.
🔹Новая архитектура нейросетей подстраивается под развитие GPU , в основном от Nvidia. С выходом линейки видеокарт 5000 серии появилось много проблем, с которыми ранее пользователи не сталкивались. Часто можно было прочитать что тот или иной драйвер ломает систему, проблемы не прошли мимо и проекта PromCore. Проблема в том что Vulkan API имеет не очень стабильную SwapChain. Не будем подробно описывать эту технологию. Nvidia и Vulkan обещают починить в короткие сроки. В чем заключается проблема для пользователя, из-за того что Vulkan дает значительный прирост для нейросети FEMnet 2.0 по сравнению с DirectX, при сворачивании программы в трей, GPU выдает «device lost» и не может связать обратно картинку из буфера. Поэтому новую версию PromCore нельзя будет свернуть в трей ОС. Данная функция будет отключена, пока Nvidia не решит проблему в драйверах.
🔹Этот пост написан больше к тому, что новая архитектура программ с расчетами и моделированием на GPU сталкиваются с новыми проблемами. И о данных проблемах нет информации в интернете, проект начинает проходить этап когда мы сталкиваемся с проблемами первыми среди разработчиков ПО. Так сказать первопроходцы в мире параллелизма на GPU среди BIM/CAD.
Хабр
Vulkan. Руководство разработчика. Swap chain
Я продолжаю публиковать переводы руководства к Vulkan API (cсылка на оригинал — vulkan-tutorial.com ), и сегодня хочу поделиться переводом новой главы — Swap chain из раздела Drawing a triangle,...
👍8❤3
Всем привет !
Иногда публикуем нейросети которыми пользуемся, возможно кому то будет интересно.
🔹Данная нейросеть отлично генерирует текст во всех возможных комбинациях материалов и ситуаций.
🔹Есть небольшое число бесплатных генераций.
Иногда публикуем нейросети которыми пользуемся, возможно кому то будет интересно.
🔹Данная нейросеть отлично генерирует текст во всех возможных комбинациях материалов и ситуаций.
🔹Есть небольшое число бесплатных генераций.
🔥5👍2