​​Подход, придуманный для поиска гравитационных волн, помог лучше понять функции Антикитерского механизма

Дайверы подняли этот аналоговый компьютер с морского дна не в идеальном состоянии. Поэтому исследователи уже долго спорят, сколько отверстий было в одном из его колец. А от этого во многом зависит понимание функциональности механизма.
Так вот, профессор Грэм Воан (Graham Woan) из Школы физики и астрономии Университета Глазго решил использовать методы статистического анализа, разработанные для интерпретации сигналов детекторов гравитационных волн LIGO, для анализа рентгеновских снимков злополучной детали.

Воан провел расчеты во время рождественских каникул и насчитал 354 отверстия. Это значит, что Антикитерский механизм работал с лунным календарем, а не, например, египетским. Сам профессор говорит, что "адаптировал методы, которые мы используем для изучения вселенной сегодня, чтобы лучше понять механизм, который помогал людям наблюдать за небесами почти две тысячи лет назад" - получается красивая симметрия.

А еще эта история показывает, как фундаментальная наука всегда находит практические (и порой внезапные) применения и доказывает важность открытых коммуникаций, как катализатора прогресса. Ведь Грэм Воан случайно узнал о задаче подсчета отверстий из серии видео на YouTube.

Фотография Антикитерского механизма из национального археологического музея, Афины, Греция.

​​Вавилонская башня XXI века: скрытое разнообразие человеческого мышления

В 2017 году нейробиолог Крис Де Мейер (Kris De Meyer) проводил вступительную сессию на конференции по вопросам принятия решений в условиях неопределенности для аудитории, состоящей из ученых, экономистов и политиков. Он разделил их на группы по шесть человек и дал им задания, связанные с личным и профессиональным опытом работы с рисками. Через некоторое время несколько человек подняли руки. Они сказали: "Мы только что поняли, что не можем согласовать определения риска и неопределенности", - рассказывает Де Мейер. "Даже в этих небольших группах они столкнулись с непримиримыми разногласиями".

Профессионалы в разных областях оперируют разными значениями одного и того же слова. "Риск" для исследователей климата - это одно, "риск" для экономистов - совершенно другое. Теперь объедините их с простыми гражданами, политиками, активистами, журналистами, социальными предпринимателями и пропагандистами, и вы получите то, что мы имеем. Витгенштейн удивился бы. Поэтому перед серьезным обсуждением чего-либо так важно договориться об определениях.

Несмотря на все наши зеркальные нейроны и ментальные модели, людям сложно понимать друг друга, но почему так происходит? Причин много. Например, у разных людей не только разные когнитивные миры и разные языки, но и, по-видимому, довольно широкий набор вариантов того, как мы воспринимаем и осмысляем действительность.

Если синестезию изучают порядка 200 лет (историю исследований можно проследить по статье Ричарда Цитовича (Richard Cytowic)), то недавно ученые подметили различия в том, как разные люди оперируют мысленными образами. Способности представлять что-то варьируются от афантазии - полного отсутствия мысленных образов, до способности воображать фотореалистичные картины.

Вспоминается "Мир в лицах" Александра Химушина, который фотографирует людей разных национальностей в традиционной одежде. Это яркое культурное разнообразие - удачная метафора и отражение разнообразия внутреннего мира. Сложно представить, но распространение аугментаций еще больше расширит этот диапазон. Это показывает проект In My Nature с подзаголовком "Мультимедийная прогулка с киборгами". Вы, вероятно, узнаете, по крайней мере, одного из трех его участников - Нила Харбиссона (Neil Harbisson), воспринимающего цвета при помощи антенны, вживленной в череп. Однако каждый из них рассказывает интересную историю о том, как аугментации меняют отношение к окружающему миру.

Полезное чтение. Эмпатия - то, что сейчас очень нужно.

#нейробиология #футурология #сингулярность #мозг #мышление #киборги

На полигоне Airborne Engineering (Великобритания) успешно с первого раза прошел тест ракетного двигателя полностью спроектированного нейросетью Noyron от компании LEAP 71 (ОАЕ).

Настройка нейросети заняла две недели, после чего нейросеть выдавала новые проекты двигателей под любую мощность каждые 15 минут на обычном, не суперкомпьютере.

Компоненты двигателя изготавливались в Германии компанией AMCM из медного сплава CuCrZr методом аддитивной печати на принтере EOS M290, после чего были обработаны вручную сотрудниками британского Университета Шеффилда.

Двигатель с тягой 20 тыс. лошадиных сил работает на паре керосина и жидкого кислорода. Причем чтобы медь не расплавилась охлажденный керосин подавался в камеру через систему каналов, в итоге двигатель нагрелся только до 250°С при температуре в камере сгорания 3000 °C.

Вот так. Работа конструкторского бюро за целый год теперь будет укладываться за 15 минут, а кожаным остаётся только исправлять огрехи 3d принтера напильником, пока он не увеличит точность.

Астронавт NASA Кейт Рубинс (Kate Rubins) в макете лунного скафандра выбирает инструмент для геологических исследований. Снимок сделан во время генеральной репетиции новой лунной высадки на вулканическом поле в Аризоне.

Если все пойдет по плану, Рубинс с коллегами ступят на настоящую Луну чуть более чем через два года, а пока они учатся ориентироваться и работать в условиях резкого освещения, которое ждет на южном полюсе.

#nasa #космос #технологии #фото

​​ИИволюция в биотехе случилась шесть лет назад

В 2018 году DeepMind показала AlphaFold — алгоритм машинного обучения, берущий последовательность аминокислот и реконструирующий белок, который из них получится. К 2022 году эта компания смоделировала 200 миллионов всевозможных белков для открытой базы. Некоторые из них я даже использовал в опытах с молекулярной визуализацией.

Несмотря на громкие заголовки, in silico и in vivo не одно и то же. Предсказания AlphaFold приходится тщательно проверять, но тогда машинное обучение начало серьезно менять биологию. Теперь оно, вероятно, спасет человечество как минимум от одного экзистенциального риска — бактерий, устойчивых к антибиотикам.

От таких бактерий умирает больше миллиона человек в год, к 2050 году эта цифра может достигнуть 10 миллионов. В то время как на открытие одного нового антибиотика уходит около десяти лет. Точнее, уходило.

В начале месяца биофизики рассказали, как при помощи машинного обучения проанализировали десятки тысяч микробных геномов из еще одной открытой базы данных. В результате алгоритм нашел более 800 тысяч фрагментов ДНК, которые кодируют потенциальные антимикробные соединения. Более 90% из них не были описаны прежде. Три из 100 соединений, синтезированных исследователями, действительно вылечили лабораторных мышей. Осталось проверить еще 799 900 — работы хватит на всю жизнь.

Машинное обучение позволило буквально перетряхнуть все известное микробное разнообразие в поисках нужных соединений, но самое удивительное, что мы не ограничены живущими сейчас организмами. Похожим образом антибиотики ищут, например, в иммунной системе неандертальцев.

Синтезом найденных соединений пока что занимаются люди, но Science уже пишет о создании шести автоматизированных лабораторий. Такие системы будут оперативно проверять результаты работы нейросетей. Этот подход уже используют для создания светоизлучающих материалов. Биотех и фармацевтика на очереди.

К тому же, согласно первым исследованиям, препараты, открытые ИИ, показывают 80-90% успешности на первой фазе испытаний, по сравнению с обычными 40-60%. Вероятно, по крайней мере в среднесрочной перспективе, будет открыто больше успешных терапевтических препаратов, чем во всей истории биотехнологий.

На фото: метициллинрезистентный золотистый стафилококк, от которого точно стоит избавиться.

#футурология#биотех#машинное_обучение#будущее#ИИ#технологии#антибиотики

​​Астрологи объявили вторую волну роста объемов 3D-контента. За конец май опубликовано еще 12 статей про генерацию трехмерных объектов с помощью нейросетей.

Text-Mesh-Refinement — новая методика добавления деталей к простой трехмерной сетке с помощью текстовых подсказок.
Diff3DS генерирует трехмерные "эскизы" из текста или изображений.
MultiPly — реконструкция трехмерных моделей нескольких людей по видео, снятому с одного ракурса. Метод способен обрабатывать окклюзии и взаимодействия между людьми.
PuzzleFusion++ — новый метод сборки трехмерных моделей из отдельных фрагментов. Автоматически выравнивает их и собирает в единый объект.
ID-to-3D — позволяет создавать готовые к рендерингу аватары по одной фотографии, причем речь идет не только о лице, но и о волосах и аксессуарах.
SuperGaussian апскейлер для 3D-моделей, добавляющий геометрические детали и повышающий разрешение.
Unique3D — еще один метод преобразования картинок в 3D. Скоро надо будет обновлять сравнение.
DIRECT-3D — генерирует 3D-объекты с точными геометрическими деталями и текстурами из текстовых подсказок за 12 секунд на одном V100. Осталось только арендовать сервер.
Ouroboros3D — еще один метод преобразования изображения в 3D, ждем-с демо.
GECO — может создавать 3D-объекты из одного изображения менее чем за секунду.
EASI-Tex — решение для текстурирования 3D-объектов по картинке-образцу.
Part123 — однопроекционная 3D-реконструкция.

Тем временем совершенствую пайплайн на базе доступных решений. На смену лягушкам пришла нейроТортилла-кашпо. В хозяйстве пригодится.

#эксклюзив #3D_печать #DIY #image_to_3D #нейросети #дайджест