Forwarded from Время Валеры
Прочитал неплохую статью про новую систему левелов в Shopify - Inside Shopify's Leveling Split: Exclusive
Если кратко - и что видно на картинке превью, добавили еще одну ось - Mastery
Например ты можешь быть Staff Engineer и быть крутым на этом уровне и дальше перед тобой стоит выбор, идти на уровень выше, но тогда ты там уже не крутой, а просто обычный типан или расти и становиться гуру, но на своем уровне.
Идея интересная и разумная, потому что действительно, есть ряд людей, которых вроде как и повысить можно, а вроде как и не нужно. Ведь тогда вместо пользы в виде своей глубокой экспертизы на текущем уровне, они вынуждены будут становиться клеем для абстракции более высокого уровня, а нужны и те и те. Поэтому хочется им денег накинуть, а как это сделать без промо, не всегда понятно - поэтому и повышают бедолаг. Теперь можно повышать по деньгам, но не по уровню, за мастерство.
Тонко - интересно будет посмотреть - основную сложность вижу в еще одной калибровке, теперь по мастерству - а калибровка это всегда большой оверхэд
Из интересного - в компании появляются волшебники (впрочем в какой большой компании их нет?)
The concept of “wizards” is interesting. Mastery scores do not stop at 50; individuals can be assigned a mastery score that exceeds 50. Getting a score above this level makes someone a “wizard,” and needs exceptional justification. The general expectation is that wizards will be incredibly rare.
Остальное по мелочи - подрезали менеджеров (кто же против?) и рассказывают про компенсацию ( у шопифай интересная тема - что можно самому выбирать сколько стоков и сколько кэша получать - менять пропорцию в рамках своего компа)
В целом - интересно
Если кратко - и что видно на картинке превью, добавили еще одну ось - Mastery
Например ты можешь быть Staff Engineer и быть крутым на этом уровне и дальше перед тобой стоит выбор, идти на уровень выше, но тогда ты там уже не крутой, а просто обычный типан или расти и становиться гуру, но на своем уровне.
Идея интересная и разумная, потому что действительно, есть ряд людей, которых вроде как и повысить можно, а вроде как и не нужно. Ведь тогда вместо пользы в виде своей глубокой экспертизы на текущем уровне, они вынуждены будут становиться клеем для абстракции более высокого уровня, а нужны и те и те. Поэтому хочется им денег накинуть, а как это сделать без промо, не всегда понятно - поэтому и повышают бедолаг. Теперь можно повышать по деньгам, но не по уровню, за мастерство.
Тонко - интересно будет посмотреть - основную сложность вижу в еще одной калибровке, теперь по мастерству - а калибровка это всегда большой оверхэд
Из интересного - в компании появляются волшебники (впрочем в какой большой компании их нет?)
The concept of “wizards” is interesting. Mastery scores do not stop at 50; individuals can be assigned a mastery score that exceeds 50. Getting a score above this level makes someone a “wizard,” and needs exceptional justification. The general expectation is that wizards will be incredibly rare.
Остальное по мелочи - подрезали менеджеров (кто же против?) и рассказывают про компенсацию ( у шопифай интересная тема - что можно самому выбирать сколько стоков и сколько кэша получать - менять пропорцию в рамках своего компа)
В целом - интересно
Pragmaticengineer
Inside Shopify's Leveling Split: Exclusive
A deep dive into the e-commerce giant’s major change to its engineering levels, including a look at the levels before and after the revamp, how and why these new levels could benefit the company, and
#business #opticloud
А между тем, наконец-то полностью организован сбор ценовых данных и оценок доступности для AWS. Потрачен месяц вместо недели.
Работаю над API. Напоминаю, основная цель сервиса - быстро найти самые дешёвые сервера для облачных вычислений в достаточном количестве.
Раздумываю, как этим сервисом будут пользоваться вообще. Вот взять ML. Обычно мои задачи сводились к поиску серверов с достаточным объёмом RAM/VRAM на машину (чтобы хотя бы загрузился датасет), ядер чтоб побольше, и затем выбору инстанса с наименьшей спот-ценой. Ну, может, при обработке картинок еще был важен размер и тип локального диска.
Понятно, что в серьёзных кластерных вычислениях помимо цены надо ориентироваться ещё и на производительность на ядро CPU или GPU (+- с учетом архитектуры) для нагрузки конкретного типа.
Пока вырисовывается основной метод API:
который находит, скажем, топ-3 комбинации инстанса/облака/региона/зоны, удовлетворяющих критериям клиента по железу, доступности, и имеющих самое лучшее отношение производительность/цена для указанного типа нагрузки.
Пример вызова, чтобы подешевле посчитать тюнинг катбуста на табличке в миллион примеров с 300 фичами, на процессоре нового поколения, чтоб каждый сервер имел как минимум 20Gb RAM для открытия датасета, считать думаем на 500 ядрах около 2 часов, начать хотим сейчас:
Что ещё нужно учесть? Пишите в комменты советы и пожелания.
А между тем, наконец-то полностью организован сбор ценовых данных и оценок доступности для AWS. Потрачен месяц вместо недели.
Работаю над API. Напоминаю, основная цель сервиса - быстро найти самые дешёвые сервера для облачных вычислений в достаточном количестве.
Раздумываю, как этим сервисом будут пользоваться вообще. Вот взять ML. Обычно мои задачи сводились к поиску серверов с достаточным объёмом RAM/VRAM на машину (чтобы хотя бы загрузился датасет), ядер чтоб побольше, и затем выбору инстанса с наименьшей спот-ценой. Ну, может, при обработке картинок еще был важен размер и тип локального диска.
Понятно, что в серьёзных кластерных вычислениях помимо цены надо ориентироваться ещё и на производительность на ядро CPU или GPU (+- с учетом архитектуры) для нагрузки конкретного типа.
Пока вырисовывается основной метод API:
find_best_servers(
workload="ml|finance|physics|rendering|integer|floating",
capacity={vcores,gpus,tpus},
hardware_requirements={cpu,gpu,tpu,ram,hdd,network},
schedule_requirements={start_time, duration_hours},
optimize_for="efficiency|price|performance|availability",
cloud_providers="any|aws|gcp|azure|ali|sber|etc",
lease_type="any|spot|ondemand"
) , который находит, скажем, топ-3 комбинации инстанса/облака/региона/зоны, удовлетворяющих критериям клиента по железу, доступности, и имеющих самое лучшее отношение производительность/цена для указанного типа нагрузки.
Пример вызова, чтобы подешевле посчитать тюнинг катбуста на табличке в миллион примеров с 300 фичами, на процессоре нового поколения, чтоб каждый сервер имел как минимум 20Gb RAM для открытия датасета, считать думаем на 500 ядрах около 2 часов, начать хотим сейчас:
find_best_servers(Пример ответа:
workload={"type":"ml","framework":"catboost","dataset":{"nrows":1e6,"ncols":300},"hpt":True},
capacity={"vcores":500},
hardware_requirements={"ram":{"node_min_size":"20GB"},"cpu":{"features":"avx2"}},
schedule_requirements={"start_time":"now", "duration_hours":2},
optimize_for="efficiency",
cloud_providers="any",
lease_type="spot"
)
{'n_suitable_servers': 158,
'best_servers': [{'cloud_provider': 'aws',
'region': 'us-east-2',
'zone': 'az3',
'instance_type': 'r6idn.4xlarge',
'lease_type': 'spot',
'hardware_info': {...},
'n_required_instances': 62,
'expected_runtime_hours': 2,
'fulfillment_probability': 0.85,
'interruption_probability': 0.07,
'expected_instance_hourly_price': {'usd':0.3569},
'expected_workload_total_cost': {'usd':44.26},
'expected_average_savings': {'usd':7.11},
'workload_performance_rating':"15/1000",
}, ... ]}
Возможно, что данные будут грузиться из хранилища S3 некоторого региона, и будет удобно дать возможность указать, откуда и сколько данных потребуется загружать. Это позволит автоматически учесть стоимость трансфера в сервера "других регионов", чтобы потом не оказалось, что самый дешевый по железу сервер обошелся дорого из-за копирования данных.Что ещё нужно учесть? Пишите в комменты советы и пожелания.
🔥2
Forwarded from Время Валеры
Что за день 7 июня
Deepmind утверждает что с помощью RL нашли алгоритмы для ускорения сортировки. New algorithms will transform the foundations of computing
AlphaDev uncovered new sorting algorithms that led to improvements in the LLVM libc++ sorting library that were up to 70% faster for shorter sequences and about 1.7% faster for sequences exceeding 250,000 elements.
AlphaDev not only found faster algorithms, but also uncovered novel approaches. Its sorting algorithms contain new sequences of instructions that save a single instruction each time they’re applied. This can have a huge impact as these algorithms are used trillions of times a day.
Еще затронули скорость хэш функций
We applied AlphaDev to one of the most commonly used algorithms for hashing in data structures to try and discover a faster algorithm. And when we applied it to the 9-16 bytes range of the hashing function, the algorithm that AlphaDev discovered was 30% faster.
Теперь осталось понять, так ли это, ребята авторитетные, но и понимать бы с чем что сравнивали и в каких условиях
Deepmind утверждает что с помощью RL нашли алгоритмы для ускорения сортировки. New algorithms will transform the foundations of computing
AlphaDev uncovered new sorting algorithms that led to improvements in the LLVM libc++ sorting library that were up to 70% faster for shorter sequences and about 1.7% faster for sequences exceeding 250,000 elements.
AlphaDev not only found faster algorithms, but also uncovered novel approaches. Its sorting algorithms contain new sequences of instructions that save a single instruction each time they’re applied. This can have a huge impact as these algorithms are used trillions of times a day.
Еще затронули скорость хэш функций
We applied AlphaDev to one of the most commonly used algorithms for hashing in data structures to try and discover a faster algorithm. And when we applied it to the 9-16 bytes range of the hashing function, the algorithm that AlphaDev discovered was 30% faster.
Теперь осталось понять, так ли это, ребята авторитетные, но и понимать бы с чем что сравнивали и в каких условиях
Deepmind
AlphaDev discovers faster sorting algorithms
In our paper published today in Nature, we introduce AlphaDev, an artificial intelligence (AI) system that uses reinforcement learning to discover enhanced computer science algorithms – surpassing those honed by scientists and engineers over decades.
#hinton
Почему знаменитости из мира учёных кажутся такими тупыми на публичных выступлениях? Взять Фейнмана, Хинтона.
Неуклюжие шутки про расизм и секс, поданная не лучшим образом иллюстрация широко известной концепции, "дружеский" пинок известного человека, и никаких инсайтов по делу. Или это я уже настолько отупел и ничего не вижу? Неужели это проблема завышенных ожиданий?
https://www.youtube.com/watch?v=EnmetgyiMic
Почему знаменитости из мира учёных кажутся такими тупыми на публичных выступлениях? Взять Фейнмана, Хинтона.
Неуклюжие шутки про расизм и секс, поданная не лучшим образом иллюстрация широко известной концепции, "дружеский" пинок известного человека, и никаких инсайтов по делу. Или это я уже настолько отупел и ничего не вижу? Неужели это проблема завышенных ожиданий?
https://www.youtube.com/watch?v=EnmetgyiMic
YouTube
"Крестный отец ИИ" о том, что нас ждет | Выступление Джеффри Хинтона для MIT
Поддержать канал: https://boosty.to/turingtestrus
В этом глубоком и потрясающем выступлении на конференции MIT EmTech, Джеффри Хинтон, профессор Университета Торонто и бывший руководитель AI в Google, дает свою взгляд на будущее искусственного интеллекта.…
В этом глубоком и потрясающем выступлении на конференции MIT EmTech, Джеффри Хинтон, профессор Университета Торонто и бывший руководитель AI в Google, дает свою взгляд на будущее искусственного интеллекта.…
#pandas
А кто-нибудь может мне объяснить, почему вообще работает ffill над группами с синтаксисом
https://www.statology.org/pandas-ffill-with-condition/
А кто-нибудь может мне объяснить, почему вообще работает ffill над группами с синтаксисом
df['sales'] = df.groupby('store')['sales'].ffill()
? Ведь фрейм не отсортирован.https://www.statology.org/pandas-ffill-with-condition/
Forwarded from dev optozorax
Я сильно упоролся и хотел по имеющимся данным из прошлого поста построить гладкий график распределения.
Можно ведь как-то численными методами по набору точек аппроксимировать функцию их распределения, да?.. В интернете не нашёл готового ответа, поэтому решил изобрести это сам, с использованием полиномов. Оказалось довольно несложно.
В итоге мало того что написал математический вывод и приложил псевдокод, так ещё и сделал веб-интерфейс (прямо в статье!), куда вы можете вставить свои данные, и сразу получить нарисованную гистограмку, и гладкую кривую, статистику по ней, уравнение полинома!!!
Вы только представьте себе мир, где каждый учёный когда делает какой-то алгоритм, публикует в интернет веб-интерфейс своего алгоритма! Да никто так не сделает. А я взял и сделал))) Не могу иначе))))
https://optozorax.github.io/p/polynom-distribution/
Можно ведь как-то численными методами по набору точек аппроксимировать функцию их распределения, да?.. В интернете не нашёл готового ответа, поэтому решил изобрести это сам, с использованием полиномов. Оказалось довольно несложно.
В итоге мало того что написал математический вывод и приложил псевдокод, так ещё и сделал веб-интерфейс (прямо в статье!), куда вы можете вставить свои данные, и сразу получить нарисованную гистограмку, и гладкую кривую, статистику по ней, уравнение полинома!!!
Вы только представьте себе мир, где каждый учёный когда делает какой-то алгоритм, публикует в интернет веб-интерфейс своего алгоритма! Да никто так не сделает. А я взял и сделал))) Не могу иначе))))
https://optozorax.github.io/p/polynom-distribution/
optozorax.github.io
Аппроксимация распределения данных полиномом — Блог optozorax'а
У меня была куча данных полётов на микродроне, и я захотел сделать красивый гладкий график... Готового решения в интернете не нашёл.
❤1
Forwarded from Neural Info
I have been solving Kaggle competitions for about 2 months. Now I have finally reached the expert level in datasets. I've solved the Stable Diffusion - Image to Prompts competition in a team and won the bronze medal. And a lot of other work has been done and medals won. So now I can share my subjective opinion.
Advantages:
1. Large community. I met some new people, talked to them and learned a lot from their experiences.
2. You can implement your own ideas and see if it works or not in terms of competition. You can also use Kaggle for your own projects that aren't attached to competitions.
3. You have free GPU / TPU resources and really cool integration with Jupyter Notebooks.
4. You can upload large datasets to the Kaggle cloud and use them in notebooks directly from the cloud. If your datasets are public, there is no limit to the amount of space you can use.
5. Medals, levels, ranking points. These things make competitions more interesting and you can promote cool ideas, notebooks, datasets with upvotes.
Disadvantages:
1. You need a lot of resources for large competitions. If you have at least one A100, you have a big advantage over others who don't.
2. Competitions without interesting ideas can sometimes only be solved with large ensembles.
3. Some competitions have leaks and the solutions aren't close to real applications. It's just a correct number matching without model training, algorithm implementation, etc.
Conclusions:
Kaggle has become a hobby for me. I like solving competitions, implementing my ideas and Kaggle is also a platform for my small projects. One of them is fire segmentation on TPU using FLAX.
Advantages:
1. Large community. I met some new people, talked to them and learned a lot from their experiences.
2. You can implement your own ideas and see if it works or not in terms of competition. You can also use Kaggle for your own projects that aren't attached to competitions.
3. You have free GPU / TPU resources and really cool integration with Jupyter Notebooks.
4. You can upload large datasets to the Kaggle cloud and use them in notebooks directly from the cloud. If your datasets are public, there is no limit to the amount of space you can use.
5. Medals, levels, ranking points. These things make competitions more interesting and you can promote cool ideas, notebooks, datasets with upvotes.
Disadvantages:
1. You need a lot of resources for large competitions. If you have at least one A100, you have a big advantage over others who don't.
2. Competitions without interesting ideas can sometimes only be solved with large ensembles.
3. Some competitions have leaks and the solutions aren't close to real applications. It's just a correct number matching without model training, algorithm implementation, etc.
Conclusions:
Kaggle has become a hobby for me. I like solving competitions, implementing my ideas and Kaggle is also a platform for my small projects. One of them is fire segmentation on TPU using FLAX.
👍1
Forwarded from Техножрица 👩💻👩🏫👩🔧
Когда читатель открывает типичную книгу по топологии (особенно если она советская), его глазам немедленно предстают целые горы наваленных друг на друга непонятных математических символов и терминов, которые вводятся сходу через большие, громоздкие формулы, с минимальным количеством объяснений и примеров. Неудивительно, что в глазах многих читателей эти символы как бы складываются в буквы "пошел на ***", после человек думает "ладно" и закрывает книгу.
Данная брошюра (Рис.1) призвана смягчить эту проблему, делая упор на наглядность, большое количество иллюстраций, примеров и задач (см. предисловие на рис.2-3), давая читателю возможность освоиться с интуицией вводимых определений, прежде чем переходить к сложным, большим формулам. Например, она может быть полезна для младшекурсников, которые могут прочитать ее перед тем, как переходить к более сложным курсами по топологии или использовать параллельно с такими курсами, чтобы лучше во всем разобраться.
Большим плюсом является то, что в книге есть не только задачи, но и их решения, что поможет не застопориться, если что-то не получается.
На рис. 4 изображено содержание книги. Главы 1-5 и 9 посвящены некоторым основным понятиям (используемым во всей топологии) и нескольким темам из теории узлов (маломерной топологии). Эти главы может понять и старшеклассник с хорошей мат.подготовкой. Главы 6-8 примыкают к дифференциальной топологии и являются более сложными.
На рис. 5 и 6 приведено рассуждение про инварианты узлов; на рис. 7 и 8 - более сложное рассужение-доказательство известной формулы Эйлера с помощью понятий об особых точках векторного поля.
Я иногда листаю эту книгу чтобы припомнить что-то забытое из курсов по топологии или решаю упражнения из нее для разминки.
#математика #учебные_материалы
Данная брошюра (Рис.1) призвана смягчить эту проблему, делая упор на наглядность, большое количество иллюстраций, примеров и задач (см. предисловие на рис.2-3), давая читателю возможность освоиться с интуицией вводимых определений, прежде чем переходить к сложным, большим формулам. Например, она может быть полезна для младшекурсников, которые могут прочитать ее перед тем, как переходить к более сложным курсами по топологии или использовать параллельно с такими курсами, чтобы лучше во всем разобраться.
Большим плюсом является то, что в книге есть не только задачи, но и их решения, что поможет не застопориться, если что-то не получается.
На рис. 4 изображено содержание книги. Главы 1-5 и 9 посвящены некоторым основным понятиям (используемым во всей топологии) и нескольким темам из теории узлов (маломерной топологии). Эти главы может понять и старшеклассник с хорошей мат.подготовкой. Главы 6-8 примыкают к дифференциальной топологии и являются более сложными.
На рис. 5 и 6 приведено рассуждение про инварианты узлов; на рис. 7 и 8 - более сложное рассужение-доказательство известной формулы Эйлера с помощью понятий об особых точках векторного поля.
Я иногда листаю эту книгу чтобы припомнить что-то забытое из курсов по топологии или решаю упражнения из нее для разминки.
#математика #учебные_материалы
❤1
#nlp #instructiontuning #p3 #flan2021 #inputinversion #chainofthought #metaprompt
https://www.youtube.com/watch?v=_bZdiwxjabQ
https://www.youtube.com/watch?v=_bZdiwxjabQ
YouTube
Татьяна Гайнцева - Instruction tuning: что, почему и как
Data Fest 2023:
https://ods.ai/events/datafestonline2023
Трек "Instruct Models":
https://ods.ai/tracks/df23-instruct-models
Наши соц.сети:
Telegram: https://news.1rj.ru/str/datafest
Вконтакте: https://vk.com/datafest
https://ods.ai/events/datafestonline2023
Трек "Instruct Models":
https://ods.ai/tracks/df23-instruct-models
Наши соц.сети:
Telegram: https://news.1rj.ru/str/datafest
Вконтакте: https://vk.com/datafest
При работе с временными рядами часто нужно прогнозировать от одной точки на разные горизонты (день, неделя, месяц). По Вашему опыту, при одинаковых входах, что лучше (в терминах точности предсказаний и других ML-метрик)? Комменты приветствуются.
Anonymous Poll
60%
N отдельных моделей, 1 на каждый горизонт
10%
1 модель со столбцом "желаемый горизонт прогноза"
30%
1 модель с мультитаргетом (Y - вектор, а не скаляр)
#nlp #spellchecking
Кстати, если решите отлавливать опечатки, и SpaCy входит в ваш инструментарий, используйте мой форк либы contextualSpellCheck. У нас естьпеченьки GPU, Дамерау и Байес! А если статью сравнительную напишете, будет вообще чудесно, мне некогда (.
Кстати, если решите отлавливать опечатки, и SpaCy входит в ваш инструментарий, используйте мой форк либы contextualSpellCheck. У нас есть
GitHub
GitHub - fingoldo/contextualSpellCheck: Contextual word checker for better suggestions, with Damerau, case-insensitivity comparison…
Contextual word checker for better suggestions, with Damerau, case-insensitivity comparison, Bayesian decision making. - GitHub - fingoldo/contextualSpellCheck: Contextual word checker for better s...
👍1
#sociallaws
"Goodhart's law is an adage often stated as, "When a measure becomes a target, it ceases to be a good measure". It is named after British economist Charles Goodhart, who is credited with expressing the core idea of the adage in a 1975 article on monetary policy in the United Kingdom:
Any observed statistical regularity will tend to collapse once pressure is placed upon it for control purposes."
https://en.wikipedia.org/wiki/Goodhart%27s_law
"Goodhart's law is an adage often stated as, "When a measure becomes a target, it ceases to be a good measure". It is named after British economist Charles Goodhart, who is credited with expressing the core idea of the adage in a 1975 article on monetary policy in the United Kingdom:
Any observed statistical regularity will tend to collapse once pressure is placed upon it for control purposes."
https://en.wikipedia.org/wiki/Goodhart%27s_law
✍1
Forwarded from Техножрица 👩💻👩🏫👩🔧
Почему так сложно популярно рассказывать про алгебраическую топологию? (Часть 1).
Большую часть поста я напишу более-менее доступным языком, чтобы общий посыл был понятен не только топологам, но и другим интересующимся, снабдив его ссылками на видео и статьи с объяснениями. Но часть поста будет сложной.
Итак, в основном топология занимается изучением многообразий - очень грубо выражаясь, поверхностей различной размерности, от одномерных (таких, как отрезок или окружность) и двумерных (таких, как сфера, лента Мебиуса или тор) до сколько-угодно-мерных.
Похоже, что топология одномерных многообразий (узлов, кос) ближе всего к наблюдаемой физической реальности, так как она имеет больше всего непосредственных, "осязаемых" приложений к чему-то практическому. Например, она помогает лучше понять механизмы репликации ДНК и, как следствие, механизмы действия химиотерапии (короткое видео); входит в новые концепции квантовых вычислений (короткое видео), более устойчивых к помехам. И это уже не говоря о том, что даже такая повседневная и простая вещь, как ткань, из которой сделана наша одежда, имеет прямую связь с теорией узлов, т.к. вполне осязаемые физические свойства ткани зависят от топологии зацепления нитей (длинное видео).
Но чем больше размерность изучаемых многообразий - тем дальше они от непосредственно наблюдаемой реальности, от того, что можно "пощупать". А в алгебраической топологии очень много интересных феноменов появляются только в высоких размерностях, в более высоких, чем мы можем нарисовать или представить себе наглядно.
Например, в алгебраической топологии есть такое понятие, как бордантность. Определение бордантности для не-математиков может прозвучать страшновато: замкнутые многообразия без края M и N называются бордантными, если существует такое многообразие K (с размерностью на 1 больше), что M и N являются границами K.
Надеюсь, определение станет понятнее после такого примера: любые две окружности являются бордантными друг другу, потому что мы можем построить такой цилиндр, что одна окружность будет служить одним основанием цилиндра, а другая - другим. Это верно и для многообразий, состоящих из нескольких отдельных окружностей, что проиллюстрировано в статье по ссылке выше, где вместо цилиндра рисуют "штаны". Далее можно отметить, что все замкнутые одномерные многообразия без края являются либо окружностью, либо набором из нескольких окружностей (отрезок не входит в рассмотрение, так как у него есть края). Закручена ли это окружность в виде какого-то узла или нет, в данном определении роли не играет. Таким образом, можно показать, что все одномерные многообразия, для которых определено отношение бордантности, бордантны между собой.
А вот для двух двумерных поверхностей уже не так. Некоторые двумерные поверхности имеют две стороны - внутреннюю и внешнюю, например, тор, а некоторые - только одну, например, бутылка Клейна (крошечное видео). (Примечание: еще чуть-чуть об односторонних поверхностях рассказано тут). Наиболее глубоко прочувствовать различие этих двух видов поверхностей можно, если понять, почему двусторонние поверхности являются ориентируемыми, а односторонние - неориентируемыми (по ссылке красивое старое видео). И вот, наличие одно- и двухсторонних поверхностей дает интересное следствие: оказывается, все двумерные односторонние поверхности без края бордантны друг другу; все двумерные двусторонние поверхности без края бордантны друг другу; а вот односторонняя и двусторонняя поверхность между собой не бордантны. Т.е., нельзя придумать трехмерного многообразия такого, что одной из его границ является бутылка Клейна, а другой - тор.
Но как можно изобразить доказательство такого факта на картинке? Мы ведь не можем спроецировать все это на плоскость так, чтобы не потерять свойство одно-или дву-стороннести. Поэтому доказательство не выйдет сделать наглядным. Поэтому про бордизмы в популярных изложениях, к моему большому сожалению, не рассказывают, а ведь мне эта теория кажется красивой, плюс она хорошо иллюстрирует то, как при увеличении размерности пространства обретают новые свойства.
#математика
Большую часть поста я напишу более-менее доступным языком, чтобы общий посыл был понятен не только топологам, но и другим интересующимся, снабдив его ссылками на видео и статьи с объяснениями. Но часть поста будет сложной.
Итак, в основном топология занимается изучением многообразий - очень грубо выражаясь, поверхностей различной размерности, от одномерных (таких, как отрезок или окружность) и двумерных (таких, как сфера, лента Мебиуса или тор) до сколько-угодно-мерных.
Похоже, что топология одномерных многообразий (узлов, кос) ближе всего к наблюдаемой физической реальности, так как она имеет больше всего непосредственных, "осязаемых" приложений к чему-то практическому. Например, она помогает лучше понять механизмы репликации ДНК и, как следствие, механизмы действия химиотерапии (короткое видео); входит в новые концепции квантовых вычислений (короткое видео), более устойчивых к помехам. И это уже не говоря о том, что даже такая повседневная и простая вещь, как ткань, из которой сделана наша одежда, имеет прямую связь с теорией узлов, т.к. вполне осязаемые физические свойства ткани зависят от топологии зацепления нитей (длинное видео).
Но чем больше размерность изучаемых многообразий - тем дальше они от непосредственно наблюдаемой реальности, от того, что можно "пощупать". А в алгебраической топологии очень много интересных феноменов появляются только в высоких размерностях, в более высоких, чем мы можем нарисовать или представить себе наглядно.
Например, в алгебраической топологии есть такое понятие, как бордантность. Определение бордантности для не-математиков может прозвучать страшновато: замкнутые многообразия без края M и N называются бордантными, если существует такое многообразие K (с размерностью на 1 больше), что M и N являются границами K.
Надеюсь, определение станет понятнее после такого примера: любые две окружности являются бордантными друг другу, потому что мы можем построить такой цилиндр, что одна окружность будет служить одним основанием цилиндра, а другая - другим. Это верно и для многообразий, состоящих из нескольких отдельных окружностей, что проиллюстрировано в статье по ссылке выше, где вместо цилиндра рисуют "штаны". Далее можно отметить, что все замкнутые одномерные многообразия без края являются либо окружностью, либо набором из нескольких окружностей (отрезок не входит в рассмотрение, так как у него есть края). Закручена ли это окружность в виде какого-то узла или нет, в данном определении роли не играет. Таким образом, можно показать, что все одномерные многообразия, для которых определено отношение бордантности, бордантны между собой.
А вот для двух двумерных поверхностей уже не так. Некоторые двумерные поверхности имеют две стороны - внутреннюю и внешнюю, например, тор, а некоторые - только одну, например, бутылка Клейна (крошечное видео). (Примечание: еще чуть-чуть об односторонних поверхностях рассказано тут). Наиболее глубоко прочувствовать различие этих двух видов поверхностей можно, если понять, почему двусторонние поверхности являются ориентируемыми, а односторонние - неориентируемыми (по ссылке красивое старое видео). И вот, наличие одно- и двухсторонних поверхностей дает интересное следствие: оказывается, все двумерные односторонние поверхности без края бордантны друг другу; все двумерные двусторонние поверхности без края бордантны друг другу; а вот односторонняя и двусторонняя поверхность между собой не бордантны. Т.е., нельзя придумать трехмерного многообразия такого, что одной из его границ является бутылка Клейна, а другой - тор.
Но как можно изобразить доказательство такого факта на картинке? Мы ведь не можем спроецировать все это на плоскость так, чтобы не потерять свойство одно-или дву-стороннести. Поэтому доказательство не выйдет сделать наглядным. Поэтому про бордизмы в популярных изложениях, к моему большому сожалению, не рассказывают, а ведь мне эта теория кажется красивой, плюс она хорошо иллюстрирует то, как при увеличении размерности пространства обретают новые свойства.
#математика
YouTube
Узлы ДНК — Максим Франк-Каменецкий
Источник — http://postnauka.ru/video/36239
Как возникла топология ДНК? Что изучает топология? Какие ферменты могут менять топологию ДНК? И к чему может привести разрыв ДНК? Об этом рассказывает доктор физико-математических наук Максим Франк-Каменецкий.
Как возникла топология ДНК? Что изучает топология? Какие ферменты могут менять топологию ДНК? И к чему может привести разрыв ДНК? Об этом рассказывает доктор физико-математических наук Максим Франк-Каменецкий.