I've made a very small axis aligned solenoid magnetic simulator to optimize the design of a single stage elctromagnetic gun (commonly known as coilgun)

in this run I've optimized the design of a passive single stage coilgun (timings are driven by the RLC circuit formed by the coil, parasitic resistance and capacitor)

it reached an efficiency of 17% with the constraint of starting with 1kJ of energy and the peak output energy is 170J which is around half of that of a 9mm bullet so it is already lethal

I did this out of spite for all those youtubers who make coilguns by choosing the geometry and parameters randomly by hand or by trial and error when a much more efficient design can be engineered with simulation aided design and optimizer guided engineering processes

ho fatto un pò di analisi sulla rete neurale del robot e sono emerse un po di robe interessanti

1) i primi layer fanno più attenzione alle velocità delle zampe e la posizione del target mentre gli ultimi sulla velocità del corpo del robot

2) il robot usa molto poco le feature del lidar probabilmente perchè la maggior parte dei punti sono lontani dalle zampe il che è uno spreco considerando che il lidar usa 25 delle 94 feature totali

3) ovviamente le azioni di ogni giunto sono influenzate per lo più dalle posizioni e velocità dello stesso giunto e questa cosa potrebbe essere rinforzata architetturalmente invece di farla imparare da zero alla rete neurale sprecando sample di esplorazione

4) pare che l'obiettivo principale per il robot sia mantenere l'altezza del corpo e raggiungere il target sia secondario rispetto a questo (il che ha senso visto che viene brutalmente penalizzato se tocca le scale con la pancia durante il training)

p.s. i plot sono fatti con pearson correlation con random sample in input

schematic file parser and schematic tokenizer to turn schematics into tensors

tokenizers and embedding tables are the building blocks to bridge discrete data with their continuous representations.

my rtx4090 has been grinding for days, I think I'll buy a second one soon.

the two charts show train and validation losses for two different models learning schematics. the purple one is attention based and generalizes way better. attention is all you need after all.