В околонаучной медиасфере активно обсуждают новость о долгожданном открытии комнатной сверхпроводимости при нормальном давлении — возможно кто-то из читателей моего канала уже столкнулся. На самом деле речь идет вот об этих двух препринтах:
https://arxiv.org/abs/2307.12008
https://arxiv.org/abs/2307.12037
написанных группой корейских материаловедов, исследующих свинцово-медные апатиты.

Напомню, что препринт — это статья, не прошедшая рецензирование. В таком случае ее следует вычитывать с утроенной аккуратностью, а потому и новости об этом открытии появляться не спешат. К сожалению, у меня самого совсем не хватает времени разбираться в этой работе, но мои коллеги-физики утверждают, что к препринтам много вопросов. Подождем основательного разбора от редакции N + 1!

Вышел текст от моих коллег по редакции касаемо препринтов про сверхпроводимости. Вот он
https://nplus1.ru/news/2023/07/27/superconductivity-at-room-temperature-but-is-it-real

Если вкратце: радоваться пока сильно рано, к работе много вопросов

Школа закончилась, а значит пора прощаться с Иннополисом до следующего мероприятия. Напоследок поделюсь видео с поездки на беспилотном такси.

Его запустил здесь Яндекс в 2018 году на базе своего сервиса такси. Роботакси в Иннополисе играет роль общественного транспорта: останавливается только на остановках, едет медленно, на переднем пассажирском сиденье всегда сидит инженер. Зато оно бесплатное. Впрочем, Иннополис — город маленький, поэтому если спешите, лучше пойти пешком, будет быстрее.

Иннополис идеально подходит для первичной обкатки технологии беспилотного такси. Он кажется игрушечным городом в полтора квартала, но там живут реальные люди, они переходят реальные дороги, стоят на реальных обочинах и водят реальные автомобили. Другими словами, это живая, но относительно простая модель города

А ещё роботакси приходится считаться с вот такими робокурьерами — тоже яндексовскими. Эти очаровательные роверы неспешно везут свои заказы, терпеливо объезжая любопытных курьеров

Физика и искусственный интеллект — это две научные области, к которым у меня сохраняется большой интерес. Тем приятнее писать и про то, и про другое одновременно.

В одном из предыдущих постов я уже выказывал свое восхищение тем, как методы машинного обучения способны сделать работу физиков точнее и быстрее — об этом была лекция Владимира Вановского на Летней школе AIRI. Наконец-то я доделал краткий пересказ этого доклада:
https://habr.com/ru/companies/airi/articles/752480/

В машинном обучении есть теорема, которая гласит, что нейронные сети являются универсальными аппроксиматорами. Другими словами, если у вас есть достаточно большая нейронка, она сможет описать любую непрерывную функцию. Это ровно то, что нужно, чтобы решать дифференциальные уравнения, на что сейчас направлены усилия некоторых математиков, занимающихся применением искусственного интеллекта. Нейросеть выдает ответ быстро, что в теории позволит обогнать по скорости традиционные численные методы (метод конечных элементов, метод конечных разностей и так далее).

Одна из таких групп — команда Ивана Оселедца, который недавно возглавил Институт AIRI. Ученые решали проблему, связанную с тем, что для обучения нашей сетки-дифурщика надо сначала получить обучающую выборку обычным способом, то есть с помощью численных методов, а это, в свою очередь, нивелирует преимущества нейросети.

На помощь им пришли соображения общей ковариантности. Если говорить проще, это свойство уравнений не менять свою форму, при преобразовании координат. Это означает, что из одной пары, созданной численно, можно аналитически (то есть быстро) сгенерировать еще несколько. Ученые показали, что такая аугментация данных для обучения универсальна и хорошо работает со всеми известными нейронными операторами.

Краткий пересказ их научной статьи можно почитать в блоге на сайте Института, а более развернутый — на Хабре.

Необычное явление из области физики толпы случилось на днях на концерте Ланы Дел Рей в Мехико. По неизвестной причине несколько зрителей запустили волну падений как в эффекте домино. Хочется надеяться, что никто не пострадал, но — положа руку на сердце — как было бы круто, если бы этот эффект снимала камера сверху
https://twitter.com/PopBase/status/1692246297070444679

Пользуясь случаем, напомню, что я уже рассказывал про физику, которая творится на танцполе, в этом материале. А подробнее про эффект домино можно почитать здесь.

Работа в редакции N + 1 не проходит бесследно для психики. После создания материала про маркерные доски с физикой из игры Black Mesa я теперь замечаю их везде. Не стал исключением и очередной пункт из моего бэклога — шутер Control от финских разработчиков Remedy Entertainment. В свежем блоге рассказываю, как датамайнил изображения досок с помощью улучшателя аниме-картинок, откуда черпали вдохновение создатели Control и рады ли ученые такому заимствованию
https://nplus1.ru/blog/2023/08/22/take-control

А меж тем, неспеша и вопреки моему тотальному бездействию, количество подписчиков этого канала перевалило за 250. А это значит, что спасибо надо говорить вам, уважаемые читатели, за то, что шэрите, репостите и рассказываете другим.

Со своей стороны обещаю не бросать его, ведь впереди еще много текстов и историй. Оставайтесь с нами!

Вчера я наконец-то допрошёл Quantum Break и это был замечательный опыт. Что же касается физики, то там ее довольно много и разбирать ее будет интересно.

Для затравки: на изображении — кадр из презентации, которую смотрит главный герой. В ней кратко рассказывается про природу поля Мейера — Джойса, которая, по сути, представляет собой поле хрононов — гипотетических квантов времени, концепцию которых физики разрабатывали на самом деле.

В общем, все, что мне теперь нужно — это время. Много времени...

Давненько в этом канале не было ничего про машинное обучение…

Любой, кто играл в Starcraft, особенно первый, знает, насколько тупые, порой, бывают там юниты. Они умеют выполнять лишь простые команды и реакции на окружающее события, но не способны к сложным тактическим маневрам. Это, впрочем, сделано специально, чтобы создать челлендж для игроков, а также позволить им посоревноваться в полководческом мастерстве.

Однако, эти безымянные солдатики хороши в одной неочевидной вещи — найти оптимальный путь по карте из точки А в точку Б. Эти незримые способности обеспечены алгоритмами поиска пути, разработанные еще в середине прошлого века — наиболее популярным из них является алгоритм А*. В те времена, впрочем, ученых интересовали не видеоигры, а навигация роботов.

Но пришёл XXI век, а с ним и машинное обучение в обнимку с нейросетями. И у исследователей возник вопрос, как эти достижения могут улучшить существующие алгоритмы. В новом выпуске блога на сайте Института AIRI я рассказываю, что у них из этого вышло

А знаете, чего еще давно не было на этом канале? Розыгрыша какого-нибудь приза! Благо и повод есть, и даже не один: помимо рубежа в числе подписчиков, сегодня день знаний, к которому я, по всем своим профессиям, имею непосредственное отношение.

Разыгрывать сегодня будем брендированный набор стикеров от N + 1. Создала его замечательная Настя Лихенко, которая последние несколько месяцев в должности арт-директора рисует обалденные заходные картинки к новостям и большим материалам издания. Помните сиблингов Люсетов из Биошока, летящих над городом в стиле Шагала, или Джесси Фейден из Контрола, сидящая около доски с физикой словно Мать художника Уистлера? Это все ее рука.

А те из вас, кто увлекается аниме, смогут увидеть в стикерах евангелионные мотивы. Я отчасти приложил руку к такой ассоциации, поскольку Настя впервые их увидела в одном из графиков, который содержала научная статья по измерению электрического и магнитного форм-факторов нейтрона китайскими учеными (я писал об этом исследовании в апреле).

В общем, правила просты: в следующем посте я напишу вопрос из области физики, на который нужно будет дать правильный ответ. Приз получит первый, кто это сделает. Ему надо будет написать мне в личку и я отправлю стикеры почтой. Правда, я смогу сделать это только по России. Если победитель за рубежом, будем думать. Например, он может передарить его кому-нибудь здесь

Итак, внимание, вопрос!

В определении излучения черного тела, даваемом любым учебником по физике, говорится о том, что условием его возникновения является термодинамическое равновесие. Без него энергия не может эффективно распределиться между всеми степенями свободы. В хорошем учебнике также объясняется другое важное условие для возникновения планковской формулы, а именно наличие этих самых степеней свободы, проще говоря, энергетических уровней. На самом деле прилагательное "черное" именно это и подразумевает: у тела всегда найдется пара уровней, разница между которыми равна энергии любого фотона видимого диапазона, а значит такой фотон всегда поглотится и тело будет казаться черным

Ну хорошо. Понятно, откуда, берется много уровней, например, в горячем угольке: в твердом теле работает зонная теория, допускающая целые энергетические полосы. Следовательно, спектр его излучения непрерывный. По этой же причине чернотелен спектр лампочки накаливания: работает вольфрамовая нить.

Но Солнце состоит по большей части из водорода, который известен бедностью и узостью своих энергетических уровней. В видимом диапазоне водород излучает всего несколько бальмеровских компонент, следовательно, даже если мы нагреем такой газ и переведем его в термодинамическое равновесие, спектр все равно останется линейчатым. Не верите? Сходите в любую учебную лабораторию по атомной физике любого более или менее обеспеченного университета (например, в лабу на 10-м этаже Института физики КФУ).

Чтобы спектр Солнца был непрерывным, в нем должен происходить некоторый процесс, континуальный по энергии. Первое, что приходит на ум — это тормозное излучение ионов и электронов в плазме. Но это не оно, поскольку его спектр для солнечной температуры лежит в диапазоне жесткого УФ, а в видимой области сильно спадает.

Что же это за процесс, чей энергетический масштаб сопоставим с энергией фотонов видимого диапазона (то есть, десятые доли эВ)?

Приветствую новых подписчиков, приход которых по счастливому стечению обстоятельств совпал с первой потоковой лекцией по атомной физике, которую мне дали вести в этом семестре! А раз так, то вот вам немного свежей физики.

Не можешь найти что-то — изобрази то, что ищешь. Применительно к физике этот подход называется исследованием эмерджентных феноменов. Например, специалисты по элементарным частцам не могут найти гипотетические майорановские фермионы. Вместо этого их коллеги-твердотельщики возбуждают квазичастицы в наноструктурах, которые ведут себя таким же образом. Этим путём, к примеру, в Microsoft пытаются строить квантовый компьютер.

Похожим образом ищут аксионы — это гипотетические частицы, которые могут помочь физикам разобраться с несколькими проблемами, включая поиск темной материи. Результатов пока нет ни у астрономов, ни у ученых с ускорителей, зато по-аксионному ведут себя квазичастицы в магнитооптических материалах.

Правда, отклик там слабоват. Чтобы его усилить, команда физиков из России и США предложила использовать оптические метаматериалы, состоящие из структурированных магнитооптических слоев — пока лишь численно. Замечательная особенность нового исследования в том, что спецы из ИТМО привлекли к себе в помощь не абы кого, а Франка Вильчека — Нобелевского лауреата и автора термин "аксион".

Мне все таки удалось посмотреть Оппенгеймера в кинотеатре в Осиново, то есть, формально, не покидая границ Казани. На это решился всего один прокатчик несмотря на штрафы, которые он уже получал за это ранее за марвеловские картины.

Фильм понравился и как ценителю творчества Нолана, и как физику. Последнее приятно еще и потому, что не часто удается встречать на большом экране фамилии, знакомые тебе по большей части по статьям или учебникам, да еще в таком количестве! Приятно осознавать, что, люди, которые их носили, — это не безликие авторы уравнений. Они улыбаются и грустят, ссорятся и смеются, предают и любят. Приятно наполнять привычную семантику новыми смыслами.

Впрочем, у Нолана так всегда: физика и физики — это лишь холст и краски, чтобы рисовать сюжеты сложных человеческих взаимоотношений. Другими словами, фильм совсем не про физику. И все же это великое полотно для нашей профессии, потому что оно, хоть и вкратце, но рассказывает про Великую эпоху — становление квантовой механики и следующих на нею теорий. Это то время, в которое я пытаюсь влюбить своих студентов на лекции. Коллективная попытка разгадать целый калейдоскоп загадок привела тогда к сложной сети новых идей и взаимоотношений между учеными, и фильм ведает нам одну из траекторий по этой сети.

Я всех, кто причастен к физике, призываю найти возможность посмотреть это кино, благо в этом бунтарском кинотеатре его прокатывают до конца октября

Фильм снят по большей части как экранизация биографии «Оппенгеймер. Триумф и трагедия Американского Прометея» за авторством Кая Бёрда и Мартина Шервина. Но авторы картины явно опирались и на другие источники. Ниже отрывок из несколько более известной книги «Вы, конечно, шутите, мистер Фейнман!», который был воспроизведен в фильме:

Нам раздали темные очки, через которые мы якобы могли бы все наблюдать. Темные очки! В двадцати милях в темные очки невозможно разглядеть, черт побери, вообще ничто. Я решил, что единственное, что может повредить глазам, – это ультрафиолет (яркий свет никогда не может повредить глазам). Я разместился за ветровым стеклом грузовика, рассчитав, что поскольку ультрафиолет не проходит через стекло, то это было безопасно, и можно было увидеть чертову штуку.

Время подошло, и внезапный чудовищный всплеск пламени там настолько ярок, что я мгновенно сгибаю голову и вижу на полу машины пурпурное пятно. Я сказал: “Это не то, это видение”. Я опять поднимаю голову и вижу, что белый свет сменяется желтым, а затем оранжевым. Образуются и исчезают облака – все это от сжатия и расширения ударной волны.

Наконец, огромный шар оранжевого цвета – центр его немыслимо ярок – начинает подниматься, понемногу становясь слегка волнистым, вблизи его краев появляется чернота, а потом вы видите, что это огромный дымовой шар, с языками пламени, вырывающимися изнутри наружу, жар так жар

На скриншоте, сделанном с экранки, Фейнман отказывается от затемненной оптики

Сталкивались ли вы с токсичностью в интернете? Готов спорить, что да. Похоже, что такое поведение — это часть человеческой природы, а всех людей на планете не изменить. Для борьбы с этим явлением на различных форумах и площадках, где есть комментарии, приходится нанимать модераторов и организовывать их работу, что не всегда получается.

Можно ли научить машину распознавать оскорбления? Судя по всему да — сейчас для этого пытаются использовать нейросети, которые классифицируют комментарии по степени токсичности. Однако, их производительность пока далека от идеала, поскольку нейросеть не всегда справляется с неоднозначными текстами.

Один из способов решить эту проблему — заранее знать, что комментарий или отрывок сложный, и направить его на оценку человеку. Алгоритмы, которые позволяют определять это автоматически, решают так называемую задачу выборочной классификации.

Сегодня на Хабре вышел текст от младшего научного сотрудника AIRI Артёма Важенцева, которому я помог написать рассказ о том, как их группа помогает развивать методы выборочной классификации

Роботов ждет Матрица!

Мои коллеги по Институту AIRI регулярно посещают научные конференции по искусственному интеллекту. Одна из них — IJCAI 2023 — состоялась этим августом в Макао. Там были представлены исследования по самому широкому спектру областей, а также выступали разные крутые приглашенные спикеры.

Среди них был Дитер Фокс, исследователь из Университета Вашингтона и NVIDIA. Он делился своим видением того, как будет развиваться робототехника, и высказал одну мысль, которая на первый взгляд совершенно не очевидна.

Сегодня совершенно ясно, что для создания хорошего робота нужно применять машинное обучение. Но этому методу нужны обучающие данные. Много данных. В связи с чем встает вопрос — где брать данные для будущих «мозгов» роботов, если их еще толком не умеют строить? Например, человек учится ориентироваться в пространстве в глубоком детстве, и у него для этого есть, путь маленькие, но ножки. Мы тоже можем изготовить прототип робота и заставить его ездить по комнатам, но сколько времени займет сбор данных?

Фокс убежден, что будущее робототехники — это симуляторы. Тысячи виртуальных агентов будут очень быстро стукаться об углы в своей цифровой матрице, набивая шишки для нейросетей. Обученные на этом нейронки, в свою очередь, будут загружены в реальное железо. Так, по его мнению, удастся преодолеть описанную выше проблему.

Видео с докладом ученого доступно на канале MIT Robotics. Обзор же самой конференции вы можете посмотреть в записи семинара Центра когнитивного моделирования

Астрономическую обсерваторию Казанского федерального университета в список объектов всемирного наследия ЮНЕСКО!
https://twitter.com/unesco/status/1703788661500760461?s=46&t=Z77Z98gzOs0TcTjQ5oGHAQ
Поздравляю коллег-астрономов!

Поговорим об экологии! Ведь повод для этого действительно есть.

Последние пару лет мы становимся свидетелями того, как машинное обучение перестает быть сугубо отраслевой вещью и начинает влиять на другие сферы деятельности человека. В данном случае я имею в виду энергопотребление.

Для справки: в 2020 году дата центры Facebook, обслуживающие языковые и рекомендательные модели, потратили 7 миллионов МВт*ч, что сопоставимо с месячным потреблением Швейцарии. Уже сейчас потребности обучения моделей от крупных игроков в области ИИ превращаются в дополнительную нагрузку на энергосистемы тех стран, где расположены серверы. Всё бы ничего, если бы не тот факт, что каждый киловатт-час сопровождается дополнительным выделением углекислого газа в атмосферу — увы, большинство электростанций мира пока работают на ископаемом топливе.

Оказалось, что этот эффект можно смягчить, если воспользоваться тем фактом, что углеродоемкость электроэнергии — это волатильный параметр, который зависит от кучи факторов: региона, времени суток, погодных условий и так далее. Это значит, что, если умным образом перераспределять вычислительные мощности между различными серверами (для обучения крупных моделей используют облачные сервисы), то негативный экологический эффект можно снизить.

Такую задачу себе поставили (и успешно решили) российские ученые из AIRI и Сбера под руководством Семёна Будённого. Они разработали пакет с открытым исходным кодом под названием eco4cast, который может использовать любой желающий. Этот пакет позволяет оптимизировать обучение с точки зрения выбросов CO₂ в атмосферу, распределяя вычисления по времени, погоде и регионе мира (всего до 13 зон). В отдельных случаях удается добиться 90-процентного уменьшения углеродного следа.

Репозиторий пакета доступен на гитхабе. Статьи с подробностями ещё пока нет — сейчас она проходит рецензирование в научном журнале. Почитать про исследование можно в свежем блоге на сайте Института AIRI (русский и английский варианты)