https://lecopivo.github.io/SciLean/doc/differentiation_in_scilean.html

A cool tutorial (work in progress) on calculating derivatives and differentials (symbolically and mostly automatically) in Lean 4 with the SciLean library (and tactics).

https://arxiv.org/abs/2208.09964 Shor, [2022] The Early Days of Quantum Computation"

https://www.arxiv-vanity.com/
> arXiv Vanity renders academic papers from arXiv as responsive web pages so you don’t have to squint at a PDF.

WOW! 😳

https://buttondown.email/hillelwayne/archive/why-you-should-read-data-and-reality/

Once more: we are not modeling reality, but the way information about reality is processed, by people. — Bill Kent

Эта фраза точечно объясняет, почему ООП по факту провалилось, как и примерно все остальные "методологии программирования" или проектирования.

Реальность многообразнее любой модели — это первое, что мы забываем, и оно же возвращается бумерангом чтобы хлопнуть нас по затылку в самый ответственный момент.

Ссылка на книгу внутри поста.
#free #book #modeling

All physics in nine lines: https://www.motionmountain.net/9lines.html (там ссылки на Motion Mountain, её тоже неплохо почитать)

120. Adapting old programs to fit new machines usually means adapting new machines to behave like old ones.

Alan J. Perlis (http://pu.inf.uni-tuebingen.de/users/klaeren/epigrams.html)

Эта фраза точечно объясняет развитие компьютеров за последние 50 лет.

https://www.youtube.com/watch?v=B7aPcZM_JXo

Если кто-то ещё не видел как теорию категорий и (профункторную) оптику применяют к ML (в виде автоматического дифференцирования) прямо в динамически-типизированной Julia. 😏

https://arxiv.org/abs/2209.11339 Faul, Manuell, [2022] "Machine Space I: Weak exponentials and quantification over compact spaces"

https://lemire.me/blog/2019/10/16/benchmarking-is-hard-processors-learn-to-predict-branches/

Dang! CPUs really do learn to predict branches. And learn fast!
If you're trying to benchmark how your code handles "cold" (fresh) data it will screw your tests real good.

The recordings of ICFP 2022 are available online, https://www.youtube.com/playlist?list=PLyrlk8Xaylp4ee6ZAtFD9XMD2EZ02K9xK

Memories: Edinburgh ML to Standard ML

https://lawrencecpaulson.github.io/2022/10/05/Standard_ML.html

https://www.deepmind.com/blog/discovering-novel-algorithms-with-alphatensor

If you strip all the nuances DeepMind found a way to represent matrix multiplication as a single-player game with scores proportional to algorithm efficiency and fed it into AlphaZero, which is notoriously good at games. And indeed properly modified AlphaZero dubbed AlphaTensor found new State-of-the-Art matrix multiplication algorithms for a wide range of fixed matrix sizes, including ones optimized for GPGPUs and TPUs specifically.

In a broader context this is indeed a huge leap in applying Reinforcement Learning to algorithms research. Expect a thick stream of papers feeding various kinds of algorithmic problems into more or less the same system.

In honor of Dana Scott’s 90th birthday,
a Git repository containing pdf scans of
a selection of his papers has been established.
These are available for public download here:

https://github.com/CMU-HoTT/scott

Помните SETI@home? Проект анализировал радиосигнал из космоса для поиска внеземного разума используя для этого вычислительные ресурсы добровольцев. По аналогии с SETI@Home есть проект Fuzzing@Home, в котором можно запускать фаззинг проектов, добавленных в OSS Fuzz, в обычном веб браузере. Это возможно благодаря компиляции в WebAssembly. Попробуйте сами - http://fuzzcoin.gtisc.gatech.edu:8000/

A pedagogical history of compactness, by Manya Raman-Sundstrom

https://arxiv.org/abs/1006.4131