Бабочка родилась 🦋

"Бабочка", созданная в новом типе клеточного автомата "MaCE Lenia", демонстрирует удивительные возможности моделирования эволюции и адаптации, подобных природным организмам.

Про само понятие клеточного автомата ( cellular automata )

Клеточные автоматы - это вычислительные модели, состоящие из решётки ячеек, каждая из которых может находиться в одном из конечного числа состояний. Эти состояния изменяются во времени согласно правилам, зависящим от состояний соседних ячеек. Идея клеточных автоматов появилась в 1940-х годах благодаря Станиславу Уламу и Джону фон Нейману, который в конце 1940-х создал первый самореплицирующийся клеточный автомат в рамках исследований искусственной жизни. Клеточные автоматы применяются в информатике, математике, физике и биологии для моделирования сложных систем, таких как распространение заболеваний, движение трафика и поведение биологических организмов. В 2025 году на конференции по искусственной жизни был представлен новый тип клеточного автомата - "MaCE Lenia", разработанный Василисом Пападопулосом и Е. Гюшаром. Этот автомат включает принцип сохранения массы, что позволяет создавать более стабильные и интересные паттерны.

Это развитие подчёркивает продолжающиеся исследования в области искусственной жизни и вычислительной биологии, направленные на создание систем, способных эволюционировать и адаптироваться, подобно природным организмам.

Подробнее о "MaCE Lenia" расскажут на https://2025.alife.org/

Также про нее можно прочитать тут
https://arxiv.org/abs/2507.12306

#unrealneural
Обучение с подкреплением (RL) - мощный метод, где агент учится принимать решения, максимизируя награду в динамичной среде. Алгоритмы помогают моделям, таким как языковые (LLM), эффективно исследовать пространство действий.

Обучение с подкреплением доминирует в тонкой настройке LLM. Эволюционные стратегии (ES) предлагают альтернативу, оптимизируя непосредственно пространство параметров. Это обеспечивает более точную, эффективную и стабильную тонкую настройку, обходя градиентные методы.

https://arxiv.org/pdf/2509.24372

DA² (Depth Anything in Any Direction) от Tencent Hunyuan

Метод генерирует панорамные карты глубины - данные, которые показывают расстояние до объектов в сцене на панорамных изображениях. В результате ролучаем:

1. Точные 3D-модели глубины: Эти карты позволяют создавать детализированные 3D-реконструкции сцен, подходящие для виртуальной реальности, игр, архитектурной визуализации или робототехники.
2. Универсальное решение: Благодаря zero-shot и технологии SphereViT, DA² работает с любыми панорамами, минимизируя сферические искажения, и превосходит другие методы по точности и эффективности.

Простыми словами, можно получить точные и универсальные 3D-данные (облака точек) глубины для панорам.

Протестировать можно тут
https://huggingface.co/spaces/haodongli/DA-2

Нобелевская премия по физике 2025

Учёные впервые показали, что квантовые эффекты могут проявляться в системах, видимых не под микроскопом, а буквально - в электрической цепи, умещающейся на ладони.
То, что раньше считалось «привилегией атомов», оказалось возможным на макроскопическом уровне: частицы туннелируют сквозь барьер, энергия - дискретна, а схема ведёт себя как единый квантовый объект.

Это не просто физика - это новая архитектура реальности, где квантовое поведение становится инженерным инструментом.
Благодаря этим экспериментам сформировалась база для сверхпроводящих кубитов, квантовых датчиков и квантовой криптографии - того, что сегодня называют “hardware foundation” квантового будущего.

И к чему это приведет?

Скорее всего это приблизило человечество к управляемым квантовым устройствам, где законы микромира становятся инженерным инструментом.
В долгосрочной перспективе это приведёт к рывку в квантовых вычислениях, датчиках и коммуникациях, задав новую физику технологий XXI века.

https://www.nobelprize.org/all-nobel-prizes-2025/

#unrealneural
Сервис Snaptrude AI

Протестировал вечерком ИИ инструмент, который "проектирует вместе с вами". Сразу скажу, что результат оставляет желать лучшего, НО
Что очень понравилось:
Во-первых я ввел один промпт и выбрал геолокацию
"Create school for 1500 peoples". После этого началась магия💫💫💫

Во-вторых в результате мы получаем все что нужно для проекта - и картинки и чертежи и таблички и выводы и все все все (правда там все выглядит странно и"магично" 😃😃😃). НО результат то есть. И продукт выглядит "ВКУСНО".

Инструмент позволяет увидеть как именно формируется модель, шаг за шагом. ЛЛМ модель принимает решения, считает графики, делает расчеты и дает "какой-то", но результат.
Буду за ним наблюдать.

Весь мой тест на видео, а ссылку ищите в комментариях.

#unrealneural #пытаюсьпонять
Почему последние шаги в процессе диффузии различных моделей(SD или другие) иногда ухудшают качество сгенерированных сэмплов, вместо того чтобы улучшать?

Данные сначала "упаковываются" в компактное латентное пространство меньшей размерности. В процессе генерации (обратная диффузия) качество сначала растёт: шум убирается, сэмплы становятся похожими на реальные данные.

Но на последних шагах модель начинает "перегружать" слабые или нулевые компоненты этого пространства (они не несут полезной информации из-за сжатия). В итоге добавляется лишний шум, и одна из метрика ухудшается , будто картинка "размыливается" заново.
НО это не баг, а фича сжатия: низкая размерность требует остановки пораньше, чтобы не "переусердствовать". В высоких размерностях можно дольше "диффузить"

Подробнее о математических обоснованиях этого явления и о том как с этим бороться
https://arxiv.org/abs/2510.08409

#unrealneural
NN-SVG: параметрическое создание чертежей архитектуры нейронной сети

Можно экспортировать в svg