Месяц: Декабрь 2024

Сооснователь одного из многочисленных китайских ИИ-стартапов — пекинского инкубатора стартапов Kun Lun Nest — у себя в соцсети под ником Bryon_Wan опубликовал несколько видео и снимков, на которых демонстрируются подсанкционные графические ускорители Nvidia Hopper (H100 и H200) для ИИ-технологий. Из подписи следует, что этот человек «насмехается» на санкциями США.

Кроме того, он показал и серверные стойки SuperMicro для организации ЦОДов, а также ИИ-сетей. Как отмечает портал WccfTech, всё это говорит о том, что американские санкции в отношении КНР толком не сработали. Несмотря на то, что Штаты максимально ограничили Китай в поставках комплектующих и оборудования для развития ИИ, в Поднебесную всё равно поступают необходимые продукты.

Причём именно ускорители Nvidia и серверные стойки были одними из целевых позиций, торговлю которыми жёстко контролируют различные американские службы и ведомства. Но ограничения не сработали, о чём свидетельствует «насмешка» китайского бизнесмена. Китай обходит санкции благодаря разным торговым «лазейкам», и учитывая обходные пути, достижения Поднебесной «ставят под сомнение эффективность политики».

Ученые уже давно знают, что медленные волны мозга во время глубокого сна играют ключевую роль в формировании памяти. Однако до недавнего времени было неясно, почему именно эти волны так важны для этого процесса. Исследование, опубликованное в журнале Nature Communications, предложило новое объяснение.

Исследователи из Берлинского университета Charité объяснили, что медленные волны активируют неокортекс — часть мозга, которая отвечает за долговременную память. Этот процесс особенно важен, когда информация из краткосрочной памяти, хранящейся в гиппокампе, переносится в долговременную память.

Медленные волны представляют собой синхронные колебания электрического напряжения в коре мозга, которые происходят во время фазы глубокого сна. Эти колебания можно измерить с помощью электроэнцефалограммы (ЭЭГ). Ученые выяснили, что во время этих колебаний синаптические связи между нейронами неокортекса становятся особенно сильными, что делает мозг более восприимчивым к получению новой информации.

Для своего исследования команда использовала образцы человеческой ткани, полученные от пациентов, которым проводили нейрохирургические операции. Они имитировали колебания напряжения, характерные для медленных волн, и измеряли реакцию нервных клеток. Результаты показали, что синапсы нейронов работают наиболее эффективно в тот момент, когда напряжение резко повышается.

Эти открытия могут помочь в разработке методов улучшения памяти, например, для пожилых людей с нарушениями когнитивных функций.

Charité | Yangfan Peng

Учёные МИСиС, совместно с зарубежными коллегами разработали технологию получения ценного строительного материала при очистке воды

Учёные Университета МИСИС разработали технологию, позволяющую перерабатывать отходы очистки воды в ценный строительный материал — ангидрит. Разработка в десятки раз снижает температуру процесса, требуя всего 40 °C, что помогает экономить энергию и снижать издержки. По словам авторов, новая методика превращает отходы извести, которые обычно выбрасываются, в прочный материал для строительства. Результаты исследования опубликованы в журнале Engineering Reports.

Ангидрит, получаемый с помощью этой технологии, ничем не уступает тому, что производится традиционными методами, но требует значительно меньше ресурсов. Директор НИЦ «Конструкционные керамические наноматериалы» Дмитрий Московских подчеркнул, что прочность материала позволяет использовать его для строительства домов, дорог и других объектов. Синтетический ангидрит с чистотой до 99,8% особенно перспективен для сложных объектов, таких как мосты или аэродромы, благодаря своей устойчивости к влаге и быстрому затвердеванию.

Авторы разработки отмечают, что переработка отходов извести решает сразу несколько проблем: сокращает объёмы промышленных отходов, уменьшает нагрузку на окружающую среду и делает технологию доступной даже для развивающихся стран. Кроме того, методика может быть внедрена в регионах, где нет природного гипса, что делает её универсальным решением. В дальнейшем команда планирует усовершенствовать процесс, снизить его себестоимость и адаптировать для различных типов отходов, что обеспечит глобальное применение технологии.

Самарские физики разработали математическую модель управления двух объектов на орбите, связанных тросом

Самарский университет совместно с международными коллегами создал уникальную математическую модель для управления группой спутников, соединённых между собой тросами. Исследователи уверены, что их модель позволит эффективно управлять связкой космических аппаратов, а результаты работы опубликованы в научном журнале Acta Astronautica. Модель описывает вращающуюся космическую тросовую систему, состоящую из двух спутников, связанных прочным тросом длиной до десятков километров, который вращается как «космическая праща» на заданной орбите.

По словам учёных, вращающиеся тросовые системы позволяют решать задачи, которые невозможно выполнить с использованием традиционных космических технологий. Эти системы могут быть использованы для создания искусственной гравитации, формирования групп спутников, выведения аппаратов на орбиты и даже для очистки космоса от мусора. В последние годы особое внимание уделяется их применению в роли «санитаров космоса», которые могут помогать в удалении орбитальных отходов.

Разработанная модель позволяет управлять двигателями космических аппаратов для изменения плоскости вращения системы на большие углы. По словам Павла Фадеенкова, одного из авторов исследования, модель основана на формализме Лагранжа и позволяет создать систему управления, которая точно парирует различные возмущения. В ходе тестов система управления продемонстрировала высокую точность, обеспечивая ориентацию с отклонением менее одной тысячной доли радиана. В будущем учёные планируют использовать свою модель для разработки реальной космической системы, способной очищать орбиту от мусора.

В России разработали нейросеть для «умного» поиска информации по текстовым документам

Учёные из Новосибирского государственного университета представили нейросеть «Менон», которая по своим возможностям может конкурировать с крупными моделями, вроде ChatGPT и «Гигачата», несмотря на свои компактные размеры. Как рассказали в НГУ, нейросеть создана для решения широкого круга задач: от ответов на вопросы по текстовым базам до улучшения распознавания речи и упрощения сложных текстов. Иван Бондаренко, научный сотрудник лаборатории университета, отметил, что разработка базируется на китайской архитектуре «Квен», но адаптирована для русского языка и культуры.

Для обучения модели использовали более 700 тысяч русскоязычных заданий, что позволило избежать характерных для «Квен» ошибок, вроде появления иероглифов в ответах. Бондаренко рассказал, что «Менон» учится по принципу «от простого к сложному», что напоминает процесс освоения знаний у детей. На открытом бенчмарке MERA, где оцениваются способности нейросетей, «Менон» занял первое место в своём размерном классе, успешно справляясь с задачами на здравый смысл, логику и понимание текстов.

В дальнейшем разработчики планируют совершенствовать модель как в прикладной, так и в научной сферах. Среди прикладных задач — создание помощника для студентов и абитуриентов, который поможет с организацией учебного процесса. В научном направлении команда сосредоточится на улучшении механизма обучения и повышении точности модели при работе с различными типами данных.

Российские специалисты разработали нейросеть, предназначенную для поиска пропавших людей в лесу. Эта технология была создана компанией АО «Площадь» и уже успешно протестирована в рамках работы с добровольческим отрядом «Лиза.Алерт».

Генеральный директор компании Никита Маслак рассказал, что нейросеть показала хорошие результаты в тестах, проведенных с использованием данных отряда. Экспериментальная версия нейросети уже продемонстрировала свою полезность в тестовых условиях, и теперь планируется ее использование в реальных поисковых операциях.

Ранее министр цифрового развития РФ Максут Шадаев сообщил, что в России в ближайшие три года могут появиться платформы с готовыми сервисами на основе искусственного интеллекта (ИИ), которые будут доступны для использования в регионах, муниципалитетах и социальных учреждениях.

Яндекса добавил «человечности» системе управления беспилотных автомобилей

Яндекс внедрил в свои автономные автомобили новую нейросеть-трансформер, которая помогает им планировать траекторию движения. Разработчики компании рассказали, что нейросеть училась на данных, собранных с помощью профессиональных водителей, чтобы сделать стиль вождения роботов максимально близким к человеческому. В компании считают, что это позволит машинам более гибко реагировать на сложные дорожные ситуации и повысит безопасность на дорогах.

Для обучения модели Яндекс собрал команду водителей с высокой квалификацией, прошедших строгий отбор и обучение контраварийному вождению. Во время тестовых поездок сенсоры автомобилей фиксировали каждое действие водителей и дорожные условия. Эти данные легли в основу специального датасета, благодаря которому нейросеть научилась реагировать на уже знакомые сценарии и предсказывать решения для гипотетических ситуаций.

Новый планировщик уже применяется в реальных городских поездках и проходит тесты в симуляторе, который моделирует редкие или сложные ситуации. В Яндексе отметили, что нейросетевой планировщик демонстрирует впечатляющие результаты — он чаще избегает аварий, находя безопасные пути даже в самых сложных условиях.

АО «ГЛОНАСС» анонсировала запуск нового поколения устройств вызова экстренных оперативных служб (УВЭОС 2.0), которые будут работать на базе системы «ЭРА-ГЛОНАСС». Эти устройства предназначены для повышения безопасности водителей и пассажиров, а также внедрения уникальной платформы сервисов для автомобилистов.

Генеральный директор компании Алексей Райкевич сообщил, что новое поколение устройств не только будет передавать данные о ДТП экстренным службам, но и позволит владельцам автомобилей отслеживать множество параметров, включая местоположение транспорта в реальном времени. Также устройства будут мониторить технические характеристики автомобилей, что позволит водителям оперативно реагировать на возможные неисправности.

Сегодня к системе «ЭРА-ГЛОНАСС» подключено более 11 миллионов транспортных средств. Ранее УВЭОС обеспечивали передачу данных о ДТП и аварийных ситуациях. Новая версия УВЭОС расширяет функционал, добавляя такие возможности, как мониторинг состояния автомобиля и поиск машины в случае угона.

Ученые разработали носимый датчик, который может точно мониторить изменения в дыхании человека без прямого контакта с кожей. Это устройство, вероятно, является первым в своем роде и может оказать значительное влияние на здравоохранение, позволяя заранее выявлять ухудшение состояния пациента и потенциально спасать жизни.

Исследования, проведенные университетами Ноттингема, Саутгемптона и госпиталем Саутгемптона при участии компании Zelemiq Ltd, показали, что устройство способно непрерывно отслеживать частоту дыхания с точностью до двух вдохов в минуту. Такой мониторинг позволяет своевременно обнаружить изменения в дыхательной активности, которые могут быть первыми признаками ухудшения состояния при различных заболеваниях, включая сепсис и COVID-19.

Основным преимуществом новинки является то, что оно неинвазивно и не вызывает дискомфорта, в отличие от существующих методов, таких как использование масок или грудных повязок. Устройство под названием «Pneumorator» использует сенсоры для измерения изменений, связанных с расширением грудной клетки или изменениями в составе легких.

Это устройство можно будет подключить к смартфону или планшету, чтобы медицинская команда могла оперативно отслеживать данные и получать раннее предупреждение о состоянии пациента.

Ученые Российской академии наука (РАН) и Московского государственного университета имени М. В. Ломоносова (МГУ) подготовили карту приполярных областей Луны и обзор лунных экспедиций, как прошлых, так и будущих. Результаты работы были опубликованы в журнале Solar System Research и выполнены при поддержке Минобрнауки России.

Карта охватывает северную и южную приполярные области Луны, ограниченные параллелями +/-55°. Важной целью проекта было отображение места посадки индийского космического аппарата «Чандраян-3» и падений других миссий, в том числе российской «Луны-25».

Работа была выполнена сотрудниками лаборатории геохимии Луны и планет РАН и Государственного астрономического института МГУ. Карта составлена в масштабе 1:11,5 млн в полярной стереографической проекции. Рельеф лунной поверхности был проиллюстрирован с использованием многоцветной гипсометрической окраски и дополнен аналитической отмывкой, полученной из цифровой модели данных лазерного альтиметра LOLA с борта аппарата Lunar Reconnaissance Orbiter.

На карте обозначены места падений различных космических аппаратов, а также ключевые лунные образования с подписями на латыне и русском языках.