Наука

Есть возраст в паспорте, а есть "биологический" возраст. Второе можно определить по лицу. И это не какие-то приколы из соцсетей, это научное исследование. "Биологический" возраст буквально предсказывает продолжительность жизни. Кто моложе выглядит, тот дольше проживет. Исследование еще из 2009: люди оценивали внешку 1826 близнецов и те, кто выглядел старше - первыми и умирали. Но теперь у нас есть нейронки. И гарвардский проект FaceAge. Чуваки натренили нейронку на фотографиях (и продолжают тренировать). Тут можно загрузить свои фотки и узнать, выглядишь ли ты моложе или старше своего возраста. Ну и заодно помочь ученым собрать базу. Сайт делали не вайбкодеры, поэтому он тормознутый и результатов можно ждать несколько часов (я вот до сих пор жду). 🏖 Интересно, что косметология и макияж не влияют на результат, а вот курение - да. Курящие в среднем выглядят на 3 года старше некурящих или давно бросивших. Что с этой информацией делать - не оч понятно, но все равно интереснее, чем проходить тесты "какой ты сыр" и "кто ты из феечек винкс" ¯\_(ツ)_/¯

Пять ошибок на миллион логических операций — Quantinuum в 100 раз превзошла результат Google по коррекции ошибок Quantinuum заявила о точности квантовых вычислений 99,9995% — это около пяти ошибок на миллион логических операций. На 98-кубитной системе Helios компания использовала цветовой код коррекции ошибок и превзошла прошлый результат примерно в 10 раз, а показатель Google — примерно в 100 раз. При увеличении «расстояния» кода частота ошибок квантовой памяти снижалась в среднем в 12 раз, что подтверждает эффективность масштабирования защиты. Следующий шаг Quantinuum — отказоустойчивый компьютер Apollo, запуск которого запланирован на 2029 год. #quantinuum #коррекция #квантовыевычисления 📎Подробнее 🔖 3DNews в TG | MAX | VK

Большая подборка космических карт для тех, кому на Земле уже скучно На земных картах можно рассмотреть почти любой уголок планеты. С Марсом, Луной и другими небесными телами сложнее: их карты приходится собирать по кусочкам из данных космических аппаратов. Зато изучать их теперь можно прямо в браузере. Например, проследить маршруты Curiosity и Perseverance, приблизить поверхность Луны до отдельных валунов или перемотать время вперёд, чтобы увидеть будущее положение «Вояджера-2». Причём некоторые из этих сервисов используют те же научные данные, с которыми работают специалисты космических миссий. И это только часть подборки. Здесь есть и простые интерактивные модели для любопытных, и профессиональные атласы для работы с данными астрономических наблюдений.

В какой-то момент обучения кажется, что в любой области – бесконечное количество тем и их никогда все не изучить. При работе же иногда возникает ощущение, что достаточно хорошо понять лишь с пару десятков фундаментальных вещей и они закроют 95% всех задач, которые вам встретятся. А многие прорывные работы – просто умное использование или расширение этих тем. Вот то, что встречается постоянно в вычислительной биологии: 🤘 Линейная регрессия. Разберитесь в этой теме и вы поймёте огромное количество статистических методов. Кроме того, линрегом можно решить удивительное количество задач и без всяких нейросетей. Ну и логистическую регрессию туда же. Чисто AGI на минималках 🤘 Principal component analysis (PCA, он же метод главных компонент). Этот придуманный 100 лет назад метод до сих пор рвёт многие foundational large scale general purpose gluten free organic модели. Не шутка 🤘 p-value. Это далеко не идеальная штука, но уж очень распространённая. Просто разберитесь один раз как она на самом деле работает и что означает, посчитайте руками на разных примерах. И вам этот мир станет сильно более понятен 🤘 Разбиение на тренировочную, валидационную и тестовую выборки. Почти в любой области вот прямо сейчас можно написать хорошую работу, найдя примеры дурацких разбиений в популярных статьях 🤘 Основные задачи машинного обучения – регрессия, классификация, representation learning, генеративный ИИ. Хотя бы что это такое, лучше – с метриками для оценки, их особенностями и недостатками 🤘 Хотя бы на пальцах (если вы не разрабатываете методы) – что такое полносвязные и свёрточные нейросети, а также трансформеры. Если вы ML-разработчик, нужно уметь написать их все руками с как можно меньшим использованием библиотек. Смотрите Карпатого для эталонных примеров 🤘 Байесовский подход. В зависимости от личных предпочтений, можно как ознакомиться с основами, так и закопаться в него на всю жизнь. Но хотя бы в общих чертах понимать надо А если вы разрабатываете новые методы машинного обучения, в дополнение к предыдущим постоянно встречаются следующие темы: 🤘 Метрики. Вы должны понимать метрики из вашей области как вашего родного брата. Если брата у вас нет, можно будет представить, что у вас он появится со странным именем Рокаук. Не берите метрики просто так из книги, курса или другой статьи. Знайте как они ведут себя на ваших данных, что они показывают, а что пропускают. Посмотрите на данные глазами и заметьте паттерны, а затем превратите их в метрику. Часто подбор правильной метрики – это как минимум пол пути к разработке нового метода 🤘 KL divergence. Просто удивительно часто встречающаяся штука 🤘 Singular Value Decomposition. Лучше разбираться вместе с PCA. Постоянно встречается в математических выводах 🤘 Неравенство Йенсена туда же. Я лично никогда не применял в работе, но в выводах читаю постоянно 🤘 Градиентные методы оптимизации. Хотя бы прочитайте раздел в книге Deep Learning и оригинальную статью по Adam, посмотрите пару лекций и напишите всё руками 🤘 Основные лосс-функции – хотя бы MSE и кросс-энтропия вам должны быть знакомы как мама родная. Если двух родителей вам мало, посмотрите ещё статью по InfoNCE 🤘 Преобразование Фурье. Не во всех областях встречается часто, но тоже очень фундаментальная вещь, которую нужно понимать Мне нравится изучать темы через применение, понимание, а затем их поломку. Сперва разберитесь, зачем что-то нужно на практике, используя как чёрный ящик. Потом поймите как это работает. И наконец найдите случаи, когда это не работает. Для относительно новых методов лучше всего начать с чтения оригинальных статей, там часто всё очень хорошо написано. Скормите это сообщение любимому чат-боту, он придумает вам подробный план Базу для этого – матан, линал – тоже, конечно, знать нужно. Заботайте эти темы, дополируйте парой практических проектов и будет вам счастье в карьере и жизни (но это не точно). И не надо думать, что учиться бессмсленно, потому что ИИ всё знает лучше. Понимание этих тем выведет ваше общение с ИИ на совсем другой уровень. И как бонус – позволит проходить собеседования Что пропустил? Пишите в комментариях! А если вы ведёте телеграм-канал, напишите такой же список по вашей области, буду рад собрать их в подборку

Как статья 2014 года стала кнопкой на всех маркетплейсах На днях Elsevier (это крупнейшей научное издательство в мире, им принадлежат The Lancet, Cell, платформа ScienceDirect и т.д.) опубликовало список самых цитируемых учёных мира за 2025 год, и в топ-1% по ИИ и обработке изображений попали исследователи из Yandex Research - например, Людмила Прохоренкова (автор статьи про CatBoost) и Артём Бабенко. Новость важная, но чтобы она стала менее абстрактной и более "фичевой" - давайте на конкретном примере покажу, как научная цитируемость превращается в конкретную кнопку, которую мы жмём каждую неделю или около того. Год назад я разбирал, как все российские маркетплейсы разом - от Маркета до Озона и т.д. - одновременно внедрили примерно одинаковый поиск по фото. С тех пор он стал весьма востребованной фичей, кстати. Так вот, у него есть конкретная дата рождения: 2014 год, из статьи того самого Артёма Бабенко и его коллег про "нейрокоды". Идея там была довольно-таки хулиганская. Они взяли нейронку, обученную совсем другому - например, отличать питбулей от картошки (это кстати не так просто, если вы понимаете о чём я). Но вместо финального ответа вытащили из неё числа с внутренних слоёв. И оказалось, что эти числа представляют собой отличное описание картинки: если у двух фоток они близки, значит, на них похожие штуки. То есть, нейронку никто специально не учил искать похожие фотки, но она сама это делала. Плюс, бонусом выяснилось, что такое описание можно ужать до короткого вектора почти без потери точности - а значит, хранить и перебирать миллиард товаров можно экономически рентабельно. С тех пор любой поиск по фото примерно так и устроен. Ваша фотка кроссовка превращается в вектор, кроссовки в каталоге - тоже, и ближайшие векторы выдаются вам как результат. Это объясняет, почему фича у всех появилась одновременно и выглядит примерно одинаково. Потому что рецепт один, и он существовал уже давно. И как только обвязка под него достигла сносного уровня - его тут же все запилили. А конкуренция идёт уже не в самой фиче, а в том, насколько чисто размечен каталог и насколько годно сеть дообучили именно на своих товарах (в той статье 2014 года про пользу такого дообучения тоже написано, кстати). Так что, если вдруг маркетплейс по фото вашей кружки найдёт унитаз - не ругайте учёных. Нейронка всё делает правильно, просто кто-то поленился её дообучить. Фичизм

Свет против деменции? Сколько яркого света вы ловите за день? Если почти всё время проходит в помещении, то, возможно, совсем немного: обычное комнатное освещение заметно тусклее даже пасмурного неба. И, похоже, мозгу это не безразлично. Команда под руководством учёных из Гуанчжоуского медицинского университета проследила за 87 577 взрослыми. Каждый участник неделю носил на запястье устройство с датчиком освещённости, которое фиксировало, сколько света он получает днём и ночью. Затем людей наблюдали несколько лет — медиана составила 8,1 года. За это время деменция развилась у 741 человека. Результат такой. У тех, чья средняя дневная освещённость превышала 1000 люкс, риск деменции оказался на 16% ниже, чем у тех, кому доставалось меньше света. Для ориентира: 1000 люкс — это примерно пасмурный день на улице. Роль играла и продолжительность: при 42 минутах и больше по-настоящему яркого света, от 5000 люкс, риск был ниже на 17%. Связь сохранялась даже после поправки на множество факторов здоровья, образа жизни и окружающей среды. Ещё любопытнее отдельный анализ. Меньше 42 минут яркого дневного света оказались более сильным предсказателем деменции, чем шесть известных факторов риска — включая ожирение, алкоголь и черепно-мозговые травмы. А вот со светом по ночам статистически значимой связи не нашли. Почему так может быть? Дневной свет настраивает циркадные ритмы — внутренние часы организма, которые управляют сном, активностью и работой мозга. Дополнительные анализы намекают, что часть связи объясняют как раз различия в этих ритмах и в некоторых структурах мозга. Сильнее всего связь проявлялась у «сов», у носителей генетического варианта APOE ε4 и у тех, кто больше подвергался свету по ночам. Авторы осторожно называют дневной свет возможным новым индикатором риска — и подчёркивают, что нужны исследования, которые проверят, влияет ли изменение светового режима на риск напрямую. @vselennayaplus

🌟 Ai2 выпустила ИИ-эмулятор климата с прогнозом погоды Новая версия климатического эмулятора Института Аллена воспроизводит ливни, ураганный ветер и перепады давления с детализацией до 3 км.

Обычно такие данные дают глобальные модели от NOAA, разрешающие отдельные грозы, но их запуск требует больших вычислительных ресурсов.

По оценке Ai2, глобальные данные с разрешением 3 км HiRO-ACEv2 выдаёт примерно в 300 раз дешевле модели X-SHiELD, а для отдельного региона расчёт может обойтись примерно в 100 раз дешевле. Эмулятор умеет запускать многолетние сценарии (в анонсе - десятилетние), и выдавать каждые 6 часов осадки, ветер на высоте 10 метров и давление на уровне моря как по всей планете, так и по выбранному региону. Работает он в полосе от 66 градусов южной широты до 70 градусов северной. Пока модель повторяет только климат X-SHiELD, поэтому сценарии потепления или реальную историю погоды по архиву ERA5 она не воспроизводит. 🟡Система состоит из двух моделей Климатический эмулятор ACE считает атмосферу на грубой сетке 100 км, а диффузионная модель HiRO доводит его результат до 3 км.

В новой версии HiRO уточняет сразу несколько полей, а не только осадки, как раньше.

🟡Тесты Если на вход HiROv2 подать загрублённые данные X-SHiELD, статистика детализированных полей совпадает с оригиналом с точностью до 3%, включая события, которые встречаются раз на миллион точек. Суммарную энергию тропических циклонов модель оценивает точно, в том числе для штормов, которых не было в обучающих данных. Ураганы получаются с реалистичным глазом и полосами дождя, но ветер и давление вокруг глаза распределены несимметричнее, чем у X-SHiELD. В десятилетнем прогоне полной системы климатические средние и распределения осадков, ветра и давления близки к X-SHiELD.

Учебные ноутбуки доступны в репозитории ACE на GitHub, готовые прогоны можно посмотреть в веб-демо.

📌Лицензирование: Apache 2.0 🟡Блогпост 🟡Набор моделей ACE 🟡Документация 🟡Модель 🟡Arxiv 🟡Демо 🖥GitHub @ai_machinelearning_big_data #AI #ML #Climate #HiROACEv2 #Ai2