AML

Anthropic и OpenAI дают доступ к своим самым последним Ml Это сильно повлияет на институт государства Это большой культурный шифт Государство становится программным обеспечением, которое может работать без людей, которые сегодня находятся внутри и уже не имеют ценности

Lean 4 — это интерактивный помощник по доказательствам, где математика пишется как код, а машина проверяет каждое определение и шаг рассуждения Учебник Mathematics in Lean учит формализовывать задачи на понятном «языке доказательств»: от элементарной теории чисел до анализа и меры За спиной — большая библиотека Mathlib и активное сообщество в чате Lean Zulip, так что вы не останетесь одни Книга задумана как «живой» учебник внутри VS Code Открываете Lean, печатаете определения и леммы, а в правой панели сразу видите цели и подсказки от системы Практика — в центре: каждый раздел сопровождается файлом с примерами и упражнениями, их удобно править прямо в редакторе и тут же смотреть реакцию Lean (вплоть до простых экспериментов вроде #eval "Привет, мир!") Старт простой: ставите Lean 4 и VS Code, клонируете репозиторий mathematics_in_lean, открываете папку MIL и работаете в своей копии, чтобы безболезненно подтягивать обновления Внутри — аккуратная структура по главам, текстовые подсказки и готовые решения в отдельной папке для самопроверки Документацию удобно вызывать прямо из редактора через команду «Lean 4: Docs» Если не хочется настраивать среду локально, всё запускается в облаке через Gitpod: открыли проект — и можно учиться с телефона или любого ноутбука Учебник ещё развивается, поэтому время от времени стоит обновлять репозиторий — материалы пополняются https://leanprover-community.github.io/mathematics_in_lean/C01_Introduction.html

TRIBE (Trimodal Brain Encoder) с 1.000.000.000 параметров — первая сеть, обученная предсказывать реакции мозга на стимулы в разных модальностях, кортикальных областях и у разных людей Модель объединяет предварительно обученные представления нескольких базовых моделей: - текстовой (Llama 3.2), - аудио (Wav2Vec2-BERT от Seamless) - видео (V-JEPA 2), чтобы предсказывать пространственно-временные отклики мозга (fMRI) на фильмы, собранные в рамках проекта Courtois NeuroMod (80 часов на каждого испытуемого) Команда разработчиков модели FAIR’s Brain & AI заняла 1-е место на соревновании по моделированию мозга Algonauts 2025 Код Данные

Исследование от международной коллаборации ведущих университетов и исследовательских центров Интернет эволюционирует от библиотеки документов к экосистеме взаимодействующих интеллектов, где агенты создают контент друг для друга, возможно никогда не показывая его людям Главное, на что делают акцент исследователи - переход от "пользователь делает" к "пользователь делегирует" — вместо ручного выполнения задач в интернете, люди теперь ставят цели, а Ml-агенты автономно их достигают Какие изменения предполагаются: 1. Веб-страницы становятся активными программными агентами 2. Гиперссылки превращаются в каналы координации между агентами 3. Информация встраивается в параметры Ml-моделей, а не хранится в документах Новые протоколы связи: MCP — агенты ↔ инструменты/сервисы A2A — агент ↔ агент прямая коммуникация Экономика внимания Ml-агентов - сервисы теперь конкурируют не за клики людей, а за выбор агентами Рождается новая бизнес-модель, где агенты становятся "покупателями" Вызовы: Безопасность — как контролировать автономные системы Экономика — кто платит за действия агентов Управление — как регулировать машинные решения Доверие — как обеспечить надежность агентов GitHub

Квантовое преобразование Фурье — это не просто красивая математическая абстракция, а настоящий «швейцарский нож» квантовых вычислений Пусть есть сложный квантовый сигнал — суперпозиция множества состояний с разными амплитудами Классический компьютер должен был бы анализировать каждую компоненту по отдельности, что заняло бы экспоненциальное время QFT же благодаря квантовому параллелизму анализирует все компоненты одновременно В основе QFT лежит та же математическая идея, что и в классическом преобразовании Фурье: любой сигнал можно разложить на синусоиды разных частот Но в квантовом случае «сигналом» служит вектор амплитуд квантового состояния, а «частоты» — это фазовые соотношения между базисными состояниями Классический алгоритм быстрого преобразования Фурье требует O(N log N) операций для обработки N точек данных Квантовый же требует всего O(n2) квантовых гейтов для n кубитов, где N = 2n Это означает экспоненциальное ускорение: для обработки миллиона точек классически нужно около 20.000.000 операций, квантово — всего 400 гейтов! Секрет такой эффективности — в умной декомпозиции. QFT можно представить как произведение простых операций: гейтов Адамара и контролируемых фазовых сдвигов Каждый кубит последовательно обрабатывается гейтом Адамара, который создаёт суперпозицию, а затем серией контролируемых поворотов, которые вносят нужные фазовые сдвиги в зависимости от состояний других кубитов Практическая реализация на Qiskit выглядит удивительно компактно: from qiskit import QuantumCircuit from qiskit.circuit.library import QFT import numpy as np def create_qft_demo(n_qubits): """Демонстрация QFT для поиска периода""" qc = QuantumCircuit(n_qubits) # Подготавливаем периодическое состояние for i in range(n_qubits): qc.h(i) # Добавляем фазовые сдвиги для создания периода period = 3 for i in range(n_qubits): qc.p(2 * np.pi * i / period, i) # Применяем QFT qft = QFT(n_qubits) qc.compose(qft, inplace=True) return qc # Создаём и визуализируем схему circuit = create_qft_demo(4) print("QFT готов к поиску скрытого периода!") Ещё одно удивительное свойство QFT — его обратимость Поскольку это унитарное преобразование, существует обратный QFT†, который точно восстанавливает исходное состояние Это критически важно для квантовых алгоритмов, когда нужно «распаковать» информацию из частотного представления обратно в амплитудное В квантовой оценке фазы QFT работает как точный «частотомер» для квантовых состояний Если у нас есть собственное состояние унитарного оператора с неизвестной фазой, QFT может извлечь эту фазу с экспоненциальной точностью — n кубитов дают точность до 2–n радиан Это как если бы у вас был музыкальный инструмент, который может определить частоту ноты с точностью до миллионных долей герца Но самое захватывающее в QFT — это то, как он превращает локальную информацию в глобальную Классические алгоритмы должны «собирать» информацию по кусочкам, QFT же благодаря квантовой суперпозиции и интерференции извлекает глобальные свойства функции за один «взгляд» Это принципиально новый способ обработки информации, который становится основой квантового превосходства QFT — это мост между дискретной математикой и непрерывной физикой, между классическими вычислениями и квантовой реальностью Когда квантовые компьютеры станут повсеместными, именно QFT будет тем инструментом, который откроет доступ к решению задач, которые сегодня кажутся невозможными

Нанопоровое секвенирование активнее используется в лабораториях: компактное оборудование, быстрое получение длинных прочтений, возможность работы в полевых условиях — всё это делает технологию особенно привлекательной для молекулярных биологов Но вместе с доступностью платформы растёт и объём данных, которые приходится обрабатывать самим исследователям Сегодня уже недостаточно просто загрузить образец в прибор — чтобы получить осмысленный результат, нужно уметь уверенно работать с сигналами, выравниваниями, сборками и вариантами Базовая биоинформатика становится неотъемлемой частью лабораторной практики

Ml для моделирования, прогнозирования и планирования процессов Проект реализуется в рамках соответствующего контракта со структурами АП, в рамках исполнения Указа Президента «Об основах государственной политики в сфере стратегического планирования»

Представлен Einstein Fields (`EinFields`) — неявные нейронные сети для сжатия вычислительно затратных 4D-симуляции из области численной относительности в компактные веса нейросети Вместо традиционных дискретных сеточных методов EinFields моделирует метрический тензор — как непрерывную функцию пространственно-временных координат Модель выучивает это фундаментальное геометрическое представление из аналитических или численных решений, а все остальные физические величины, такие как тензоры кривизны и траектории частиц (геодезические), выводятся уже постфактум с помощью автоматического дифференцирования (AD) Подход решает проблему колоссальных вычислительных затрат и огромных объёмов хранения данных в численной относительности EinFields достигают коэффициентов сжатия до 4000x, сохраняя при этом высокую точность Использование AD позволяет получать производные, которые на порядки точнее традиционных конечно-разностных методов Это открывает путь к более эффективному, гибкому и точному способу хранения, анализа и извлечения физических инсайтов из сложных симуляций пространства-времени, что потенциально может привести к созданию нового класса гибридных моделей на стыке Ml и фундаментальной науки Численная относительность (NR) — краеугольный камень современной физики, позволяющий симулировать экстремальные явления Симуляции известны своей ресурсоёмкостью: требуют петаскейльных суперкомпьютеров для решения сложных, нелинейных уравнений поля (УПЭ) на дискретных пространственно-временных сетках В статье представлен Einstein Fields — новый подход, который стремится переосмыслить эту вычислительную задачу, объединяя принципы общей теории относительности с мощью нейронных полей Суть идеи в том, чтобы перейти от явного, сеточного хранения данных к компактному, непрерывному и дифференцируемому нейронному представлению Вместо хранения терабайтов точек данных, вся 4D-симуляция пространства-времени сжимается в веса неявной нейронной сети Это не просто метод сжатия данных, а фундаментально новый способ взаимодействия с симулированными пространствами-временами и извлечения из них физики Методология: выучиваем ткань пространства-времени Ядро EinFields — это нейронная сеть (обычно многослойный перцептрон, MLP), которая выучивает представление метрического тензора Метрика — это фундаментальный объект в общей теории относительности, кодирующий геометрию пространства-времени и управляющий всем, от расстояний и углов до путей света и материи Методология строится на нескольких ключевых принципах: Декомпозиция искажения: чтобы повысить эффективность обучения, модель обучается не на полной метрике, а на её «искажении» — тривиальный плоский фон Минковского Это позволяет сети выучивать только интересные «складки» и «изгибы» пространства-времени, не тратя свою ёмкость на повторное изучение огромного, неизменного плоского фона Einstein Fields: A Neural Perspective To Computational General Relativity Sandeep S. Cranganore, Andrei Bodnar, Arturs Berzins, Johannes Brandstetter https://arxiv.org/abs/2507.11589 https://github.com/AndreiB137/EinFields https://arxiviq.substack.com/p/einstein-fields-a-neural-perspective

Могут ли моральные терзания человека подчиняться законам математической логики? На этот вопрос в своей книге «Алгебра совести» ответил В.А. Лефевр, советский учёный, ставший профессором Калифорнийского университета Он предложил радикальную идею: совесть…

TrustedSec продолжает публиковать исследования из серии Hiding in Plain Sight, посвященные анализу нетривиальных методов для хранения данных или полезных нагрузок В предыдущим отчете исследовался простой метод кодирования полезной нагрузки в значения RGB файла PNG и размещения его в публичных местах - imgDevil (на Github) Теперь же ресерчеры решили поэкспериментировать с методом сокрытия данных - в некотором смысле, безфайловым»решением для хранения данных, который получил название dirDevil Представленный метод реализует сокрытие вредоносного кода и данных в структурах папок Плюсы и минусы метода - в отчете, а PoC - на GitHub

Если В. Лефевр создал скелет математической модели совести, то С.А. Анисимова в своей работе 2004 году «Психотехнологии в культовых организациях и теория рефлексии» обрастила его плотью Анисимова взяла за основу булеву модель Лефевра, но добавила в неё психологическую…