У охотников-собирателей было достаточно свободного времени. Тяжелый труд, неполноценное питание — это уже после изобретения земледелия.
Ну не знаю… А зачем тогда следующим поколениям было переходить на земледелие? Раз им и так было хорошо. Технологии появляются, чтобы облегчить жизнь. А не чтобы усложнить.
Но я про другое — деревни не менялись столетиями, имея религию и ремесло (искусство тоже было, вроде резных наличников, хотя это наверно можно отнести к ремеслу). Некоторые даже до текущего времени дожили в почти первозданном виде. Туалет на улице, воду из колодцев люди до сих пор носят ведрами и умываются из кружки, вот это все. Электричество только для света.
Значит катализатором развития было что-то другое. Я бы предположил, что города. Деревни самодостаточные, а в городе еду не производят. Вот и вынуждены были договариваться/торговать/захватывать окружающих. А это какая никакая, а движуха и пища для работы мозга. Плюс первые города появлялись на оживленных торговых перекрестках либо были портовыми.
А вот в условиях городов религия, искусство и ремесло однозначно вели к прогрессу. Но раз в современных и средневековых деревнях они не помогают, то скорее всего и в первобытных обществах это было забавным побочным эффектом деятельности мозга, но не причиной его развития. Имхо.
Да пробовали это, как и все основные биологические идеи, не сильно помогает, вроде бы.
Потому что для статичных картинок/классификации оно нафиг не нужно. Свертки прекрасно справляются с локальными фичами. А к видео и динамике (то есть, корреляциям по времени) только сейчас начали подбираться.
Простой пример: делаем случайные действия и обучаем нейросеть предсказывать те действия, что привели к награде (постепенно снижая степень случайности и больше доверяя предсказанным действиям, конечно). Ни одна архитектура существующих нейросетей не справляется с этой задачей. Приходится извращаться с регуляризацией в RL и использовать всякие трюки вроде догоняющей «target» нейросети, чтобы повысить стабильность обучения. И то все это работает пока через пень колоду. Отсюда вывод: к динамике существующие сети плохо приспособлены.
Но нельзя исключать, что это просто проблема масштаба. Ведь какая разница, работать с трехмерным массивом или четырехмерным. Единственное отличие, которое напрашивается — причинно-следственные связи в динамике. Но влияет это или нет — неизвестно. По идее, все это поиск паттернов, поэтому большой разницы не должно быть.
Нууу, это спорно. Вот пример из жизни: можно быть прекрасным программистом, легко понимать и запоминать длинные алгоритмы, с ветвлениями и прочим. То есть, фундаментальная логика развита. Но при этом быть полностью неспособным запомнить мелодию из пары десятков нот. Хотя они такая же логическая последовательность из следующих друг за другом атомарных элементов (даже короче большинства программ!). Присутствуют даже пара простых циклов в виде припевов.
А значит дело тупо в тренировке и опыте. А не в фундаментальной логике. Она конечно помогает в задачах, родственных алгоритмам. Но есть подозрение, что это тоже дело тренировки. Например, для аргументированного спора надо знать критерий фальсифицируемости и другие подобные логические приемы, которые в программировании вообще никак не встречаются. Другая область, другие «фундаментальные логики», как они описаны в статье. Так что универсальный язык вряд ли получится. Просто все существующие языки программирования очень похожи, что облегчает переход между ними.
Ну, религия это точно не показатель интеллекта. Это скорее из области социального устройства, потребности в альфа-самце, доставшейся людям от предков приматов. Так как у обезьян обычно именно такая социальная структура. Хотя сам факт появления религии это, безусловно, работа интеллекта — работа мозга как нейронной сети по заполнению пробелов в знаниях с помощью выдумки и воображения.
Я просто не понаслышке знаю какой может быть в аграрной деревне ежедневный отупляющий труд. Там может столетиями ничего не меняться, никакого прогресса. Ни религия, ни искусство, ни местные ремесла, которые есть в каждой деревне, не помогают. В таких условиях (в чем-то близких к тому, что были у неандертальцев, т.е. ежедневный физический труд в течении светового дня только для поддержания жизнедеятельности) заставляют людей шевелиться только внешние беды. Вроде войн, наводнений и массовых переселений. А например, пожары отдельных домов на общество вообще никак не влияют. Что интересно, инстинктивная тяга молодежи к экспансии (общая для всего животного мира, в принципе), на развитии исходного сообщества тоже никак не сказывается. Потому что те кто хочет изменений переселяются, а остаются те кто поддерживает существующие ценности, и поэтому они не способствуют развитию. Ну, это из личных наблюдений, не факт что это общая тенденция. Может где-то в других местах религия, искусство и ремесла помогали развитию мозга/общества (ха-ха, сарказм).
Собаки это взрослые щенки, у них целенаправленно в процессе селекции выбирались эти качества (через послушность и зависимость от человека). Хотя конечно интересный вопрос, что из этого определяется изменением физиологии, а что воспитанием. Например, известен опыт когда под две миски кладут лакомство. И собака, и воспитанный дома волк своим нюхом определяют под какой миской оно лежит. Волк бежит сразу к лакомству, независимо от того, на какую миску показывает рукой хозяин. А собака сначала проверяет миску, куда указывает человек, хотя знает где лакомство находится на самом деле. Конечно, тут могут быть отличия в воспитании (волков не так уж часто разводят дома, поэтому отношение к ним может быть отличным чем к собакам). Но это вроде как известный факт, что даже выращенные дома волки более самостоятельные.
Если это не воспитание, а физиология, то это полностью искусственное влияние человека на эволюцию собак. И по эволюционным меркам, чрезвычайно быстрый прогресс их интеллекта (эмоционального, по крайней мере).
Перевод с сохранением голоса и интонаций действительно не помешал бы. А то ничего не понятно что там происходит.
P.S. Если что, я обычный естественный человек, мои любимые человеческие хобби дышать воздухом и ходить на ногах
Вроде как на данный момент не хватает данных, чтобы делать однозначные выводы почему вымерли неандертальцы. Скорее всего повлияла среда или начальные условия. Тех же азиатов сейчас так много не потому, что они быстро плодятся, а потому их изначально на этой территории было больше. И это естественный прирост за это время.
Кроме того, называть неандертальцев и кроманьонцев разумными — слишком громкое заявление. Они все же были ближе к животным, чем к современным людям.
А так у нас прямо сейчас есть два почти полноценных разума на одной территории — в процессе одомашнивания, за каких-то несколько тысяч лет эмоциональный интеллект собак стал выше интеллекта приматов. Так что собаки стремительно движутся к тому, чтобы стать нашими ближайшими братьями по разуму. Еще пару тысяч лет, и будет у нас на планете два разумных вида. Шучу, генная инженерия сделает это раньше [1, 2]
Хех, сначала отказались от спектрограмм в пользу waveform, а теперь от звуковой волны обратно к спектрограммам, причем к классической голосовой mel-спектрограмме, судя по названию. И каждый раз преподносится, что такой входной формат подходит намного лучше, чем предыдущий. Ну-ну.
Дело в чем-то другом. В архитектуре сети, вычислительной мощности или в датасете.
Под полным забыванием подразумевалось, что Вы забываете свое имя, место жительства, родителей, школьную программу
Для таких вещей в долговременной памяти в мозге, судя по всему, формируются отдельные кластеры нейронов. «Нейроны бабушки», условно говоря. У мозга есть десятки нейромедиаторов, чтобы эти места больше не трогать и хранить их всю жизнь. Эти места потом очень сложно заменить. Один из самых эффективных способов лечение различных фобий как раз и заключается в том, чтобы путем постепенной подсадки новых воспоминаний заменить старые болезненные. Почти что классическое переучивание нейросети.
В искусственных нейросетях нет этого механизма защиты нужных воспоминаний, поэтому переучиваются сразу все. И это проблема. Один из путей достигнуть lifelong learning как раз в том, чтобы при каждом новом обучении сигнал шел по новым путям, не трогая сформировавшиеся долговременные воспоминания. Но тут есть проблема по каким критериям выбирать эти пути (они ведь должны частично пересекаться), да и емкость сети резко падает, что при текущих вычислительных возможностях не айс.
Строго говоря, динозаврам тоже ничего не мешало развивать мозг. У птиц — прямых потомков динозавров, также как у динозавров, не имеющих неокортекс, который есть у млекопитающих, его функцию может успешно выполнять такой древних орган мозга, как полосатое тело. Врановым и попугаям (самые умные среди птиц) для этого пришлось всего лишь удвоить число нейронов в нем, уменьшив размер отдельных нейронов. Этого оказалось достаточно, чтобы достигнуть когнитивных способностей, сравнимых с приматам.
Насчет общего развития мозга мне нравится объяснение, которое дается например в лекциях Станислава Дробышевского «Неизбежен ли разум?». Мол, дело в удачном стечении обстоятельств: размера животного, образа жизни, социальной структуры, особенностей соседства с хищниками и перемен вроде осаванивания африки. Выглядит правдоподобно.
Ну… вы как минимум пропустили Sparse Attention ( openai.com/blog/sparse-transformer )
Там еще раньше был Transformer-XL (https://ai.googleblog.com/2019/01/transformer-xl-unleashing-potential-of.html), который решал такую же задачу по увеличению длины внимания. А вот PhasedLSTM интересно. Похоже, что это может имитировать работу нейронов на разных временных масштабах и имеет прямое отношение к теме. Так-то и раньше пытались разными способами увеличивать рецептивное поле по шкале времени: иерархические RNN сети вроде SampleRNN, какая-то разновидность Transfromer тоже умела в динамические вычисления (пропуски шагов), если не ошибаюсь.
Мне кажется, в современных нейронных сетях пока слабо имитируется особенность биологических нейронов расти во все стороны и цеплять ближайших соседей. И усиливать связи при часто повторяющихся во времени сигналах. Что-то вроде правила Хэбба (которое в чистом виде работает плохо, как известно). А ведь именно этим, похоже, определяется такая хорошая способность мозга делать корреляции по времени между событиями. Не зря ведь существует отдельная кратковременная память, в которой эти корреляции выявляются. Я не говорю, что надо переходить на Spiking Networks (SNN), хотелось бы именно обычную архитектуру, но с лучшей способностью работать со временем. Имхо, это критически важно для задач вроде Reinforcement Learning. PhasedLSTM хорошая попытка.
Ну, саблевидные лопасти обычно используют только для снижения шума. Так-то они хуже классических прямых. Точнее, не прямых — а эллипсовидных, у которых минимальное индуктивное сопротивление. Аэродинамика длинной лопасти очень близка к аэродинамике самолетного крыла, поэтому и зависимости похожие.
Хотя что-то там вроде мутят с саблевидными на около и сверхзвуковых скоростях (не полета, а скорости потока у кончика винта), но я в этом не разбираюсь. Там совсем другая история и другая физика. Из-за того, что фронт давления движется со скоростью звука, поэтому на сверхзвуковых скоростях давление не успевает улететь и воздух в буквальном смысле сжимается. Возникают скачки уплотнения, нагрев и прочие нюансы термодинамики.
Это зависит от:
1. диаметра
2. подводимой мощности
3. скорости полета
4. плотности воздуха (на разной высоте разная), требуемой расчетной тяги (кот. зависит от массы ЛА и его аэродин.качества на этой скорости полета), массы конструкции и еще пары десятков требований
При разных условиях результат может быть полностью противоположным. В целом, можно смотреть на существующие конструкции — они и есть оптимальные, так как все это было изучено еще чуть ли не в 30-х годах прошлого века.
Несколько примеров:
1. на мощностях менее 10-20 л.с. и диаметрах более метра всегда выгоднее открытый винт
2. на мощностях выше 20 л.с. и диаметрах менее метра выгоднее аэродинамический туннель (длинное глубокое кольцо), выигрыш до 20-30%
3. на мощностях в сотни и тысячи л.с. на скоростях более 400-600 км/час, выгоднее вентиляторные и ТРД разной степени двухконтурности (чем выше скорость, тем меньше нужна двухконтурность), в нижнем диапазоне выгоднее винтиляторные ТРД. По кпд они примерно равны винту+двс, но конструкция ТРД легче по массе
4. на скоростях менее 400 км/час выгоднее турбовинтовые, причем разница в расходе топлива по сравнению с обычным ТРД может быть в разы
5. на скоростях под 200 км/час всегда выгоднее ДВС с винтом, но иногда благодаря малой массе конструкции, могут применяться и разные виды ТРД, а при конструктивном ограничении диаметра, и разные виды винта в кольце (импеллеры и пр.)
Разница в эффективности между разными вариантами может быть единицы/десятки процентов, а может и в разы. Очень сильная зависимость от факторов выше.
И как влияет количество лопастей на тягу?
Самый лучший винт — однолопастный. С максимальным КПД.
Но:
1. на кончике винта скорость потока должна быть дозвуковой, иначе сопротивление резко растет, приводящее к разрушению большинства конструкций обычных винтов, поэтому диаметр приходится ограничивать
2. при этом для создания нужной тяги, приходится увеличивать угол атаки лопасти к потоку (шаг винта)
3. оба эти фактора приводят к тому, что на лопасти начинается срыв потока. Поэтому приходится делать две, три, четыре или более лопастей, чтобы их суммарный шаг оставался как был. Но на каждой лопасти угол атаки/шаг пропорционально уменьшается и лопасти продолжают работать на своих оптимальных углах атаки. Впрочем, даже если условия позволяют использовать однолопастный винт, винты делают двухлопастными из-за простоты балансировки, разница в кпд там исчезающе мала.
4. когда из-за всех этих факторов, диаметр винта получается слишком маленький или когда вынуждены искусственно ограничивать диаметр меньше оптимального, чтобы вписать в конструкцию самолета. Что-то вроде меньше метра при мощностях выше 20 л.с., то из-за того, что удлинение каждой лопасти получается относительно малым, сильно возрастает индуктивное сопротивление, т.к. оно зависит от удлинения. Одной из формой проявления индуктивного сопротивления (но не главной!) является перетекание воздуха через концы лопастей.
Вот тогда появляется смысл заключить винт в кольцо. Причем достаточно широкое, иначе воздух будет продолжать перетекать через все кольцо снаружи. А если сделать это кольцо глубоким как 2-3 диаметра, превратив его в аэродинамический туннель, и (опционально) добавив в него спрямляющие лопатки, и придав передней внутренней части аэродинамический профиль, то можно в сумме еще повысить кпд на десяток процентов.
Если при этом из-за всех этих условий число лопастей получилось больше 4-6, то исторически это называют вентилятором. Когда-то для вентиляторов использовались немного другие методики расчета, чем для винтов, но сейчас с CFD без разницы что считать — один алгоритм одинаково хорошо рассчитывает что открытые винты, что винты в кольце, что вентиляторы со сложными формами лопаток.
И последнее, насчет соосных винтов: они позволяют поднять кпд до 10-15% за счет устранения закрутки струи, а также благодаря тому что второй винт работает в ускоренном потоке (и поэтому должен иметь немного больший шаг), а также потому что первый сужает струю, а второй захватывает около 10% свежего воздуха в виде кольца сверх струи от первого, см. рисунок ниже. Больше ничего (кроме разве что устранения вращающего момента, иногда это важно) соосные винты не дают и равносильны одинарному винту. В кольце их использовать большого смысла нет, лучше поставить спрямляющие неподвижные лопатки.
С видео такая же трудность, как с музыкой или аудио — в сверточных сетях не так уж важно, где расположен признак, важен сам факт его наличия. А вот в видео и аудио важна именно корреляция во времени. Из-за этого сверточные сети плохо подходят к последовательностями, те же conv1d работают, в основном, за счёт дикой ёмкости сети. А attention по определению не могут обрабатывать длинные последовательности (по крайней мере, пока не изобретут какие-то другие механизмы внимания).
Попытки, ясное дело, предпринимаются. Гибриды cnn+rnn, conv1d, трансформеры и т.д. Но такого же уровня, как CNN для статичных картинок, но чтобы работало так же эффективно с последовательностями (неважно — видео, аудио или в RL), архитектуры нейронных сетей пока нет, к сожалению… А нужны.
Помимо закручивания и турбулентности в потоке, обычный винт ещё и сужает струю за собой. Это тоже потери, так как тогда увеличивается скорость струи и ее кинетическая энергия mv^2, а тягу-то эта суженная струя даёт лишь mv. Длинное аэродинамическое кольцо служит в том числе для того, чтобы не позволить струе за винтом/вентилятором сузиться. Это сильно повышает КПД, если не ошибаюсь, один из главных факторов. Могущий поспорить разве что с ограничением перетекания через концы лопастей. Последнее больше всего актуально при маленьком диаметре и больших мощностях, как в двухконтурных и вентиляторных ТРД. А первое для обычных больших винтов в кольце.
Там центробежная сила большая. Но вообще, эффект от всех этих винглетов равен тому же, что сделать крыло длиннее на длину винглета. И в любом случае, речь идёт о единицах процентов выигрыша, до 10% в самых лучших случаях. Но чем меньше удлинение, тем винглет выгоднее. Просто эти винглеты не особо уменьшают перетекание потока через концы крыльев и не особо снижают индуктивное сопротивление, так как индуктивное сопротивление связано с удлинением крыла и скоростью полета, и является неотъемлемой частью процесса создания подъемной силы. Примерно та же ерунда, что линейная зависимость от скорости струи у тяги (полезная работа) и квадратичной зависимости у кинетической энергии струи (т.е. общих затрат энергии двигателя на создание этой струи). Только у крыльев вместо тяги фигурирует подъемная сила, но принцип тот же.
есть видео на youtube конференции MIT по анализу коннектом дрозофилы, при этом показано, что сам мозг подобен 4х слойной нейросети
Да и человеческий мозг не сильно ушел ). Время реакции одного нейрона 10-20 мс, а минимальное время реакции всего мозга около 100-200 мс. Из этого получаем, что мозг человека минимально равен 10-ти слойной нейросети. Есть даже схема по каким путям идет сигнал и сколько теряется времени в каждом отделе мозга, но не смог найти ссылку.
Но оно и понятно — при ограниченной скорости работы каждого отдельного нейрона, выгоднее иметь как можно меньше последовательных слоев, чтобы реакция была быстрее. А то съедят, пока будешь думать.
Да, и это тоже. Причем чем меньше диаметр и выше мощность, тем важнее устранить кожухом перетекание через кончики винта, о чем вы говорите. И для этого достаточно кольца относительно небольшой ширины (глубины). Но если это что-то вроде кольца на аэросанях, то там короткое кольцо в этом плане вообще не помогает — открытый винт такого же диаметра, как диаметр этого кожуха, будет даже эффективнее. Потому что лопасти и так длинные и у них и так минимальное индуктивное сопротивление. Но если сделать кожух длинным, что-то вроде 2-3-х диаметров, то вот это устранение сужения потока за винтом даст заметную, а скорее всего и основную прибавку в кпд (а значит и в тяге), что-то под 8-10%. Больше, чем от выпрямляющих лопаток внутри корпуса.
В общем, в аэродинамике все сплошные компромиссы. И все зависит от условий работы. Надо считать для конкретного случая. Один и тот же конструктивный элемент, такой как аэродинамический кожух или винглеты, в одним условиях может приносить пользу, а в других вред.
Мне кажется, некоторый тормоз образовался из-за статичной природы современных нейронок. Все что на поверхности, действительно выбрали. Следующим прорывом, имхо, будет применение нейронных сетей к видео. Текущие архитектуры плохо приспособлены к работе с последовательностями (да, даже RNN, не смотря на название). Да и размечать видео на порядок труднее — нет датасетов. И с самими данными из видео возникают проблемы, в силу тонущего в шуме полезного сигнала и плохо приспособленных алгоритмов обучения для этого. С чем во всю силу столкнулось Reinforcement Learning (которое ближе всего к анализу видео, так как работает с последовательностями в течении жизни).
Но только представьте, если текущее состоянии со сверточными сетями будет так же хорошо работать с видео, как они сейчас работают со статичными картинками! Во-первых, это будет нормальная навигация в пространстве — а это робомобили, всякие домашние роботы, которые смогут готовить еду и мыть посуду. Это автоматически уберет привязку к текстурам у статичных нейросетей, появится привязка к форме, а значит нейросети больше не будут путать леопардов с диванами в леопардовой раскраске. Ну и так далее. Возможно, в динамике сам собой появится сильный ИИ, как логичное следствие жизни в динамике. Поэтому очень интересны Disentanglement подходы, пытающиеся выделять/распознавать объекты в картинке/видео без учителя. Это должно помочь при работе с видео, так как устранит разметку. Вручную размечать останется только награду и/или цели для ИИ. Да и это можно заменить любопытством.
Респект за наглядный пример! Хотелось бы добавить, что если оставить отверстие в банке полностью открытым, то КПД такого двигателя (точнее, движителя, т.к. он создаёт тягу для движения) будет максимальным. Но выход банки приходится заужать, чтобы увеличить выходную скорость потока. Потому что тяга зависит от скорости выходной струи: F = m*v. А нам необходимо получить определенную силу тяги, пусть и с меньшим КПД.
Но я про другое — деревни не менялись столетиями, имея религию и ремесло (искусство тоже было, вроде резных наличников, хотя это наверно можно отнести к ремеслу). Некоторые даже до текущего времени дожили в почти первозданном виде. Туалет на улице, воду из колодцев люди до сих пор носят ведрами и умываются из кружки, вот это все. Электричество только для света.
Значит катализатором развития было что-то другое. Я бы предположил, что города. Деревни самодостаточные, а в городе еду не производят. Вот и вынуждены были договариваться/торговать/захватывать окружающих. А это какая никакая, а движуха и пища для работы мозга. Плюс первые города появлялись на оживленных торговых перекрестках либо были портовыми.
А вот в условиях городов религия, искусство и ремесло однозначно вели к прогрессу. Но раз в современных и средневековых деревнях они не помогают, то скорее всего и в первобытных обществах это было забавным побочным эффектом деятельности мозга, но не причиной его развития. Имхо.
Простой пример: делаем случайные действия и обучаем нейросеть предсказывать те действия, что привели к награде (постепенно снижая степень случайности и больше доверяя предсказанным действиям, конечно). Ни одна архитектура существующих нейросетей не справляется с этой задачей. Приходится извращаться с регуляризацией в RL и использовать всякие трюки вроде догоняющей «target» нейросети, чтобы повысить стабильность обучения. И то все это работает пока через пень колоду. Отсюда вывод: к динамике существующие сети плохо приспособлены.
Но нельзя исключать, что это просто проблема масштаба. Ведь какая разница, работать с трехмерным массивом или четырехмерным. Единственное отличие, которое напрашивается — причинно-следственные связи в динамике. Но влияет это или нет — неизвестно. По идее, все это поиск паттернов, поэтому большой разницы не должно быть.
А значит дело тупо в тренировке и опыте. А не в фундаментальной логике. Она конечно помогает в задачах, родственных алгоритмам. Но есть подозрение, что это тоже дело тренировки. Например, для аргументированного спора надо знать критерий фальсифицируемости и другие подобные логические приемы, которые в программировании вообще никак не встречаются. Другая область, другие «фундаментальные логики», как они описаны в статье. Так что универсальный язык вряд ли получится. Просто все существующие языки программирования очень похожи, что облегчает переход между ними.
Я просто не понаслышке знаю какой может быть в аграрной деревне ежедневный отупляющий труд. Там может столетиями ничего не меняться, никакого прогресса. Ни религия, ни искусство, ни местные ремесла, которые есть в каждой деревне, не помогают. В таких условиях (в чем-то близких к тому, что были у неандертальцев, т.е. ежедневный физический труд в течении светового дня только для поддержания жизнедеятельности) заставляют людей шевелиться только внешние беды. Вроде войн, наводнений и массовых переселений. А например, пожары отдельных домов на общество вообще никак не влияют. Что интересно, инстинктивная тяга молодежи к экспансии (общая для всего животного мира, в принципе), на развитии исходного сообщества тоже никак не сказывается. Потому что те кто хочет изменений переселяются, а остаются те кто поддерживает существующие ценности, и поэтому они не способствуют развитию. Ну, это из личных наблюдений, не факт что это общая тенденция. Может где-то в других местах религия, искусство и ремесла помогали развитию мозга/общества (ха-ха, сарказм).
Если это не воспитание, а физиология, то это полностью искусственное влияние человека на эволюцию собак. И по эволюционным меркам, чрезвычайно быстрый прогресс их интеллекта (эмоционального, по крайней мере).
P.S. Если что, я обычный естественный человек, мои любимые человеческие хобби дышать воздухом и ходить на ногах
Кроме того, называть неандертальцев и кроманьонцев разумными — слишком громкое заявление. Они все же были ближе к животным, чем к современным людям.
А так у нас прямо сейчас есть два почти полноценных разума на одной территории — в процессе одомашнивания, за каких-то несколько тысяч лет эмоциональный интеллект собак стал выше интеллекта приматов. Так что собаки стремительно движутся к тому, чтобы стать нашими ближайшими братьями по разуму. Еще пару тысяч лет, и будет у нас на планете два разумных вида. Шучу, генная инженерия сделает это раньше [1, 2]
Дело в чем-то другом. В архитектуре сети, вычислительной мощности или в датасете.
В искусственных нейросетях нет этого механизма защиты нужных воспоминаний, поэтому переучиваются сразу все. И это проблема. Один из путей достигнуть lifelong learning как раз в том, чтобы при каждом новом обучении сигнал шел по новым путям, не трогая сформировавшиеся долговременные воспоминания. Но тут есть проблема по каким критериям выбирать эти пути (они ведь должны частично пересекаться), да и емкость сети резко падает, что при текущих вычислительных возможностях не айс.
Насчет общего развития мозга мне нравится объяснение, которое дается например в лекциях Станислава Дробышевского «Неизбежен ли разум?». Мол, дело в удачном стечении обстоятельств: размера животного, образа жизни, социальной структуры, особенностей соседства с хищниками и перемен вроде осаванивания африки. Выглядит правдоподобно.
Мне кажется, в современных нейронных сетях пока слабо имитируется особенность биологических нейронов расти во все стороны и цеплять ближайших соседей. И усиливать связи при часто повторяющихся во времени сигналах. Что-то вроде правила Хэбба (которое в чистом виде работает плохо, как известно). А ведь именно этим, похоже, определяется такая хорошая способность мозга делать корреляции по времени между событиями. Не зря ведь существует отдельная кратковременная память, в которой эти корреляции выявляются. Я не говорю, что надо переходить на Spiking Networks (SNN), хотелось бы именно обычную архитектуру, но с лучшей способностью работать со временем. Имхо, это критически важно для задач вроде Reinforcement Learning. PhasedLSTM хорошая попытка.
Хотя что-то там вроде мутят с саблевидными на около и сверхзвуковых скоростях (не полета, а скорости потока у кончика винта), но я в этом не разбираюсь. Там совсем другая история и другая физика. Из-за того, что фронт давления движется со скоростью звука, поэтому на сверхзвуковых скоростях давление не успевает улететь и воздух в буквальном смысле сжимается. Возникают скачки уплотнения, нагрев и прочие нюансы термодинамики.
1. диаметра
2. подводимой мощности
3. скорости полета
4. плотности воздуха (на разной высоте разная), требуемой расчетной тяги (кот. зависит от массы ЛА и его аэродин.качества на этой скорости полета), массы конструкции и еще пары десятков требований
При разных условиях результат может быть полностью противоположным. В целом, можно смотреть на существующие конструкции — они и есть оптимальные, так как все это было изучено еще чуть ли не в 30-х годах прошлого века.
Несколько примеров:
1. на мощностях менее 10-20 л.с. и диаметрах более метра всегда выгоднее открытый винт
2. на мощностях выше 20 л.с. и диаметрах менее метра выгоднее аэродинамический туннель (длинное глубокое кольцо), выигрыш до 20-30%
3. на мощностях в сотни и тысячи л.с. на скоростях более 400-600 км/час, выгоднее вентиляторные и ТРД разной степени двухконтурности (чем выше скорость, тем меньше нужна двухконтурность), в нижнем диапазоне выгоднее винтиляторные ТРД. По кпд они примерно равны винту+двс, но конструкция ТРД легче по массе
4. на скоростях менее 400 км/час выгоднее турбовинтовые, причем разница в расходе топлива по сравнению с обычным ТРД может быть в разы
5. на скоростях под 200 км/час всегда выгоднее ДВС с винтом, но иногда благодаря малой массе конструкции, могут применяться и разные виды ТРД, а при конструктивном ограничении диаметра, и разные виды винта в кольце (импеллеры и пр.)
Разница в эффективности между разными вариантами может быть единицы/десятки процентов, а может и в разы. Очень сильная зависимость от факторов выше.
Самый лучший винт — однолопастный. С максимальным КПД.
Но:
1. на кончике винта скорость потока должна быть дозвуковой, иначе сопротивление резко растет, приводящее к разрушению большинства конструкций обычных винтов, поэтому диаметр приходится ограничивать
2. при этом для создания нужной тяги, приходится увеличивать угол атаки лопасти к потоку (шаг винта)
3. оба эти фактора приводят к тому, что на лопасти начинается срыв потока. Поэтому приходится делать две, три, четыре или более лопастей, чтобы их суммарный шаг оставался как был. Но на каждой лопасти угол атаки/шаг пропорционально уменьшается и лопасти продолжают работать на своих оптимальных углах атаки. Впрочем, даже если условия позволяют использовать однолопастный винт, винты делают двухлопастными из-за простоты балансировки, разница в кпд там исчезающе мала.
4. когда из-за всех этих факторов, диаметр винта получается слишком маленький или когда вынуждены искусственно ограничивать диаметр меньше оптимального, чтобы вписать в конструкцию самолета. Что-то вроде меньше метра при мощностях выше 20 л.с., то из-за того, что удлинение каждой лопасти получается относительно малым, сильно возрастает индуктивное сопротивление, т.к. оно зависит от удлинения. Одной из формой проявления индуктивного сопротивления (но не главной!) является перетекание воздуха через концы лопастей.
Вот тогда появляется смысл заключить винт в кольцо. Причем достаточно широкое, иначе воздух будет продолжать перетекать через все кольцо снаружи. А если сделать это кольцо глубоким как 2-3 диаметра, превратив его в аэродинамический туннель, и (опционально) добавив в него спрямляющие лопатки, и придав передней внутренней части аэродинамический профиль, то можно в сумме еще повысить кпд на десяток процентов.
Если при этом из-за всех этих условий число лопастей получилось больше 4-6, то исторически это называют вентилятором. Когда-то для вентиляторов использовались немного другие методики расчета, чем для винтов, но сейчас с CFD без разницы что считать — один алгоритм одинаково хорошо рассчитывает что открытые винты, что винты в кольце, что вентиляторы со сложными формами лопаток.
И последнее, насчет соосных винтов: они позволяют поднять кпд до 10-15% за счет устранения закрутки струи, а также благодаря тому что второй винт работает в ускоренном потоке (и поэтому должен иметь немного больший шаг), а также потому что первый сужает струю, а второй захватывает около 10% свежего воздуха в виде кольца сверх струи от первого, см. рисунок ниже. Больше ничего (кроме разве что устранения вращающего момента, иногда это важно) соосные винты не дают и равносильны одинарному винту. В кольце их использовать большого смысла нет, лучше поставить спрямляющие неподвижные лопатки.
Попытки, ясное дело, предпринимаются. Гибриды cnn+rnn, conv1d, трансформеры и т.д. Но такого же уровня, как CNN для статичных картинок, но чтобы работало так же эффективно с последовательностями (неважно — видео, аудио или в RL), архитектуры нейронных сетей пока нет, к сожалению… А нужны.
Да и человеческий мозг не сильно ушел ). Время реакции одного нейрона 10-20 мс, а минимальное время реакции всего мозга около 100-200 мс. Из этого получаем, что мозг человека минимально равен 10-ти слойной нейросети. Есть даже схема по каким путям идет сигнал и сколько теряется времени в каждом отделе мозга, но не смог найти ссылку.
Но оно и понятно — при ограниченной скорости работы каждого отдельного нейрона, выгоднее иметь как можно меньше последовательных слоев, чтобы реакция была быстрее. А то съедят, пока будешь думать.
В общем, в аэродинамике все сплошные компромиссы. И все зависит от условий работы. Надо считать для конкретного случая. Один и тот же конструктивный элемент, такой как аэродинамический кожух или винглеты, в одним условиях может приносить пользу, а в других вред.
Но только представьте, если текущее состоянии со сверточными сетями будет так же хорошо работать с видео, как они сейчас работают со статичными картинками! Во-первых, это будет нормальная навигация в пространстве — а это робомобили, всякие домашние роботы, которые смогут готовить еду и мыть посуду. Это автоматически уберет привязку к текстурам у статичных нейросетей, появится привязка к форме, а значит нейросети больше не будут путать леопардов с диванами в леопардовой раскраске. Ну и так далее. Возможно, в динамике сам собой появится сильный ИИ, как логичное следствие жизни в динамике. Поэтому очень интересны Disentanglement подходы, пытающиеся выделять/распознавать объекты в картинке/видео без учителя. Это должно помочь при работе с видео, так как устранит разметку. Вручную размечать останется только награду и/или цели для ИИ. Да и это можно заменить любопытством.