«Приходят военные, просят напечатать какую-то штуковину размером со спичечный коробок, сразу покупают принтер и пропадают» из разговора с поставщиками 3d-принтеров

На фотографии справа — твит Элона Маска о том, что они напечатали деталь ракетного движка из жаропрочного никель-хромового сплава (Inconel) на 3d-принтере EOS.

Позже, на презентации появилась информация, что на SuperDraco — полностью напечатанные на 3D-принтере посадочные двигатели, каждый из которых имеет тягу порядка восьми тонн.

О том как обстоят дела в мире с сервисами 3d-печати я уже писал на Хабре, с тех пор я заинтересовался на что способны 3d-принтеры по металлу. Для начала я попытался найти в Москве место, где можно потрогать/пофотать это устройство, но столкнулся со сложностями, мол 200 000€, а вы с немытыми руками, либо эти принтеры находятся на территории военных/космических объектов, что без допуска туда нельзя.

Но нашлись питерские коллеги, которые поделились информацией, как они создавали микрореактор на 3d-принтере (от той же фирмы что и у Элона Маска).

Кейс от санкт-петербургского сервиса по 3d-печати:

Заказчик: российская компания нефтеперерабатывающей отрасли
Заказ: микрореактор для нефтепереработки
Требования: температура до 600С, давление до 100 атмосфер, работа в среде водорода и углеводородов, срок эксплуатации — 12 лет.

UPD (6.06.2014): пост на Хабре (5 октября 2012)
Ракетный двигатель, напечатанный на 3D-принтере
(товарищ с ником RocketMoonlighter продемонстрировал жидкостный ракетный двигатель (ЖРД), напечатанный на 3D-принтере.)


Подробнее про технологию DMLS,
про принтер EOS M290
и про микрореактор

В предыдущей части был описан нейронный механизм того, как мозг кодирует информацию и вытекающий из него механизм памяти. Это можно сравнить с описанием «железа» компьютера. В этой части рассказывается о том, как это «железо» используется, то есть, какая «операционка» управляет работой мозга.

Совсем недавно были объявлены Нобелевские лауреаты 2014 года. Премию по физиологии или медицине разделили американец Джон О`Киф и супруги норвежцы Эдвард Мозер и Мэй-Бритт Мозер. Исследования, которые получили столь высокую оценку, касались небольшого участка мозга, называемого гиппокампом. Это название происходит от греческого ἱππόκαμπος — морской конек, именно на на него чем-то отдаленно похож этот удивительный орган.

Добрый вечер!

Предлагаю вашему вниманию проект, над которым я работаю последние полтора года. Это программный продукт (если быть точным, .NET Windows Service), с помощью которого вы можете организовать на своем компьютере управляющий центр «умного дома». Хотя это всего лишь мое хобби (моя основная работа — веб-разработчик на .NET), многие люди, которым я показывал мой проект, высоко его оценили. Я пишу эту статью, чтобы попробовать заинтересовать вас.

Про нейронные сети, как один из инструментов решения трудноформализуемых задач уже было сказано достаточно много. И здесь, на хабре, было показано, как эти сети применять для распознавания изображений, применительно к задаче взлома капчи. Однако, типов нейросетей существует довольно много. И так ли хороша классическая полносвязная нейронная сеть (ПНС) для задачи распознавания (классификации) изображений?

Взлом captcha это, конечно, интересно и познавательно, но, по большому счёту, бесполезно. Это лишь частный случай задачи, которая возникает в одном из интересных направлений развития IT – распознавание образов (pattern recognition).



Сегодня мы рассмотрим алгоритм (точнее, более правильно считать это методикой, т.к. она объединяет в себе множество алгоритмов), который стоит на стыке таких областей, как Machine Learning и Computer Vision.

С помощью этого алгоритма мы будем искать НЛО (позарился на святое) на изображениях.

С 01 октября 2014 г. вступили в действие изменения в части IV Гражданского кодекса Российской Федерации (ГК РФ), регулирующей правовой режим интеллектуальной собственности.



Кратко самые важные для заявителей и правообладателей изменения, касающиеся патентования изобретений и полезных моделей:

1. «Халявных» патентов на полезные модели, выдаваемых фактически под честное слово заявителя, больше не будет, полезные модели теперь подвергаются экспертизе по существу. В целом, полезная модель все больше становится похожей на «облегченное» изобретение, как это и предполагалось изначально законодателем.
2. В качестве полезной модели теперь возможно патентование только одного устройства (а не группы устройств, как раньше).
3. Описания, чертежи и формулы изобретений и полезных моделей теперь нужно готовить более тщательно, поскольку:
а) экспертиза имеет право «завернуть» плохо составленную заявку,
б) по собственной инициативе изменения в формулу и описание можно внести один раз после получения отчета о поиске, другие изменения возможны только по запросу экспертизы,
в) для преодоления возражений экспертизы не допускается указание произвольного дополнительного технического результата,
г) слабое описание может стать причиной аннулирования патента не только косвенно – по критерию промышленной применимости (как это было раньше), но и напрямую – по критерию полноты раскрытия сущности изобретения или полезной модели.
4. В случае нарушения исключительного права на изобретение, полезную модель правообладатель сможет (с 01 января 2015 г.) вместо возмещения убытков требовать выплаты компенсации, размер которой устанавливается судом.

На этой неделе свершилось то, чего долго ждали многие энтузиасты домашней автоматизации — белорусская компания "Ноотехника" начала производство беспроводных датчиков nooLite: датчика движения PM111 и датчика температуры/влажности PT111.

Принцип неопределенности говорит, что мы не можем знать определённые свойства квантовой системы в один и тот же момент времени. Например, мы не можем одновременно узнать положение частицы и ее скорость. Но что это говорит нам о реальном мире? Если бы мы могли заглянуть за кулисы квантовой теории, обнаружили бы мы, что объекты действительно обладают определенным положением и скоростью? Или принцип неопределенности означает, что на фундаментальном уровне объекты просто не имеют четкой координаты и импульса одновременно. Другими словами, неполна ли наша теория или реальность «размыта» на самом деле?

Статья является вольным переводом The Flaw Lurking In Every Deep Neural Net.

Недавно опубликованная статья с безобидным заголовком является, вероятно, самый большой новостью в мире нейронных сетей с момента изобретения алгоритма обратного распространения. Но что же в ней написано?

В статье "Интригующие свойства нейронных сетей" за авторством Christian Szegedy, Wojciech Zaremba, Ilya Sutskever, Joan Bruna, Dumitru Erhan, Ian Goodfellow and Rob Fergus, команды, включающей авторов из проекта Google по глубокому обучению, кратко описываются два открытия в поведении нейронных сетей, противоречащие тому, что мы думали прежде. И одно из них, честно говоря, поражает.

Не знаю, почему, но новость о том, что с МКС начали трансляцию в HD-качестве, прошла как-то мимо Хабра. А ведь это — новый эксперимент, который стартовал еще 30 апреля этого года.

В рамках проекта установлено несколько весьма качественных HD видеокамер, направленных на Землю. Камеры, насколько можно понять, находятся снаружи МКС, на обшивке, но заключены в корпус с контролируемым давлением, и температурой.

В продолжение темы ОС и этих двух постов: «Overclock мозга или внутренняя виртуализация сознания», Патч для гипервизора сознания хотелось бы поделиться своим опытом в данном сабже, а так же мало задокументированной, но зато намного более простой возможностью «прокачать» свой мозг.

Все помнят этот фильм? Какого черта он делает на Хабре? И вообще что тут делает подобный пост?
Наверное потому, что я считаю главным звеном в IT все таки человека, а точнее его мозги. Я попробую рассказать еще об одной возможности использовать свой мозг чуточку эффективнее. Одна из слабо задокументированных возможностей, которую мы используем каждый день, но не всегда даже об этом вспоминаем. Все описанное проверялось на мне. Если что-то я не пробовал, но рассказать об этом важно буду отмечать особо. Никаких наркотиков, аппаратов и издевательств над собой, только общедоступные легкие методики (короче, лег проспался и вперед, не вставая даже с кровати).
И да… Это до жути реалистично, на столько, что попробовав, вы не сможете не рассказать об этом.

Что бы не было лишних криков в комментах, попрошу всех кто ярых сторонников любой религии и конфессии, а так же убежденных эзотериков сразу поставить минус в карму и не читать дальше. Здесь не будет философии и великих вселенских тайн. А остальных прошу под кат — попробую рассказать о своей практике разгона мозга с помощью встроенных функций.

Сегодня компанией GenePeeks была представлена технология Matchright, которая позволяет создавать цифровые эмбрионы после смешивания ДНК двух людей, собирающихся стать родителями.

Этот цикл статей описывает волновую модель мозга, серьезно отличающуюся от традиционных моделей. Настоятельно рекомендую тем, кто только присоединился, начинать чтение с первой части.

Наиболее просты для понимания и моделирования нейронные сети, в которых информация последовательно распространяется от слоя к слою. Подав сигнал на вход, можно так же последовательно рассчитать состояние каждого из слоев. Эти состояния можно трактовать как набор описаний входного сигнала. Пока не изменится входной сигнал, останется неизменным и его описание.

Более сложная ситуация возникает, если ввести в нейронную сеть обратные связи. Чтобы рассчитать состояние такой сети, уже недостаточно одного прохода. Как только мы изменим состояние сети в соответствии с входным сигналом, обратные связи изменят входную картину, что потребует нового пересчета состояния всей сети, и так далее.

Идеология рекуррентной сети зависит от того, как соотносится задержка обратной связи и интервал смены образов. Если задержка много меньше интервала смены, то нас, скорее всего, интересуют только конечные равновесные состояния, и промежуточные итерации стоит воспринимать, как исключительно расчетную процедуру. Если же они сопоставимы, то на первый план выходит именно динамика сети.

Привет, Хабр! Это мой второй пост на хабре, я долго думал, о чем написать, ибо удивить аудиторию хабра достаточно сложно: многие знают иностранные языки и регулярно читают зарубежные источники. После долгих сомнений я решил выбрать тему бионики. Перспективное направление.

Собственно начну я с пары фотографий:

Так выглядят разработки протезов от команды Хью Герра из MIT

Для тех, кто только присоединился, я советую начать с первой части или хотя бы с описания волновой модели коры. Наша волновая модель показывает как вызванная активность нейронов коры порождает волны фоновой активности, распространяющиеся как внутри зон коры, так и через проекционные связи по всему пространству мозга. Проходя по какому-либо участку коры, волна, кодирующая определенное явление, воспроизводит свой уникальный узор. Это позволяет нейронам в любом месте коры получать информацию о том, что происходит в других частях мозга.

Итак, мы подошли к описанию одного из ключевых принципов описываемой модели. Этот принцип ранее не использовался ни в нейронных сетях, ни при описании работы мозга. В связи с этим я крайне рекомендую ознакомится с предыдущими частями. Как минимум необходимо прочитать четвертую часть без которой описанное ниже, будет совершенно непонятно.

В предыдущей части мы говорили о том, что активность нейронов делится на вызванную и фоновую. Отголоски фоновой активности наблюдают, снимая электроэнцефалограмму. Записываемые сигналы имеют сложную форму и зависят от места приложения электродов к голове, но, тем не менее, в них достаточно четко прослеживаются отдельные гармонические составляющие.

В первой части мы описали свойства нейронов. Во второй говорили об основных свойствах, связанных с их обучением. Уже в следующей части мы перейдем к описанию того как работает реальный мозг. Но перед этим нам надо сделать последнее усилие и воспринять еще немного теории. Сейчас это скорее всего покажется не особо интересным. Пожалуй, я и сам бы заминусовал такой учебный пост. Но вся эта «азбука» сильно поможет нам разобраться в дальнейшем.

Персептрон

В машинном обучении разделяют два основных подхода: обучение с учителем и обучение без учителя. Описанные ранее методы выделения главных компонент – это обучение без учителя. Нейронная сеть не получает никаких пояснений к тому, что подается ей на вход. Она просто выделяет те статистические закономерности, что присутствуют во входном потоке данных. В отличие от этого обучение с учителем предполагает, что для части входных образов, называемых обучающей выборкой, нам известно, какой выходной результат мы хотим получить. Соответственно, задача – так настроить нейронную сеть, чтобы уловить закономерности, которые связывают входные и выходные данные.

Вступление

Сразу сообщу, что данная заметка не имеет отношения к перцептронам, сетям Хопфилда или любым другим искусственным нейронным сетям. Мы будем моделировать работу «настоящей», «живой», биологической нейронной сети, в которой происходят процессы генерации и распространения нервных импульсов. В англоязычной литературе такие сети ввиду их отличия от искусственных нейронных сетей называются spiking neural networks, в русскоязычной же литературе – нет устоявшегося названия. Кто-то называет их просто нейронными сетям, кто-то – импульсными нейронными сетями, а кто-то – спайковыми.