После КМФИ и до того, как появились первые звёзды, смотреть во Вселенной было не на что. Или всё-таки нет?

Если во Вселенной не было света, а, следовательно, и существ с глазами, мы не узнаем, была ли она тёмной. Темнота в этом случае не имеет смысла.
— Клайв Стейплз Льюис

На прошлой неделе мы ответили на вопрос о местонахождении космического микроволнового фонового излучения (КМФИ). Вкратце, оно «везде одновременно, но испущено оно было в момент, когда Вселенной было 380 000 лет». На этой неделе я выбрал вопрос Стива Лимпуса, открывающий новый шаг в этой же теме:

Пожалуйста, расскажите нам о времени сразу после КМФИ — о загадочных «тёмных веках». Мне было хотелось узнать, как гравитация влияла на расширяющуюся Вселенную во времена после инфляции и нарушении термального равновесия частиц [decoupling]. А также хотелось бы узнать о первых звёздах и формировании галактик и сверхмассивных чёрных дыр.

В начале и в настоящее время существует изобилие света с высокими энергиями: света, видимого нашими глазами. Но были времена — тёмные времена — когда света не было.

Страница 7 Кодекса Гролье на бумаге из коры фикусов. На ней изображена фигура в головном уборе с перьями. Головной убор приравнивает фигуру к богам из таблиц планеты Венера в Дрезденском кодексе. Перед ним стоит бородатая голова бога C, предположительно, связанного с Полярной звездой, из которой произрастает растение с бутонами в виде дисков. Отсканированное изображение: Кодекс Гролье

В XVI веке конкистандоры и католические миссионеры немало потрудились, чтобы уничтожить обширные жреческие и правительственные библиотеки майя. В целом, им это удалось. Из сотен индейских книг до настоящего времени сохранилось всего три книги (их называют «кодексами»). Эти уникальные артефакты именуют по названию городов, в музеях которых они хранятся: Дрезденский, Парижский и Мадридский кодексы майя. Из них только Дрезденский кодекс сохранился полностью. Учёные до сих пор изучают астрономические записи в нём, составленные по результатам наблюдений майя за звёздами в течение многих столетий.

В 1971 году в сообществе экспертов по истории майя произошла настоящая сенсация. Мексиканский коллекционер Хосе Саенс (José Saenz) решился показать миру своё главное сокровище — четвёртый сохранившийся кодекс майя, который он в 1965 году якобы купил у группы неизвестных лиц. 20 апреля 1971 года артефакт выставили на всеобщее обозрение в джентльменском клубе Гролье, откуда кодекс и получил название.

В области космологии интересные вопросы обычно хорошо освещаются в научных работах. Раскрытие тайн тёмной энергии, источника ускоряющегося расширения Вселенной – одна из крупнейших загадок современной науки. Тёмная материя, частицы, которые могут объяснить большое количество наблюдаемых странностей Вселенной, пока никак не даётся учёным, ищущим прямые доказательства её существования. Физика чёрных дыр, с её парадоксами искривления пространства и времени и недавним вниманием благодаря блокбастеру Interstellar всегда готова вызвать восхищённые возгласы.

Все эти области исследований активно разрабатываются космологическим сообществом, а не только являются концепциями, привлекающими внимание людей, не относящихся к учёным. Но если вы посетите университет, где работают космологи, или конференцию по космологии, вы услышите доклады по другим интересным областям нашей науки, расширяющим научное знание, от теорий инфляции до обнаружения гравитационных волн и прочих. В научно-популярной литературе им уделяется сравнительно мало внимания, если сравнивать с «большой тройкой»: тёмная материя, тёмная энергия и физика чёрных дыр. Я хотела бы описать две области, входящие в космологию, и заслуживающие такого же внимания: понимание природы космических лучей сверхвысоких энергий и разметка Вселенной времён тёмных веков.

Как одна из первых проверок специальной теории относительности может привести к созданию величайшего ускорителя частиц всех времён.

Кажется, что прошлое остаётся таким, каким мы его оставляем, а настоящее постоянно движется; оно окружает тебя нестабильностью.
— Том Стоппард

Каждое естественное явление, наблюдавшееся нами во всей Вселенной, состоит из одних и тех же частиц: протонов, нейтронов и электронов, вместе с фотонами. По крайней мере, обычно так считается, но вместе с ними в деле участвует огромное количество нейтрино, антинейтрино, сверхмассивное количество тёмной материи, а также, набор нестабильных высокоэнергетических частиц. Одна из них, мюон, стала темой очень интересного вопроса от пользователя MegaN00B:

Недавно в вашем блоге вы упомянули, что космические лучи, входя в атмосферу, порождают частицы (мне кажется, мюоны), и то, как относительность помогает мюонам пройти дальше, чем они могли бы, поскольку они должны распадаться до того, как достигнут поверхности.
А как бы выглядел этот путь с точки зрения мюона?

Начнём сначала, и расскажем вам про мюоны.

Наверняка многие из вас видели смартфонный лайфхак: капаем капельку воды на камеру смартфона и остаёмся без камеры получаем возможность делать «макроснимки». Решил проверить, какие фотошедевры можно сделать таким способом.

Харон. Фото: NASA

Во время исторического пролёта мимо Плутона 14 июля 2015 года космический аппарат «Новые горизонты» сделал потрясающе красивые фотографии Плутона и пяти его спутников, в том числе самого крупного — Харона. Учёные никогда не надеялись получить настолько детальные фотографии спутника карликовой планеты, которая находится на краю Солнечной системы, на расстоянии более 4 млрд км от нас (примерно, 4,3-7,5 млрд км, в зависимости от точек орбит).

На фотографиях астрономы увидели причудливый ландшафт из водяного льда, испещрённый горами и каньонами. И, конечно же, огромное загадочное пятно грязно-красного цвета, которое покрывает северный полюс.

Проект TensorFlow масштабнее, чем вам может показаться. Тот факт, что это библиотека для глубинного обучения, и его связь с Гуглом помогли проекту TensorFlow привлечь много внимания. Но если забыть про ажиотаж, некоторые его уникальные детали заслуживают более глубокого изучения:

• Основная библиотека подходит для широкого семейства техник машинного обучения, а не только для глубинного обучения.
• Линейная алгебра и другие внутренности хорошо видны снаружи.
• В дополнение к основной функциональности машинного обучения, TensorFlow также включает собственную систему логирования, собственный интерактивный визуализатор логов и даже мощную архитектуру по доставке данных.
• Модель исполнения TensorFlow отличается от scikit-learn языка Python и от большинства инструментов в R.

Все это круто, но TensorFlow может быть довольно сложным в понимании, особенно для того, кто только знакомится с машинным обучением.

Как работает TensorFlow? Давайте попробуем разобраться, посмотреть и понять, как работает каждая часть. Мы изучим граф движения данных, который определяет вычисления, через которые предстоит пройти вашим данным, поймем, как тренировать модели градиентным спуском с помощью TensorFlow, и как TensorBoard визуализирует работу с TensorFlow. Наши примеры не помогут решать настоящие проблемы машинного обучения промышленного уровня, но они помогут понять компоненты, которые лежат в основе всего, что создано на TensorFlow, в том числе того, что вы напишите в будущем!

Недавно я завершил переработку графического пакета для моей D библиотеки. Вдохновленный модулями std.algorithm и std.range, я пытался достичь следующих целей:

• Представить все в виде малых комбинируемых компонентов
• Избежать неявного копирования и предпочтительно использовать ленивые вычисления
• Использовать шаблоны для улучшения производительности и эффективности написания кода

Начиная с первой версии, все компонеты пакета обработки изображений были параметризированы типом цвета. Это не стандартный способ реализации графических библиотек — большинство абстрагируют конкретный тип цвета изображения через ООП интерфейс, или просто конвертируют все изображения в единый формат пикселей, с которыми далее работают в памяти. Однако для большинства случаев это является тратой памяти и времени, обычно разработчики заранее знают в каком конкретно формате будет представлено изображение, за исключением приложений, где графические данные вводятся пользователем (например, граф. редакторы). Вместо этого моя библиотека объявляет все типы изображений как шаблоны с типом-параметром для цвета.

Я весьма доволен результатами работы над библиотекой, поэтому я хочу поделиться несколькими интересными моментами в данном посте.

Представьте, что у вас есть класс:

class MyCounter(object):
    def __init__(self):
        self.__counter = 0
    def incCounter(self):
        self.__counter += 1
    def getCounter(self):
        return self.__counter

И вы хотите сделать его распределённым. Просто наследуете его от SyncObj (передав ему список серверов, с которыми нужно синхронизироваться) и отмечаете декоратором @replicated все методы, которые изменяют внутреннее состояние класса:

class MyCounter(SyncObj):
    def __init__(self):
        super(MyCounter, self).__init__('serverA:4321', ['serverB:4321', 'serverC:4321'])
        self.__counter = 0
    @replicated
    def incCounter(self):
        self.__counter += 1
    def getCounter(self):
        return self.__counter

PySyncObj автоматически обеспечит репликацию вашего класса между серверами, отказоустойчивость (всё будет работать до тех пор, пока живо больше половины серверов), а также (при необходимости) асинхронный дамп содержимого на диск.
На базе PySyncObj можно строить различные распределенные системы, например распределенный мьютекс, децентрализованные базы данных, биллинговые системы и другие подобные штуки. Все те, где на первом месте стоит надёжность и отказоустойчивость.

Доброго времени суток, хабр!

Многие считают, что системный язык и сборщик мусора — не совместимые понятия. В некоторых ситуациях, действительно, сборщик может доставлять некоторые проблемы.

Как Вам, скорее всего, известно — в D сборщик мусора, отчасти, опционален. Но ручное управление памятью это прошлый век.
Поэтому сегодня я покажу как можно реализовать сборку мусора самому через «полуавтоматический» подсчёт ссылок, а так же как при этом минимизировать обращения к встроенному в runtime сборщика мусора на основе сканирования памяти.